部分线性变系数空间自回归模型的惩罚轮廓拟最大似然方法

主要研究了部分线性变系数空间自回归模型的变量选择问题。结合拟最大似然方法、局部线性光滑方法以及一类非凸罚函数,提出了一个变量选择方法用于同时选择该模型的参数部分中重要解释变量和估计相应的非零参数。大量模拟研究表明,所提出的变量选择方法具有满意的有限样本性质,并且关于空间权矩阵的稀疏度、空间相关强度、系数函数的复杂度以及误差分布的非正态性非常稳健。特别地,当样本容量较大且罚函数选择合适时,即使解释变量的相关性较强或者模型中含有较多不重要解释变量,所提出的变量选择方法仍然具有比较满意的有限样本性质。通过分析波士顿房屋价格数据考察了所提出的变量选择方法的实际应用效果。

基于加权复合分位数回归的变系数部分线性模型的稳健经验似然估计

研究了变系数部分线性模型的稳健经验似然推断问题。利用加权复合分位数回归以及经验似然方法,并结合基于矩阵QR分解的正交投影技术,对模型的参数分量提出了一种基于加权复合分数回归的经验似然估计方法。理论证明了提出的经验对数似然比函数渐近服从卡方分布,得到参数分量的置信区间。该估计方法中引入了基于矩阵QR分解的正交投影技术,保证对模型的参数分量进行估计时不会受到非参数分量估计精度的影响,因此具有较好的稳健性和有效性。

复合分位回归的贝叶斯经验似然推断

本文将贝叶斯经验似然方法推广到复合分位数回归模型中。构造复合分位数回归模型的经验似然函数,在给定先验信息后,推导出未知参数的条件后验分布。考虑到未知参数后验分布形式较为复杂且有隐式方程约束,构造带约束条件的Metropolis-Hastings算法对模型参数进行点估计、置信区间估计及参数假设检验。计算机模拟仿真结果显示,当模型随机误差为厚尾分布时,贝叶斯经验似然复合分位回归法较复合分位回归法、分位回归法以及最小二乘法在估计偏差和方差上都有明显优势,尤其是数据含有较多异常点时,本文提出的方法最为稳健。利用新方法对一个医疗费用支出影响因素数据进行建模分析发现:较其他估计方法,无论是否删除数据中异常点,贝叶斯经验似然复合分位回归法得到的系数估计前后变化最小,这为实际建模过程时减少数据中未知异常点给模型带来的影响提供有益帮助。

截尾线性回归模型参数极大似然估计的EM算法

对区间截尾的线性回归模型,在误差服从正态分布的条件下,给出其基于似然方程的参数极大似然估计(M ax im um L ike lihood E stim ate,M LE)的一般迭代算法,证明了EM算法与该一般迭代算法的一致性,由EM算法的性质保证了迭代的收敛性,证明了M urray A itk in给出的右截尾数据回归模型参数M LE的EM算法是本文的一个特例以及EM算法收敛点的唯一性.

基于最大似然线性回归矩阵的说话人识别算法研究

研究了将自适应领域的最大似然线性回归(Maximum likelihood linear regression,MLLR)变换矩阵作为特征进行文本无关的说话人识别算法.本文引入了基于统一背景模型的MLLRSV-SVM说话人识别算法,并在此基础上进行高层音素聚类以进一步提高识别性能.在采用多种信道补偿技术后,在NISTSRE2006年1训练语段-1测试语段同信道和跨信道数据库上,基于MLLR特征的系统与其他最好的系统性能接近并有很强的互补性,经过简单线性融合可以极大提高识别性能.

缺失数据下非线性分位数回归模型的光滑经验似然推断

利用光滑经验似然方法,讨论了缺失数据下非线性分位数回归模型的回归系数的经验似然置信区域。

广义线性回归拟似然估计的强相合性

本文研究了广义线性模型g=μ(x'β0)+e中形如的拟似然方程,在一定的条件下证明了当n充分大时此方程以概率1有解βn,得到了βn的强相合性和收敛速度.

