RSS下Pareto分布中刻度参数的Fisher信息量

研究了排序集抽样(RSS)下Pareto分布中刻度参数的Fisher信息量.为了突出RSS的优越性,将这个Fisher信息量与简单随机抽样(SRS)下刻度参数的Fisher信息量进行数值比较.数值结果表明,RSS下刻度参数的Fisher信息量多于SRS下的Fisher信息量.     

基于循序-Ⅰ型删失数据的广义Pareto分布统计推断(英文)

研究了在循序-Ⅰ型删失数据情形下广义Pareto分布的统计推断问题,讨论了广义Pareto分布未知参数的最大似然估计(MLE).由于数据的缺失,采用EM方法来获得参数的MLE.基于遗失信息原则,给出了观测Fisher信息矩阵,进而给出未知参数的区间估计.通过数值模拟,讨论本文提出的方法.     

MERSS下Pareto分布刻度参数的估计

研究了动态极值排序集抽样(MERSS)下帕累托(Pareto)分布里刻度参数（a,c)的极大似然估计(MLE)和Fisher信息量.证明了MERSS下c参数MLE的存在性和唯一性,MERSS下c携带的Fisher信息量大于简单随机抽样(SRS)下携带的Fisher信息量.     

截断Pareto分布的Bayes分析

研究对于截断数据的Pareto分布的Bayes分析，在几种损失函数下，给出了未知参数的Bayes估计，并给出了一种新算法。     

基于截断数据三角级数回归估计

将截断数据回归模型转化成半参数回归模型，基于半参数回归模型，用三角级数法估计未知参数β及ｆ。对误差分布未作任何假定，在很一般的条件下，证明了估计量β及ｆｍ（ｔ）具有均方相合性及几乎处理处处收敛性，同时证明了β具有渐近正态性，估计的表达式较为简单，实用。     

线性失效率模型的参数估计

该文研究了在定数截尾样本下线性失效率模型中参数的点估计问题。用逆矩估计、最小二乘估计方法分别求未知参数λ     

左截断右删失数据下指数分布参数多变点的贝叶斯估计

主要利用MCMC方法研究了左截断右删失数据下指数分布多变点模型的参数估计问题.通过筛选法和逆变换法得到了指数分布的完全数据,在获得各参数的满条件分布后,利用MCMC方法得到了Gibbs样本,把Gibbs样本的均值作为各参数的估计.随机模拟的结果表明各参数估计的精度都较高.     

左截断右删失数据下尺度参数与协变量相关时广义指数分布的估计及应用

在左截断右删失数据类型下,当时间变量T服从广义指数分布时,针对尺度参数是否受协变量影响建立两种模型,并用极大似然估计法给出参数估计,用Newton-Raphson算法求解参数估计.将两种模型分别应用到变压器寿命数据集和Channing house数据集中,得到了其生存函数和风险函数.     

左截断右删失数据下线性模型的加权复合分位数估计及变量选择

在可靠性及生存分析等领域中经常出现左截断右删失数据,即指在某种设定下,样本值不能被完全观测到的数据.左截断右删失数据下线性回归的参数估计方法一般选用加权分位数估计,然而加权分位数估计只考虑了单个分位点的损失,在估计效率方面存在缺陷.为克服这一缺点,针对左截断右删失数据下线性模型的参数估计问题,提出了加权复合分位数估计方法.此外,为识别模型中的非零参数并进行变量选择,建立了基于自适应Lasso的惩罚加权复合分位数估计,并在一定假设条件下,证明了所提估计具有渐近正态性和Oracle性质.数值模拟和实例分析结果表明,本文提出的惩罚加权复合分位数估计具有良好的变量选择性质,并且加权复合分位数估计与加权分位数估计相比,具有更高的估计效率.     

Gamma部件参数λ和k的Bayes估计

讨论部件寿命服从Gamma分布,并在形状参数k和尺度参数λ都未知的情况下,分别给出参数k和λ在平方损失函数下的Bayes估计.得到参数k的先验分布为离散分布,λ的先验分布分别为指数Beta和Gamma分布下的Bayes估计公式.     

