序贯Lq似然比型检验

本文研究了序贯Lq似然比型检验(简写为SLqRT),以及SLqRT的一些性质.基于其中一个性质-基本恒等式,得到SLqRT的势函数和平均子样容量.为了节约成本,通过最小化平均子样容量来选择合适的q值,从而进行指数分布的假设检验,此外,给出了理论推导及两个模拟算例来说明SLqRT的稳健性,并计算了不同污染参数下粗差模型的序贯概率比检验(简写为SPRT)和SLqRT的平均子样容量结果表明:在平均子样容量下,SLqRT的效果优于SPRT.

广义线性模型的补偿Lq似然估计

考虑以下的广义线性模型(GLM)y_(i)=h(x^(T)_(i)β)+e_(i),i=1,2,…,n,其中h(·)是连续可微函数,{e_(i)}是具有零均值和已知方差σ^(2)的独立同分布随机变量。在线性回归模型的补偿Lq似然方法的基础上,将该方法应用于广义线性模型之中,并研究了补偿Lq似然估计(PLqE)的Oracle性质。仿真结果验证了该方法的有效性,说明了PLqE是稳健的,而补偿最大似然估计(PMLE)则没有稳健性。

Diagnostics in generalized nonlinear models based on maximum L_q-likelihood estimation

In order to detect whether the data conforms to the given model, it is necessary to diagnose the data in the statistical way. The diagnostic problem in generalized nonlinear models based on the maximum Lq-likelihood estimation is considered. Three diagnostic statistics are used to detect whether the outliers exist in the data set. Simulation results show that when the sample size is small, the values of diagnostic statistics based on the maximum Lq-likelihood estimation are greater than the values based on the maximum likelihood estimation. As the sample size increases, the difference between the values of the diagnostic statistics based on two estimation methods diminishes gradually. It means that the outliers can be distinguished easier through the maximum Lq-likelihood method than those through the maximum likelihood estimation method.

基于惩罚极大Lq似然的Logistic回归系数的估计及变量选择

极大似然估计是Logistic回归模型的常用参数估计方法,且在一定条件下具有一致性和渐近正态性。但极大似然估计的优良性主要体现在大样本情况,当解释变量具有多重共线性且样本量较小时,为得到更好的拟合效果以及实现参数稀疏化,将极大Lq似然估计与Lasso惩罚结合,得到Lasso极大Lq似然估计。并运用数值模拟对Lasso极大似然估计和Lasso极大Lq似然估计进行比较得到,在样本量较小时,Lasso极大Lq似然估计的表现优于Lasso极大似然估计。

半正态误差下线性模型的补偿Lq极大似然估计量的渐近性质

考虑半正态误差下线性回归模型yi=x^Tiβ+εi,利用正态分布N(0,λ2)密度函数作为补偿项,得到未知参数σ,λ,β的补偿Lq极大似然估计量,并讨论了估计量的相合性与渐近正态分布。这些结论推广了半正态误差下线性模型的极大似然估计量的相应结论。