基于极大似然线性回归的模型合成和特征映射进行说话人确认

提出了基于极大似然线性回归(MLLR)调整的说话人模型合成和特征映射方法。MAP调整事后确定相应模型间线性关系,变换参数人为确定;而MLLR调整首先确定相应模型间线性关系,变换参数由训练数据确定,并且可以只调整均值向量。模型合成时,MLLR调整指定通用信道背景模型参数间的线性变换;特征映射时,MLLR调整指定Root GMM-UBM与通用信道背景模型参数间的线性变换。通过对模型参数进行分组调整,可以在训练数据和参数数目间达成平衡。实验结果表明,合适选取MLLR回归类,可以取得比相应MAP调整方法更好的识别效果。

非线性半参数回归模型中参数的经验似然置信域

该文考虑非线性半参数回归模型,构造了模型中未知参数的经验对数似然比统计量,证明了所提出的统计量具有渐近x^2分布,由此结果可以用来构造未知参数的置信域.另外,该文也构造了未知参数的最小二乘估计量,并证明了它的渐近性质.仅就置信域精度及其覆盖概率大小方面,通过模拟研究比较了经验似然方法与最小二乘法的优劣.

非线性再生散度随机效应模型的极大似然估计及随机逼近算法

非线性再生散度随机效应模型包括了非线性随机效应模型和指数族非线性随机效应模型等．通过视模型中的随机效应为假想的缺失数据和应用Metropolis-Hastings(简称MH) 算法,提出了模型参数极大似然估计的随机逼近算法．模拟研究和实例分析表明了该算法的可行性．

缺失数据下广义线性回归拟似然估计的强相合性

研究了响应变量随机缺失下的广义线性模型,利用处理缺失数据的完全数据方法,构造了广义线性模型中未知参数的拟似然估计.结合随机缺失机制和若干极限定理,证明了该拟似然估计的渐近存在性、强相合性和收敛速度.

部分线性EV回归模型中的极大经验似然估计

针对带有协变量误差的部分线性回归模型的估计问题,利用经验似然方法,在一定条件下,证明了所得到的未知参数的极大经验似然估计具有渐近正态性．同时获得了非参数估计的最优收敛速度O_P(n^(-1/3))．

非线性EV回归模型中参数的经验似然置信域

本文考虑非线性EV回归模型,构造了未知参数的经验对数似然比统计量.此外,为了克服计算困难,提出了一个基于模拟的经验对数似然比统计量.在适当条件下,证明了所提出的这两种统计量都具有渐近χ2分布,所得结果可以用来构造未知参数的置信域.

自适应广义线性回归拟似然估计渐近理论

研究自适应设计下的拟似然方程 ∑ni=1xi(yi- μ(x′iβ) ) =0 ,在一定的条件下证明了以概率 1此方程当n充分大时有解^βn,^βn 为β0 的强相合估计 ,且得出了 ^βn- β0的收敛速度 ;然后又在一定的条件下证明了 ^βn

部分线性空间自回归模型的惩罚最小二乘方法

部分线性空间自回归模型因具有参数空间自回归模型的解释能力和非参数空间自回归模型的灵活性而成为一类备受关注的半参数空间自回归模型。主要研究部分线性空间自回归模型的变量选择问题,基于轮廓拟最大似然方法和一类非凸罚函数,提出了一类惩罚最小二乘方法同时选择该模型的参数部分中重要解释变量和估计相应的非零回归系数。在适当的正则条件下,推导了回归系数的惩罚估计的收敛速度,并证明了所提出的变量选择方法具有Oracle性质。模拟研究和实际数据分析均表明所提出的变量选择方法具有满意的有限样本性质。

非线性半参数回归模型的最大经验似然估计

对于非线性半参数回归模型的估计问题,利用经验似然方法,给出了回归系数,光滑函数以及误差方差的最大经验似然估计.在一定条件下证明了所得估计量的渐近正态性和相合性.

协变量缺失下非线性分位数回归中参数的经验似然推断

文章考虑协变量缺失下非线性分位数回归中参数部分的经验似然统计推断,提出了加权修正的估计方程,并给出了当缺失机制已知和未知时极大经验似然估计的渐近分布,得到了著名的Horvitz-Thompson现象。

截断情况下线性回归模型响应变量均值的经验似然

本文讨论了在带有截断情况的线性回归模型中 ,响应变量均值的估计问题 .将经验似然的方法应用到带有截断情况的回归模型中 ,在估计响应变量的均值时构造了调整的经验似然统计量 ,证明了在一定的条件下 ,该统计量渐近服从 χ2 分布 ,给出了均值的置信区间 ,并与正态下得到的结果进行了比较 ,模拟的结果说明了经验似然的优良性 .

二阶部分线性自回归模型的经验似然估计

利用经验似然方法,对二阶部分线性自回归时间序列模型的未知参数和非参数函数进行估计,在一定的条件下证明了参数估计的渐近正态性和未知非参数函数的相合性。

关于广义线性回归参数极大似然估计相合性的若干问题

本文在广义线性回归中响应变量服从指数型分布且有自然联系的情况下,讨论了模型参数的极大似然估计的相合性条件有关的若干问题．