基于M估计的纵向数据线性混合模型CDM和MSOM的等价性证明

研究了关于纵向数据的线性混合模型,由Fisher得分迭代法获得数据的删除模型（CDM）和均值漂移模型（MSOM）中回归参数β的M估计（稳健估计）的等价性,并对基于两种模型得到的诊断统计量进行了葡萄糖数据的实例分析,说明了方法的有效性．     

半参数TBS模型的局部线性估计

研究了半参数多元回归模型E(Y|X)=μ(XTβ),其中X是维数为p的列向量,μ,β是未知参数.由于此模型不容易满足误差方差齐性和误差分布正态性,作者对该半参数回归模型两边同时应用含参数λ的Cox-Cox变换,使得变换后的回归模型满足误差方差齐性和误差分布正态性条件,然后应用局部线性技术及极大似然方法,通过两步迭代,对未知参数β,λ及未知函数μ(.)进行了估计.     

纵向数据半参数Possion回归模型

建立了半参数纵向数据的Possion回归模型,并利用极大似然估计对此模型的参数进行了估计,讨论了它的Fisher信息矩阵,给出了似然方程的Newton-Raphson迭代求解过程.     

左截断右删失数据下几何分布参数的点估计

证明了左截断右删失数据下几何分布参数极大似然估计的存在唯一性,给出了由EM算法得到的参数的迭代公式,进行了随机模拟试验,结果表明参数的MLE和EM估计的精度都较高.     

生物系统建模中参数估计的测量集选择——以信号转导通路模型研究为例(英文)

生物系统模型通常具有很高的维数,测量数据不完备、易受噪声污染,而且生物实验成本高,所以参数估计已经成为生物系统建模的挑战性问题之一.参数的精确估计取决于测量数据的数量和质量,因此,通过优化实验设计确定如何采集测量数据是非常重要的.针对动态系统的参数估计问题,尤其是生物反应系统,提出了一种确定富含信息的测量集选择方法,通过从设计的实验中获得测量数据,以最佳的统计质量估计系统的未知参数.该方法首先利用矩阵论的系统分析来确定估计参数所必需的测量状态的数目,再通过基于Fisher信息阵的优化实验设计决定每个测量状态的优先等级.最后,以信号转导通路模型为例,解释了该方法的优势和适用性.     

左截断右删失数据下分位数差的估计

首先, 利用核光滑方法研究左截断右删失数据下总体分位数差的估计, 得到了左截断右删失数据下分位数差的光滑估计及估计量的大样本性质. 其次, 在均方误差意义下, 证明了光滑分位数差估计比左截断右删失数据下乘积限分位函数的差有更高的估计效率. 最后数值模拟分析高斯核函数下选择不同窗宽对改善乘积限分位数差估计效率的影响.     

Fisher信息量和充分性σ-代数

充分统计量和Fisher信息量是数理统计中的两个基本概念,并且两者之间有着密切的联系.例如已经知道一个估计量T是参数θ的有效估计的充要条件为T是一个充分估计.撇开统计量的概念,可以考虑更一般的充分性σ-代数.这时可以看到Fisher信息量和充分性σ-代数之间的更密切的本质上的联系.     

左截断右删失数据下几何分布参数多变点的贝叶斯估计

首先通过添加数据得到了左截断右删失数据下几何分布的完全数据似然函数,然后研究了变点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,最后进行了随机模拟,试验结果表明各参数贝叶斯估计的精度都较高。     

左截断右删失数据下对数正态分布参数多变点的贝叶斯估计

通过添加数据得到左截断右删失数据下对数正态分布的完全数据似然函数,研究了变点位置和其它参数的满条件分布.再利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,进行随机模拟,试验结果表明各参数贝叶斯估计的精度都较高.     

Rabi和Ramsey原子光谱最优测量点的选取

利用量子Fisher信息，对二能级原子的Rabi光谱和Ramsey光谱，在量子投影测量下的最优测量条件进行了研究。结果表明，Rabi光谱的量子Fisher信息与Rabi频率2b密切相关，当光和原子作用时间越接近π/（2b），量子Fisher信息值越大，并且可依据量子Fisher信息值确定实验中所需的最佳测量位置。在相同Rabi频率的条件下，Ramsey光谱的量子Fisher信息大于Rabi光谱；且间歇时间越长，Ramsey光谱共振峰半高宽处的量子Fisher信息值越大，其失谐量可作为最佳测量位置。