分布函数上尾端点估计量的渐近性质

给出了当极值指标小于0时,分布函数F(x)的上尾端点估计量,并证明了该估计量的强相合性和弱相合性,给出了其强收敛速度,证明了渐近正态性,进而获得了分布函数F(x)的上尾端点的渐近置信区间.     

半参数广义线性模型的正则估计量及其有效性

讨论了一类半参数广义线性回归模型参数的正则估计及其有效性问题.在研究模型半参数的矩估计及其渐近性的基础上,利用正交空间、矩估计的性质和正交计算方法,给出了广义线性模型中未知参数的有效估计量的表达式.提出了回归参数有效估计量的特征描述方法,并给出和证明了参数估计量是有效正则估计量的充分必要条件.通过实例进一步解释和验证了所给出的方法和条件的有效性.     

重尾指数估计量及其伪估计量的渐近关系

将重尾指数估计量的随机门限替换为非随机门限,得到了伪估计量,然后建立了原始估计量和伪估计量之间的渐近关系.     

一类分布之大分位数及尾端点之估计

x1,x2,……,xn为独立同分布序列，公共分布函数F(x)属于吸引场Gy(y∈R)之一．在一定的条件下，给出了F(X)的大分位数估计量及其渐近分布．当y＜0时，在二阶正规变化条件下给出F(x)的尾端点的估计量及其渐近分布．两种情形下均可得到对应参数的渐近置信区间．     

一类分布的尾端点估计量的收敛性

在极值分布指数γ〈0时，给出了边际分布函数F（z）的尾端点估计量，并研究了此估计量的相合性、强收敛速度与渐近分布．     

极值指数的分布式矩率估计量

基于分治算法和矩率估计量构造了分布式矩率估计量并证明其相合性和渐近正态性.     

一类Hill型估计量的收敛性

给出了极值指数为负时的一类新的Hill型估计量，并证明了它的相合性及渐近正态性．     

不同观测点重尾参数的估计

根据位置不变的Hill型估计量的渐近性质,提出了一个关于极端降雨不同观测点的位置不变的估计量c∧n(k0,k),并讨论了其弱相合性及其分布的渐近正态展开.     

一类正极值指标的截尾估计量

引入了一类位置不变的Hill型极值指数估计量，并证明了其弱相合性；在二阶正规变化条件下，得到了此类估计量的渐近正态性．     

重尾分布中二阶参数的渐近无偏估计

基于统计量T_(n,k)(K),先提出二阶参数的有偏估计量,再通过2个有偏估计量的线性组合构造了一类二阶参数的渐近无偏估计.在二阶正则条件下,研究了估计量的相合性;在三阶正则条件下,研究了估计量的渐近正态性.最后通过模拟,在特定条件下,将此无偏估计量ρn,k(K~(1,2),α,t*(ρ,β))与Goegebeur提出的估计量ρ_(n,k)(K~(1,2),α_1,α_2,l)的均值和方差进行模拟比较,结果表明,提出的无偏估计量表现更好.     

对地面植被群落中稀有植物的种类数的多重抽样估计

利用矩估计和一个稳健估计方法来处理植物学家在林地的地面植被群落调查数据.在假定已经发现一些稀有植物的情况下,通过统计推断得到那些未被发现的植被的种类数.     

回归函数改良核估计的收敛速度

回归函数的核估计在通常情况下需要核函数具有有界支撑 ,随机变量Y要求具有l阶矩 ,其中l>1。在核函数改进为包括无界支撑甚至不可积 ,并且去掉了对Y的矩的其它要求的情形下 ,讨论了回归函数改良核估计在完全样本及在删失样本情形下的收敛速度 ,得出了与原来情形同样的结论 ,推广和改进了文献 [1- 2 ]的相应结果     

Gompertz分布TFR模型简单步进应力加速寿命试验的统计分析

给出了Gompertz分布产品的简单步步加试验损伤失效率模型下参数的极大似然估计和拟矩估计，并通过模拟例子说明该方法是可行的．另外，还给出了参数的区间估计．     

复合瑞利分布模型参数的Bayes可靠性分析

在完全样本下导出了两参数复合瑞利分布参数的最大似然估计,利用构造枢轴量得到了形状参数和尺度参数的逆矩估计,通过Monte Carlo数值算例给出了相应的估计方法的应用.     

两参数指数分布步进应力加速寿命试验的统计分析

给出了两参数指数分布产品截尾样本场合下步进应力加速寿命试验损伤失效率模型下参数的极大似然估计和拟矩估计，并通过Monte—Carlo模拟说明方法的可行性．     

基于均值绝对离差的参数估计

针对矩法估计存在不足，文章提出了利用样本均值、样本均值绝对离差作为总体均值、均值绝对离差估计量的思想方法，从而得到了位置参数、尺度参数的估计量。本文最后通过在正态分布中随机抽取样本的方法对矩法估计与均值绝对离差估计的优劣性进行了比较。     

Stein损失函数下的保费估计

利用信度理论研究在Stein损失函数下的保费估计问题,分析了贝叶斯估计、信度估计、多层贝叶斯估计3种估计,并计算3种保费估计,比较其结果发现在Stein损失函数下:当样本数n趋于无穷大时,信度保费会收敛到风险保费,且多层贝叶斯估计比贝叶斯估计的稳健性更强.     

INGARCH(1,1)模型参数的矩估计和Bayes估计

利用矩方法和Bayes方法研究INGARCH(1,1)模型的参数估计问题, 证明了矩估计量的强相合性和渐近正态性. 模拟结果表明, 两种估计量都得到了较好的结果.     

ND序列下最近邻密度估计的强相合速度

在ND(negatively dependent)样本下研究最近邻密度估计的强相合速度,利用ND序列的指数不等式以及ND序列的性质,给出了最近邻密度估计强相合速度的充分条件。     

END样本下递归密度函数估计的相合性

同分布扩展负相依(extended negatively dependent, END)随机样本具有未知的概率密度函数。 在适当的条件下证明了一类递归密度函数核估计的强相合性和r-阶矩相合性。