完全随机缺失机制下伽玛分布中形状参数的经验贝叶斯推断

在完全随机缺失机制下构造了伽玛分布参数的经验贝叶斯检验函数,并获得了它的渐进最优性.在适当的条件下证明了所提出的经验贝叶斯检验函数收敛速度可任意接近O(n(-1/2)).

替代早期完全随机缺失状态下longitudinal数据测量结果分析

用相同序列中早期数据做模拟研究,在完全随机缺失MCAR状态下运用不同限定条件预测longitudinal响应最终结果。由10个重复测量数据生成Logistic模型模拟MCAR缺失机制。用不同方法来计算相关度量并且用没有缺失的原始数据来评估缺失的影响。用偏离率和均方误差来评估影响的程度。结果表明在MCAR机制下,选用AC方法的偏离率和均方误差小于CC方法,即AC方法优于CC方法。

带有完全随机缺失协变量的广义线性模型平均方法研究

目前,已有大量关于模型平均方法的研究,其中包括对线性和广义线性模型平均估计以及协变量带有缺失数据的线性模型的研究。但是,关于协变量带有缺失数据的广义线性模型尚未得到研究。本文探讨的是带有完全随机缺失协变量的广义线性模型的模型平均估计。我们提出了一个模型平均估计方法并且证明了在一定假设条件下,相应的模型平均估计量具有渐近最优性。模拟结果显示在大多数情况下,本文方法相较于其他方法表现更好。

缺失数据过程的自适应多元EWMA控制图

随着生产过程的日益复杂,多元统计过程控制(SPC)领域对在线算法的关注与日俱增.然而,基于完整数据和均匀时间间隔假设的传统方法在存在缺失数据时表现并不理想.为了最大化利用可用信息,我们提出了一种自适应指数加权移动平均(EWMA)控制图,它采用了加权插补方法,能够充分利用完整数据和不完整数据之间的关系.具体而言,我们首先引入了两种恢复方法:改进的K近邻方法和传统的单变量EWMA方法.然后,我们构造了一个自适应加权函数来结合这两种方法,即当样本信息表明过程超出控制的可能性增加时,会降低EWMA统计量的权重,反之亦然.通过模拟结果和一个实际案例,我们证明了所提出方案的稳健性和敏感性.

四种机器学习算法预测大豆蛋白质定位对比研究

为探索不同缺失程度大豆蛋白质亚细胞定位预测的有效方法,提升大豆蛋白质亚细胞定位预测能力,本研究以1万条已知亚细胞定位位置的大豆蛋白质序列数据为研究对象,进行5%、10%、15%、20%和30%不同缺失比例完全随机缺失,分别运用SVM算法、朴素贝叶斯算法和随机森林算法和决策树4种机器学习算法预测缺失序列的亚细胞位置,对原始位置和预测后的位置进行相关性分析,对比分析不同算法的准确性和性能。结果显示:随机森林算法预测的准确率最高;朴素贝叶斯算法的运行速度最快;朴素贝叶斯算法的运行内存最小。在不考虑运行时间和运行内存因素,且对预测的准确率要求较高的情况下,随机森林算法的预测效果要优于另外3种算法;同种情况下,若对运行内存要求较高时,可优先考虑朴素贝叶斯算法。结果说明不同机器学习方法在不同缺失程度的预测需求下的适用性,可应用于大豆蛋白质数据的定位预测。

分数填补下两总体分位数差异的半经验似然推断

在完全随机缺失机制情形,利用分数填补法填补缺失值,然后用经验似然方法构造两总体分位数差异的半经验似然比统计量,证明其渐近服从加权x^2分布并构造了相应的半经验似然置信区间。