泊松序列中变点的快速识别方法

对于泊松序列中的变点问题,文章提出了一个快速有效的用于判断变点是否存在,以及当变点存在时确定未知变点位置的统计方法。进而,通过分析两个煤矿灾难的实际数据,阐释所提方法的准确性和有效性。

独立泊松序列与指数序列的变点检测方法比较

变点检测问题是近年来数理统计研究领域的一个研究热点。文章基于R软件Changepoint程序包,借助模拟研究并应用三种常见的变点检测方法,分别对泊松和指数序列的均值方差变点进行检测。从不同的样本量、分布参数变化、变点个数、优化函数中使用不同惩罚项的角度,综合考察比较了三种方法对两类分布序列变点检测的效果。并针对英国矿难发生次数的经典实际数据实证,揭示了三种方法对该数据的变点检测效果,也验证了模拟结果的可靠性。

泊松序列中变点的贝叶斯分析

利用二分法将含有多个变点的泊松序列进行分割,将泊松序列多变点问题转化为没有变点和仅有一个变点的问题,运用贝叶斯因子进行模型比较.选用上证指数数据,结合贝叶斯因子对存在变点的模型进行了检验.

基于多元泊松时间序列的累积和控制图设计

多元离散自相关数据在现代制造业中非常普遍,时间序列控制图常被用来监控此类数据,如P-CUSUM和P-EWMA图等。然而,这些控制图都建立在一维的泊松时间序列模型基础上,忽视多个维度之间的相关性,因此应用范围有限。基于多元泊松一阶自回归时间序列模型,建立多元累积和控制图。之后利用蒙特卡洛模拟,研究了模型参数和偏移距离对该控制图性能的影响。与传统的一维离散自相关数据的控制图相比,在某些参数组合的情形下,新控制图对过程偏移具有较高的灵敏度。

气候变化对长沙市肾综合征出血热发病的影响与预警模型

目的了解气象因素变化对肾综合征出血热（HFRS）发病的影响，探索应用气象因素对HFRS发病进行预警。方法收集长沙市2000--2009年HFRS病例（共2171例），同时收集同期气象数据，构建基于气象因素的长沙市HFRS传播预测模型，使用Cochran—Armitage趋势检验分析HFRS年发病率的变化趋势，采用交叉相关分析法计算气象因素[包括月平均温度、相对湿度、降水量及厄尔尼诺南方涛动指数（MEI）]与每月HFRS发病人数之间的时滞周期，最后采用时间序列泊松回归模型分析不同气象因素对HFRS传播的影响。结果2000--2009年长沙市HFRS年发病率分别为13．09／10万（755例）、9．92／10万（578例）、5．02／10万（294例）、2．55／10万（150例）、1．13／10万（67例）、1．16／10万（70例）、0．95／10万（58例）、1．40／10万（87例）、0．75／10万（47例）、1．02／10万（65例），整体呈下降趋势（Z=-5．78，P〈0．01）。模型分析显示，月平均气温[18．00℃，r=0．26，P〈0．01，1个月时滞周期；发病率比（IRR）：1．02，95％CI：1．00—1．03，P〈0．01]、相对湿度（75．50％，r=0．62，P〈0．01，3个月时滞周期；IRR=1．03，95％CI：1．02～1．04，P〈0．01）、降水量（112．40mm，r=0．25，P〈0．01，6个月时滞周期；IRR=1．01，95％CI：1．01～1．02，P=0．02）和MEI（r=0．31，P〈0．01，3个月时滞周期；IRR=0．77，95％CI：0．67～0．88，P〈0．01）与HFRS月发病人数（18．10例）紧密相关。结论气象因素对HFRS发病存在明显影响，在控制变量自相关、季节性及长期趋势的影响后，长沙市时间序列泊松回归模型预测精度较高，可以实现对长沙市HFRS的提前预警。