相依非线性回归系统中的附加信息Bayes拟似然

对多个相依统计模型的研究,现有成果主要集中在相依线性回归系统.本文则首次提出多个相依非线性回归系统中的附加信息Bayes拟似然,给出误差相关信息和先验信息在拟似然中的迭加方法,在较弱的条件下得到附加信息Bayes拟似然的一些性质,在Bayes风险准则下。讨论了其估计函数和参数估计的最优性,证明了附加信息Bayes拟似然的渐近 Bayes风险随着相依信息的增力。而逐步减少.

具有附加信息分布函数的经验欧氏似然估计

在已知Ｅｈ（Ｘ）＝０下，对总体的分布函数给出了经验欧氏似然估计，并证明了这种估计的强相合性、渐近正态性及渐近正态的阶为Ｏ（ｎ－１２）。

一种基于拟似然函数的信息量准则

文章提出了一种基于拟似然函数的模型选择策略,该模型同时考虑了模型被正确指定的情况和被错误指定的情况。继承Wedderburn(1974)的想法和Akaike(1973)的构筑信息量的思路,在只假定数据的前两阶矩的基础上,使用广义线性模型中的均值和方差定义半参数统计模型;在半参数模型基础上,定义半参数信息量;提出具有较弱假设的基于拟似然函数的半参数信息量准则。半参数信息量准则可应用于连续的以及离散的数据分析。还从理论上证明了半参数信息量准则的近似无偏性。

NA样本下含附加信息时M-泛函的经验似然推断

本文研究NA样本下不含附加信息和含附加信息时M-泛函的经验似然推断,将分块技术应用到经验似然方法中,证明M-泛函的对数经验似然比统计量的渐近分布为卡方分布,由此构造NA样本下不含附加信息和含附加信息时M-泛函的经验似然置信区间.同时,对一类M-泛函的检验问题,证明含附加信息比不含附加信息时有更高的功效,并给出数值模拟结果.

α混合样本下含附加信息时概率密度的经验似然置信区间

利用分块技术证明了α混合样本下含附加信息时概率密度函数的经验似然比统计量的渐近分布是χ~2_1分布,由此得到了概率密度函数的经验似然置信区间。

强混合样本情形含附加信息时总体分位数的经验似然置信区间

强混合随机变量序列的应用较为广泛,如许多线性过程为强混合的,且一些连续时间扩散模型和随机波动模型为强混合的.在金融风险管理领域分位数又称VaR,它表示给定置信水平下金融资产产生的损失的上限.本文在强混合样本和含附加信息情形构造了总体分位数的对数经验似然比统计量,并证明了对数经验似然比统计量的渐近分布为卡方分布,由此构造了总体分位数的经验似然置信区间.在此基础上考虑了一类检验问题,证明了在同一检验水平下,含附加信息时检验的渐近功效高于不含附加信息时检验的渐近功效,并且含附加信息时检验的渐近功效随信息量的增加而非降.

有附加信息的半经验似然估计的大样本性质

提出了一种有附加信息的半参数统计模型 ,证明了有附加信息的半经验似然估计的强相合性、渐近正态性 。

协方差结构分析中拟似然估计的对偶几何方法

本文应用几何方法研究了协方差结构分析中的拟似然估计.对于该模型引进了对偶几何,在此基础上得到了拟似然估计的二阶渐近性质.通过对偶曲率给出了拟似然估计的偏差、方差和信息损失,并且给出了反映拟观察信息和拟期望信息之间关系的一个极限定理.

条件分位数的经验似然置信区间

本文利用经验似然思想分别讨论了不含附加信息和含附加信息时条件分位数的置信区间的构造，并考虑了一类检验问题，证明了检验的渐近功效随信息量的增加而非降．

缺失数据情形条件分位数的经验似然置信区间

在响应变量满足随机缺失机制下,采用经验似然方法和C-C方法,分别构造不含附加信息和含附加信息时条件分位数的经验似然比统计量的渐近分布,以及条件分位数的经验似然置信区间,并证明一类检验问题的渐近功效随着信息量的增加而非下降.

M-泛函的经验似然置信区间

利用经验似然思想 ,分别讨论不含附加信息和含附加信息时 ,M-泛函的经验似然置信区间 ,并推广Zhang Biao (1997)在独立同分布下的结果 .

