不同先验信息下成功概率的Bayes估计

参数的Bayes估计取决于先验分布和损失函数。在平方损失下,参数的Bayes估计是后验分布的均值。在无信息先验、Jeffreys先验和平方损失下,给出两点分布成功概率的估计,比较了其无偏性、方差、均方误差与风险,并进行了数值仿真实验。结果表明:无信息先验分布下的估计优于Jeffreys先验分布下的估计,无信息先验分布下估计的均方误差小于Jeffreys先验分布下的估计的均方误差,无信息先验分布下估计的风险小于Jeffreys先验分布下的估计的风险。     

加权平衡损失函数下逆伽马分布的Bayes估计

在逆伽马分布尺度参数的先验分布为其共轭先验分布伽马分布Γ(a,b)时,给出了其在加权平衡损失函数下的Bayes估计、E-Bayes估计和多层Bayes估计.最后通过数值模拟,说明了此3种估计具有较高的稳健性和精确性,其中多层Bayes估计的稳健性最好,E-Bayes估计的精确性最好.     

多级评分的Bayes估计

对多级评分的测验题型,给出了其Bayes模型,把先验分布从无信息先验推广到了更一般的Dirichlet先验分布情形,求出了参数的Bayes估计,指出了其意义,并在不同样本条件下给出了先验分布超参数的估计.     

负二项分布可靠度的E-Bayes估计

对负二项分布,给出在熵损失函数下当可靠度的先验分布为Beta分布和幂分布时可靠度的Bayes估计、E-Bayes估计及多层Bayes估计,并针对先验分布为幂分布的情形设计了相应的数值实验.实验结果表明,相对于负二项分布可靠度的多层Bayes估计,其E-Bayes估计的计算更简单,且稳健性也更好.     

二项分布参数的经典估计与Bayes估计相等的关系

证明了二项分布中未知参数的经典估计(最大似然估计和矩估计),一定存在一个先验分布,使其贝叶斯估计就是该经典估计的结论.     

Q对称熵损失下几何分布的参数估计

研究几何分布的先验分布为幂分布时,在对称熵损失函数下给出了其可靠度的多层Bayes估计,并根据实际数据说明了该估计是稳健的。     

计算机化自适应测验中能力估计新方法

能力估计的极大似然估计方法(MLE)不能处理全0或全1的被试反应模式,若事先设置好能力估计的上下界,则会导致能力估计的有效范围缩小的后果; 而贝叶斯估计方法需要选择先验分布,先验分布的选择必须很慎重.在原有似然函数的基础上,构建2个新的项目,提出了改进的MLE方法(NMLE).NMLE既不需要能力先验分布,也不会缩小能力估计范围,而且可以处理各种反应模式.蒙特卡洛实验结果表明新方法表现良好.     

无失效数据的失效率估计分析

根据构造先验分布的方法(减函数法),在假定可靠度的先验分布为Beta分布和非完全Beta分布的情况下,分别给出在平方损失下其失效率的多层贝叶斯估计及熵损失函数下的E-Bayes估计.     

Linex损失下二项分布参数的Bayes估计

在Linex损失函数下讨论了二项分布参数的Bayes估计,当先验分布取Beta分布和幂分布时分别给出了参数的Bayes估计,多层Bayes估计,E-Bayes估计的精确形式,并证明了Bayes估计的可容许性.     

位置参数族的MLE与Bayes估计相等的关系

证明了位置参数族中位置参数的最大似然估计,一定存在一个先验分布,使其贝叶斯估计就是该最大似然估计的结论.     

无失效数据情形参数的综合估计

对指数分布的无失效数据,在引进失效信息后,在先验分布为Beta分布时,给出了失效率的多层Bayes估计和综合Bayes估计,并给出了无失效数据情形可靠度的综合估计。     

双边定数截尾下Topp-Leone分布的Bayes估计与预测

在双边定数截尾样本下得到了Topp-Leone分布中参数的极大似然估计.基于无信息先验分布和Gamma先验分布,在平方损失和预防损失下分别得到了参数的Bayes估计.根据后验密度函数得到了未知参数的Bayes可信区间和未来观测值的预测密度,进而可得预测值和预测区间.利用Monte-Carlo模拟计算了参数的各种估计的均方误差,研究结果表明:当取Gamma先验分布时,在平方损失下参数的Bayes估计是最优的.最后通过一个寿命数据的例子计算出未知参数的估计以及未来观测值的预测值和预测区间.     

熵损失函数下巴斯卡分布参数的Bayes估计

研究在熵损失函数下 ,巴斯卡分布可靠度的 Bayes估计及其可容许性 ,并且给出 Bayes置信下限以及多层 Bayes估计的表达式     

(a,b)类分布的统计性质

通过用Bayes方法对(a,b)类分布进行分析,研究相关方差与期望的关系,并给出a与b的矩估计和极大似然估计(MLE).在极大似然估计基础上,利用Lindley逼近引理,给出(a,b,0)类的Bayes估计,并运用MATLAB进行相关模拟.模拟结果表明,对于(a,b,0)类分布的估计,若样本数量较大,则选择Bayes估计更好;反之,选择矩估计更好.     

误差修正机制转换模型的贝叶斯估计

用贝叶斯估计法来估计误差修正机制转换模型的参数。通过先验分布的设定和贝叶斯定理,求出该模型参数的后验分布,接着使用基于Gibbs抽样的贝叶斯估计技术进行参数估计,最后对贝叶斯估计方法进行统计模拟,模拟结果表明:该方法可以稳健的估计该模型的参数。     

偏正态数据下半参数混合效应模型的贝叶斯估计

针对纵向数据服从非正态分布情况下混合效应模型的估计问题,提出偏正态分布半参数混合效应模型的贝 叶斯估计方法;假定个体测量误差服从偏正态分布,纵向指标与时间的关系采用 B 样条方法建模,在共轭先验下考 虑该模型的贝叶斯分析,基于 MH 算法与 Gibbs 抽样的混合算法获取未知参数、随机效应和非参数函数的贝叶斯估 计;数值模拟中,数据非正态分布条件下将偏正态方法得到的估计与传统半参数混合效应模型估计方法进行对比, 发现偏正态半参数混合效应模型在有限样本情况下表现更好,说明偏正态半参数混合效应模型与传统模型相比, 可以更好地拟合偏态数据,获得更加精准的参数估计;最后将该方法应用于 ADNI 数据中,研究了神经评分与基线 临床指标间的关系,得出了合理的结论,证明了方法的合理性。     

Pareto分布参数的Bayes估计

文章主要研究了Pareto分布的参数估计。在平方损失函数下给出了Pareto分布参数的Bayes估计,并且证明了这一估计是可容许的。在Q-对称熵损失函数下,讨论了Pareto分布参数的Bayes估计。