多元正态模型的线性不等式约束估计

研究含有不完全数据的多元正态模型参数在一般线性不等式约束下的极大似然估计问题;利用约束EM算法求得多元正态模型参数的迭代解,并证明了此解是一般线性不等式约束下的最优解.     

正态模型参数线性不等式约束估计的优化算法

研究含有不完全数据的多元正态模型参数在一般线性不等式约束下的极大似然估计问题;利用约束EM算法求得多元正态模型参数的迭代解,同时提出M-步的优化算法;并证明了此解是一般线性不等式约束下的最优解.     

含缺失数据线性模型回归系数的约束EM算法

应用EM算法求含缺失数据的约束线性模型回归系数的极大似然估计,该回归系数满足线性不等式约束.我们提出M-步的优化算法,并针对正态模型讨论EM序列的收敛性,最后举例说明算法的应用.     

模型中协变量部分缺失情况下参数的极大似然估计

研究了Cox比例风险模型中协变量部分缺失参数的极大似然估计问题。在实际问题中特别是对生存分析的研究中,数据经常会出现删失、截断、缺失的情况。如何利用这部分不完整的数据信息和参数的约束信息对于实际问题来说是具有意义的。这样可以提高分析的精度,并节省试验费用。本文利用EM算法得到了数据部分缺失参数的极大似然估计。     

模型中协变量部分缺失情况下参数的极大似然估计

研究了Cox比例风险模型中协变量部分缺失参数的极大似然估计问题.在实际问题中特别是对生存分析的研究中,数据经常会出现删失、截断、缺失的情况.如何利用这部分不完整的数据信息和参数的约束信息对于实际问题来说是具有意义的.这样可以提高分析的精度,并节省试验费用.本文利用EM算法得到了数据部分缺失参数的极大似然估计.     

缺失数据的估计方法及应用

应用EM算法的思想在双参数逻辑斯蒂克模型下对存在缺失数据的参数估计方法和恢复缺失数据的统计插补方法进行研究.蒙特卡洛模拟和实证研究结果表明,在进行统计插补恢复缺失数据时,该方法使得估计结果比较理想:联合极大似然估计与EM算法相结合,先估计参数,再填补缺失值,再估计,再填补,直到似然函数值稳定.     

多个Marshall-Olkin Fréchet分布总体参数在序约束下的极大似然估计

研究了扩展型分布族Marshall-Olkin Fréchet分布的参数估计问题.运用迭代方法分情况讨论了当部分参数未知时参数的极大似然估计;利用MATLAB软件和喷气式飞机空调系统连续故障间隔时间的数据,进一步讨论了多个分布总体参数在序约束下的极大似然估计问题.     

线性模型回归参数极大似然估计的约束EM算法

提出了非线性不等式约束下线性模型回归系数渐进极大似然估计的EM算法,利用极大似然估计的渐近正态性质,将EM算法的M-步转化为随机优化问题,给出了该随机优化问题的极限问题,即利用更易求解的极限问题的最优解来代替原优化问题的最优解,并证明了原优化问题的最优解是依概率收敛于极限问题的最优解.     

恒定应力加速寿命试验数据缺失时的统计分析

试验数据缺失是加速寿命中经常遇到的情况，处理起来也较复杂，当产品寿命服从指数分布时，该文研究了恒定应力加速寿命试验中数据缺失时的统计分析方法，讨论了加速模型参数的极大似然估计（MLE）与线性估计（BLUE与ABLUE），证明了极大似然估计的存在性与唯一性，并对各种估计的优良性进行了模拟比较。     

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.     

Pitman准则下带有半序约束的最大似然估计的优良性

利用正态总体的性质, 证明了当二维正态总体的均值满足一个或两个线性不等式约束时, 其线性函数的最大似然估计在Pitman准则意义下优于无约 束时线性函数的最大似然估计.     

指示变量随机缺失下变系数模型的分位数回归

本文研究了删失数据以及删失指示量随机缺失情况下部分线性变系数模型的参数估计问题。对非参数部分采用B样条近似,对缺失的指示变量运用极大似然估计,结合分位数回归,得到了参数估计的渐近正态性质和非参数部分的收敛速度。蒙特卡洛模拟和实例分析表明,所提出的方法可以有效处理此类存在缺失的数据,获得有意义的结果。     

三个Gamma分布尺度参数的线性函数在无约束和树序约束下估计量的比较

讨论了三个Gamma分布总体的尺度参数的线性函数在树序约束下的估计问题.在均方误差标准下,给出了尺度参数的线性函数在树序约束下的极大似然估计(MLE)控制无约束条件下的无偏估计(UE)的充分条件.     

解线性不等式约束凸规划问题的势下降内点算法

提出了一种解线性不等式约束凸规划问题的势下降算法,并在一定的假设条件下,证明了该算法的收敛性,最后通过数值实验验证了该算法的有效性.     

EM算法理论及其应用

EM算法是一种迭代算法,主要用来计算后验分布的众数或极大似然估计,广泛地应用于缺损数据、截尾数据、成群数据、带有讨厌参数的数据等所谓的不完全数据的统计推断问题。在介绍EM算法的基础上,针对EM算法收敛速度慢的缺陷,具体讨论了加速EM算法：EMB算法和MEMB算法;针对EM算法计算的局限性,给出了EM算法的推广：GEM和MCEM算法。最后给出了EM的实值实例,结果精确。     

正态总体均值与标准差比在树序约束下的最大似然估计

考虑3个正态总体均值和方差都是未知参数及所取的3个正态总体样本数不等时, 均值和标准差的比在树序约束下的极大似然估计. 根据PAVA算法的思想, 给出了均值和标准差的比在树序约束下的极大似然估计的计算方法.