三阶Erlang分布参数的Bayes估计及检验

首先给出了三阶Erlang分布在定数截尾场合下参数的极大似然估计;其次给出了在"平均剩余寿命"下的三阶Erlang分布参数的拟矩估计;然后再利用共轭先验分布得到了参数的经验Bayes估计、区间估计和假设检验;最后通过模拟得到一组随机样本并给出了不同截尾样本下参数的点估计和区间估计。

附加信息下的局部线性估计(英文)

在回归模型中,对一类因变量函数的条件期望方程的附加信息,我们提出了基于极大经验似然方法的局部线性点估计,在一定条件下证明了这些估计的相合性和渐近正态性,而且估计的方差小于通常不带附加信息核估计的方差.模拟结果也显示了估计的优良性.

附加信息与参数估计

参数估计是根据样本信息对总体未知参数作推断的一个基本形式,然而在理论上或应用上,人们往往对未知参数还具有一定量的附加信息,如果能充分利用这些信息,则可得到具有较好性质的估计量.在Bayes估计理论中,附加信息被概括在先验分布中,通过Bayes公式把先验分布中所蕴含的附加信息迭加在样本信息即似然函数之中,产生了后验分布。

含附加信息下局部线性模型的估计及收敛性

在一定的附加信息下 ,利用经验似然方法给出了局部线性模型的一类新估计 。

多源信息的验前分布融合方法研究

验前分布的获取和表示是B ayes理论应用中的一个关键问题。针对目前多源验前信息融合中存在的过分依赖专家信息的问题,提出了一种基于第2类极大似然估计原理(M L-II)确定验前分布权重的方法,该方法将现场试验数据看作是由其边缘分布产生的样本,然后根据不同验前分布下现场样本似然性的大小来确定其在验前分布融合中的作用,并以此进一步确定不同验前分布的权重因子。最后通过算例证明了该方法比基于专家信息的融合方法更为合理和有效。

附加信息下的p分位数光滑经验似然置信区间

Ｃｈｅｎ和Ｈａｌｌ在１９９３年使用光滑的经验似然方法建立了ｐ分位数置信区间．本文在有部分附加信息的情况下使用了光滑的经验似然方法建立了ｐ分位数的置信区间，从渐近功效函数方面对置信区间做了比较，后者优于前者．并且置信概率误差的阶为ｎ－１，证明了本文所建立的置信区间是可以Ｂａｒｔｌｅｔｔ修正的．

基于ML-Ⅱ原理的多源验前信息融合方法研究

在Bayes小子样理论中,验前分布的获取和表示是一个关键问题。针对反舰导弹靶场试验中遇到的验前信息的多源性,给出了一种基于第二类极大似然估计原理(ML-Ⅱ)的多源异总体验前分布的融合方法,并通过仿真实例证明了该方法的有效性。

基于多源信息融合技术的光纤陀螺可靠性估计

为了评估小样本情况下光纤陀螺的可靠性,开展基于多源信息融合技术的Bayes(贝叶斯)评估方法研究,对样本的先验信息进行分析,采用随机加权法通过关键器件的信息来确定先验分布,结合小样本试验数据所确立的似然函数,在不降低可信度的情况下对产品的可靠性进行评估。由仿真结果可知,在相同置信度下,Bayes评估方法将可信区间长度缩短为传统方法的1/16。该方法提高了估计结果精度对解决小样本下的可靠性评估问题具有重要的理论意义和参考价值。

基于两种信息融合的turbo码帧同步器研究

提出了一种基于两种信息融合的turbo码帧同步器。对turbo码1步迭代外信息统计发现,帧同步与帧失步时turbo码的外信息的统计特性存在明显的差异。在信噪比极低的情况下,传统的基于同步码相关的方法已不能满足turbo码强译码能力的要求。为了进一步降低帧同步差错率,同时又不给系统带来太大计算延迟,对turbo译码器1次迭代后的最大后验信息和同步码字相关后的最大似然信息融合成一个置信度量,仿真表明:只需很小的额外计算量,这种方法能够获得比传统方法更低的帧同步差错率。