排序集抽样下总体参数的修正似然比检验方法

基于排序集样本讨论了总体参数的修正似然比检验,并进一步比较了该检验与传统的似然比检验在参数空间上的功效,从假设检验的两类错误角度说明了基于排序集样本的修正似然比检验的优良性.     

排序集抽样下两样本相关参数的修正极大似然估计

排序集抽样是一种提高抽样效率的有效方法。然而,实际排序中不可避免会出现误差。这会对极大似然估计的结果造成一定的偏倚。文章基于排序集样本对传统的极大似然估计方程进行修正,讨论了修正的极大似然估计的性质,并进一步从渐进方差的角度说明了这一估计较传统方法更稳健。     

基于排序集挑选抽样的分位数符号检验

针对传统的符号统计量只能检验中位数的弊端，提出检验总体分位数的基于排序集挑选抽样的符号统计量。并通过分析挑选抽样与均衡抽样的Pinllan相对效率，具体给出不同分位数的最优抽样，弥补了排序集抽样在检验极端分位数上的不足。     

基于非均等排序集抽样的符号检验

为检验未知总体的中位数,提出基于非均等排序集抽样的符号检验.通过比较符号检验的Pitman效率,表明非均等排序集抽样效率高于排序集抽样和简单随机抽样. 考虑到非均等排序集样本独立但不同分布,提出与秩次有关的加权符号检验,具体给出使检验效率达到最大的权数,并证明出最优权数具有适应任意分布性. Pitman相对效率的计算结果表明,非均等排序集抽样下最优加权符号检验优于排序集抽样下最优加权符号检验. 最后,对阔叶松树的一组真实数据进行了实际应用.      

中位数排序抽样下参数的极大似然估计

将排序集抽样方法进行改进,提出了一种新的中位数排序抽样方法,基于这一抽样方法提出了样本参数的极大似然估计,并进一步与传统抽样方法下估计的结果作比较,从估计渐进效率的角度说明了该方法的优良性.     

非均等排序集抽样下位置参数的Mann-Whitney检验

针对两总体位置参数的检验问题,提出了基于非均等排序集抽样方法的Mann-Whitney检验统计量,证明了当原假设成立时其分布具有对称性且不依赖于总体分布,证明了新统计量的渐近正态性,计算出其数学期望和渐近方差,并确定出检验拒绝域.模拟检验功效的比较结果表明:新检验优于基于简单随机样本和均等排序集样本的相应检验.     

基于似然比的多步多重比较检验(英文)

似然比检验是假设检验中一个重要方法,不少最优检验都是似然比检验.文中对带有对照组的多重比较问题提出了一种新的逐步检验法,该检验法正是建立在似然比检验的基础上的.同原有的方法相比,它既能对带对照组的多重比较问题作出更详细的检验结果,推断出究竟哪些新的处理方法效果真正优于对照组的;而且这种逐步检验法只需要至多k-1次假设检验,而它的热却逼近需要2^k-1次检验的完全检验法的势.     

基于非均等排序集抽样的Wilcoxon符号秩检验

为了检验未知总体的对称点,建立了非均等排序集抽样下的Wilcoxon符号秩检验统计量,证明了在原假设下其分布具有对称性和适应任意分布性,证明了新检验统计量的渐近正态性,并给出新检验的Pitman效率因子.Pitman渐近相对效率的计算结果表明,新检验优于简单随机抽样下和均等排序集抽样下的符号秩检验.     

对数正态总体的参数检

应用似然比检验理论 ,研究了对数正态总体中未知参数 σ2的假设检验问题 .     

具有Rao简单结构的多元t-模型位置参数的似然比检验

在统计推断中,模型中未知参数的假设检验是一个重要的研究内容.本文利用似然比检验研究了具有Rao简单结构多元t-模型位置参数的假设检验,得到了检验统计量的零分布,用蒙特卡洛方法模拟了理论结果.     

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.     

基于贝叶斯网络的室内无线信号强度学习算法

考虑到接收信号强度（RSS）算法的定位结果有着其不确定性,提出了一种新的生成场强分布图的自动学习算法.在此算法中,在初始简易场强分布图的基础上,首先启动一个带有默认参数值的线性模型,然后自动学习各类在线RSS数据;在学习的过程中,基于现有的支持RSS测量的WLAN、Zigbee、UMB等无线网络,扩展了标准的最大期望（EM）算法,推算出场强分布图的一种最大似然（ML）估计算法并运用到自动学习中,就可以生成一较精确的场强分布图.模拟表明,无需任何校准数据,该方法可以提供较高的精度.     

基于均矢量相似性的机器学习样本集划分

提出一种基于均矢量相似性的机器学习样本集分割方法(MSSS),根据样本集中每个样本矢量与均矢量之间的余弦相似性,将样本划分成训练集和测试集.为评价MSSS方法性能,分别用随机分割法(RSS)和MSSS方法,按不同比例划分来自UCI的4个数据集,对产生的训练集一测试集进行Hotelling T~2检验;另外,采用得到的训练集对分类BP神经网络进行训练,以相应的测试集测试神经网络.研究结果表明:对用RSS划分4个数据集产生的训练集一测试集进行Hotelling T~2检验,发现均存在F值超出界值的现象,而MSSS均未出现;使用MSSS训练的神经网络所产生的训练-测试误差差异、准确率差异均比使用RSS训练的神经网络所产生的小,说明用MSSS划分产生的训练集与测试集的一致性比用RSS划分产生的好.     

基于概率积分变换与似然比的高维相关性检验

高维相关性的拟合优度检验是Copula尤其是高维Copula实践应用中遇到的复杂课题。为了解决这一难题,该文将Berkowitz在2001年提出的基于概率积分变换的似然比检验单变量分布的方法推广用来做多变量分布的拟合优度检验,特别是用来检验高维copula的拟合优度。通过Monte Carlo模拟对比实验,结果表明基于概率积分变换的似然比检验统计量对高维相关性的拟合优度具有很强的检测能力,同时对小样本数据同样有效。     

在多匹配病例-对照研究中优比的小样本研究

Ｍｅｈｔａ等多（１９８５）指出了建立在计数统计基础上的多匹配病全－对照研究中优化的精确检验的重要性。这里提出了两种新的基于估计和似然比的精确检验法,对这三种精确检验法进行了比较,并把它们与渐近检验作了比较,说明了在样本设计的双国检验中基于似然比的精确检验具有优越性。     

在多匹配病例—对照研究中优比的小样本研究(英文)

Ｍｅｈｔａ等人（１９８５）指出了建立在计数统计基础上的多匹配病例—对照研究中优比的精确检验的重要性．这里提出了两种新的基于估计和似然比的精确检验法,对这三种精确检验法进行了比较,并把它们与渐近检验作比较,说明了在小样本设计的双边检验中基于似然比的精确检验具有优越性．     

具有AR(2)误差非线性回归模型的联合检验

在讨论了具有AR(2)误差的非线性回归模型相关性和异方差性的联合检验的基础上, 首先导出了关于误差相关性和异方差性的似然比检验统计量和Score检验统计量, 然后根据参数正交变换, 得到了修正的似然比检验统计量和修正的Score检验统计量, 推广了文献［1］的结果。