基于MCMC模拟的贝叶斯AR-GJR-GARCH模型及其应用

AR-GJR-GARCH模型是一种误差项为GJR-GARCH形式的自回归模型,该模型的贝叶斯推断很难得到其具体形式的条件后验密度。文章利用Metropolis-Hastings抽样方法对模型参数的条件后验分布进行MCMC模拟,然后运用模拟得到的样本对模型的参数进行贝叶斯估计。该方法解决了参数估计过程中的高维数值积分问题。模拟结果表明了该模型在中国股市波动性分析过程中的直观性和有效性。

基于MCMC粒子滤波的机器人定位

针对基于传统粒子滤波的机器人定位方法存在粒子退化的问题,提出了基于马尔科夫蒙特卡罗(MCMC)粒子滤波的机器人定位方法.将传统的粒子滤波算法与典型的MCMC方法——Metropolis Hastings(MH)抽样算法有机结合,并应用于机器人定位研究中.试验结果表明,MCMC方法可以有效抑制粒子退化问题.与基于传统粒子滤波的机器人定位方法相比,该方法降低了定位误差均值和定位误差最大值,取得了更高的定位精度,有效地解决了机器人定位这一非线性非高斯状态估计问题.

马尔科夫链蒙特卡罗方法研究综述

MCMC是当前广泛应用的统计计算方法,文章对MCMC方法的基本思想、基本方法进行了简单介绍,分析了该方法的应用难点,对该方法目前的主要应用领域进行了述评,最后介绍了该方法的实现软件。

截断删失数据下广义指数分布多变点模型的贝叶斯估计

利用筛选法对缺损数据进行了填充,得到了截断删失数据下广义指数分布的完全数据似然函数。利用Gibbs抽样与随机移动Metropolis算法相结合的MCMC方法对各参数进行了抽样。把Gibbs样本的均值作为各参数的估计.随机模拟的结果表明估计的精度较高。

简单半序约束下多个正态总体分布参数的Bayes估计与等值检验

运用Bayes方法讨论多个正态总体均值与标准差比在简单半序约束下的估计问题及如下等值检验问题:H0:μ1=…=μkv.s.H1:μ1≤…≤μk,μ1<μk,并用Gibbs抽样和Metropolis-Hastings方法给出了上述问题的数值模拟.

二重AR(1)模型的参数估计

二重AR(1)模型是普通AR(1)模型的非线性化,也可看作是RCAR(1)模型的进一步推广。由于二重AR(1)模型比较复杂,传统参数估计方法难以估计其参数,本文提出采用MCMC方法来估计其参数。

带未知异方差广义空间模型的有效估计

空间单元大小以及其他的经济特征上的差异,常常会导致空间异方差问题。本文给出了广义空间模型异方差问题的三种不同估计方法。第一种方法是将异方差形式参数化,来克服自由度的不足,使用ML估计进行实现。而针对异方差形式未知时,分别采用了基于2SLS的迭代GMM估计和更加直接的MCMC抽样方法加以解决,特别是MCMC方法表现得更加优美。蒙特卡洛模拟表明,给定异方差形式条件下,ML估计通过异方差参数化的方法依然可以获得较好的估计效果。而异方差形式未知的情况下,另外两种方法随着样本数的增大时也可以与ML的估计结果趋于一致。

IIRCT下泊松分布参数多变点模型的贝叶斯估计

通过添加缺损的寿命变量数据得到了带有不完全信息随机截尾试验下泊松分布参数多变点模型的完全数据似然函数,研究了变点位置参数和其它参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样,把Gibbs样本的均值作为各参数的贝叶斯估计,并且详细介绍了MCMC方法的实施步骤.最后进行了随机模拟试验,试验结果表明各参数贝叶斯估计的精度都较高.