完全极大似然估计与分步极大似然估计

得到了完全极大似然估计的一个重要性质和线形模型、指数分布、均匀分布的完全极大似然估计和分步极大似然估计，并与矩估计和极大似然估计进行比较，结果表明了完全极大似然估计和分步极大似然估计的优良性。     

具有均匀结构的多元t-分布的MLE

极大似然估计具有许多优良性质 ,笔者应用定义及运算技巧得到具有均匀结构的多元t-分布的极大似然估计     

极大似然估计的几种求法

极大似然估计是参数估计的一种常用方法.本文探讨了极大似然估计的三种求法,并举例说明了这些方法在解决实际问题中的应用.     

分步极大似然估计

定义了完全极大似然估计(TMLE)和分步极大似然估计，并得到了正态分布的有关的参数估计．     

参数极大似然估计的几点注记

极大似然估计具有很好的性质,在实际中有非常广泛的应用。本文着重探讨了在应用极大似然估计时所应注意的问题,并给出了相应的解决方法。     

矩阵正态分布参数的完全极大似然估计

得到了矩阵正态分布的均值和方差的完全极大似然估计,它们都是无偏估计,并且证明了它们是相互独立的。     

对极大似然估计中几个问题的探讨

探讨了当似然函数不可微时求极大似然估计的方法:定义法和比值法;以及在求极大似然估计过程中要注意的问题:似然方程的解不一定是极大似然估计,极大似然估计可能不惟一或不存在.     

有先验信息的多参数分布族的参数估计

定义了拟极大似然估计和偏拟极大似然估计,并证明了二者在一定的条件下是一致的,最后给出了两个例子说明这两种估计的一致性.     

两种统计框架下均匀分布参数估计的对比研究

在理论和模拟方面对均匀分布U (0,θ ) 参数θ 的Bayes 估计与极大似然估计进行对比研究. 首先将基于损失函数和共轭先验得到的Bayes 估计与极大似然估计在形式上进行对比,发现所得Bayes 估计不但在数值上略大于极大似然估计,而且还是参数的相应函数的极大似然估计;然后通过模拟研究两种估计方法对参数的返真性,结果表明所得的Bayes 估计的均方误差在大多数场合下都小于极大似然估计的均方误差.     

对称指数分布的参数估计及其优良性

研究了双参数对称指数分布的参数估计问题,给出了2个参数的极大似然估计.在样本容量为奇数的情形,证明了样本中位数作为双参数对称指数分布位置参数的极大似然估计,具有无偏性与强相合性;尺度参数的极大似然估计具有强相合性.在样本容量为偶数的情形,证明了2个参数的任一极大似然估计均具有强相合性.     

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.     

论信息熵和似然函数的极值关系

给出似然函数与熵函数的关系式，得出熵极大时，似然极小；似然极大时，熵极小的结论。     

拟似然函数法处理无失效数据

利用修正似然法思想,提出了引进失效信息后的极大似然估计法,具体给出了指数分布及Weibull分布场合参数的拟极大似然估计,且进行了实例计算.     

关于指数分布参数的两种估计

利用极大似然估计以及方向极大似然估计的概念,分别得到了双参数指数分布的参数的估计量,并证明了双参数指数分布中的两个参数满足双曲线型关系     

INGARCH模型拟极大似然估计的相合性

利用拟极大似然方法研究INGARCH模型参数的估计问题,证明了拟极大似然估计的强相合性.模拟结果表明,在样本数较大时,拟极大似然估计比最大似然估计效果更好.     

一类参数的极大似然估计

本文给出了一类参数的极大似然估计。     

基于似然深度的指数分布的参数估计

针对传统估计方法如极大似然估计对于服从指数分布且有污染的截尾数据的参数估计并不是很理想的问题,提出使用一种新的估计方法对其进行参数估计,即似然深度估计,并通过两组实验进行对比,结果显示利用似然深度估计方法得到的参数偏差和均方差较小,表明似然深度估计是一种估计服从指数分布且有污染的截尾数据参数的有效方法。     

定时截尾情形下指数分布参数的估计

本文给出了定时截尾情形下指数分布的参数极大似然估计,证明了极大似然估计的强相合性质以及进一步的渐近正态性质.其结果对于其它的总体分布的参数估计具有普遍的现实意义.     

均匀分布U(-θ,θ)参数的估计与优良性

研究均匀分布U(-θ,θ)的矩估计和与极大似然估计,并讨论两估计的优良性,证明矩估计和极大似然估计是强相合的,极大似然估计是UMVUE.     

家系数据紧密连锁位点的单体型频率估计

在对单体型进行重构或进行连锁不平衡分析时,往往首先要估计单体型频率.针对家系数据,提出了紧密连锁位点的单体型频率估计方法.利用子代信息减少亲代单体型的不确定性,构建家系数据的似然函数,把家系中的个体潜在的单体型看成缺失数据,采用EM迭代算法,给出了家系数据单体型频率的极大似然估计.其结果表明,家系数据紧密连锁位点的单体型频率估计可通过简单的递归迭代进行,后一步的单体型的频率估计即为前一步的加权单体型频率.