指数分布冷贮备单元的串联系统产品的统计分析

考虑寿命服从指数分布的冷贮备单元串联而成的系统,给出了参数的矩估计、极大似然估计和逆矩估计,并通过大量Monte-Carlo模拟考察估计的精度,得到矩估计和极大似然估计优于逆矩估计.同时,还给出了参数的精确区间估计和近似区间估计,通过大量Monte-Carlo模拟考察了区间估计的精度,得到参数的精确区间估计优于近似区间估计.     

基于负数阶矩的正值Alpha稳定分布的参数估计

为了精确估计正值alpha稳定（PAS）分布的参数，基于负数阶矩理论，提出了比值估计、对数矩估计和迭代对数矩估计3种参数估计方法．比值估计直接利用特定阶次的负数阶矩的比值来估计未知参数，对数矩估计利用PAS分布的对数变换及其负数阶矩的Taylor展式从而获得解析的估计形式，迭代对数矩估计通过样本分段迭代估计未知参数．与传统的估计方法相比，所提出的3种估计方法可以获得更高的估计精度，并且对数矩估计具有较低的计算复杂度．MonteCarlo仿真实验表明，当独立运行次数为100、样本总数为5000时，比值估计的估计精度可以达到99．8％，对数矩估计的估计精度可以达到99．95％，迭代对数矩估计的估计精度可以达到99．94％．     

变系数模型的减小方差估计

提出了一种变系数模型的减小方差估计。在任意估计点,利用其附近3个点的局部线性估计的线性组合得到减小方差估计。所得估计与局部线性估计有相同的渐近条件偏差,但较局部线性估计有更小的渐近条件方差,而且该估计具有局部线性估计的良好性质,局部线性估计所采用的窗宽选取方法均可直接应用于该估计。通过数值模拟计算,表明所提出的方法在有限样本下也可以有效地降低估计方差。     

聚集数据线性模型参数聚集Liu估计的相对效率

 当线性模型中的变量间存在复共线性时,常用有偏估计代替无偏估计。其中广义岭估计是研究较多的一种有偏估计。很多实际问题只能观测到聚集数据。本文给出了聚集数据线性模型聚集Liu估计的定义,提出了聚集Liu估计相对于最小二乘估计的两种相对效率,并得到这两种相对效率的上界;给出了聚集Liu估计相对于Peter-Karsten估计的2种相对效率及其上界。本文提出的聚集Liu估计,既能保证估计参数的稳定性,又能保证估计参数的近似无偏性,从这个意义上说,该估计在某种程度上优于聚集广义岭估计。     

峰度与偏度系数的近似经验贝叶斯估计

建立了单样本数据的贝叶斯模型,给出了偏度系数和峰度系数的线性贝叶斯估计及近似信度估计.进而,将模型推广到多样本数据模型下,并讨论了近似信度估计的统计性质,比较了贝叶斯估计、线性贝叶斯估计及近似信度估计的均方误差.最后,给出了超参数的估计,得到了近似信度估计的经验贝叶斯估计,使该估计可直接运用于实际问题.     

线性回归模型的一类新约束型LIU估计

针对带线性约束型的回归模型复共线性问题,提出了一种新估计,称之为修正约束型LIU估计,给出了新估计的性质.在均方误差准则基础上证明了在一定条件下,修正约束型LIU估计优于最小二乘估计、岭估计、修正岭估计和约束型LIU估计,最后讨论了新估计的可容许性.     

基于指数模型的R = P(Y < X < Z)统计推断

文章讨论了接收器工作特性曲线（ROC）指标R = P(Y < X < Z)的统计推断问题，分别 给出了R的不同点估计和区间估计，其中点估计包括最大似然估计和贝叶斯估计，区间估计包括正 态近似区间估计、精确区间估计以及贝叶斯可信度置信区间估计。通过数值模拟，比较了上述估 计方法的优劣，并且给出了选择不同估计方法的建议，数值模拟结果表明上述估计方法是可行的。     

平衡损失下回归系数的最优估计

主要研究一般Gauss-Markov模型中回归系数的最优估计问题.在平衡损失下,考虑回归系数的线性估计在线性无偏估计类中的最小风险性,得到回归系数的最优线性无偏估计,并证明最优线性无偏估计在几乎处处意义下的唯一性.特别地,考虑了一类特殊的估计:b-线性估计;获得了回归系数的最优b-线性无偏估计,结果表明最优线性无偏估计也是回归系数的最优b-线性无偏估计.     

线性模型参数一类新的s-K估计

基于线性回归模型参数向量的先验信息提出一类新的s-K估计——改进s-K估计,并在均方误差阵意义下,得到了这类估计分别优于最小二乘估计、广义岭估计、Stein估计及s-K估计的充要条件.     

混合系数线性模型参数的一类有偏估计

在连续测量数据的情况下,针对模型的复共线性,本文给出了混合系数线性模型参数的一类有偏估计,称之为s-K-B估计。在一定条件下证明了这类估计分别优于岭估计,Stein估计,s-K估计以及最小二乘估计。     

线性模型参数一类新的s-K估计

基于线性回归模型参数向量的先验信息提出一类新的s-K估计--改进s-K估计, 并在均方误差阵意义下, 得到了这类估计分别优于最小二乘估计、 广义岭估计、 Stein估计及s-K估计的充要条件.     

平衡损失下回归系数的最小风险估计

研究了线性模型中回归系数的最小风险估计问题.在平衡损失函数下,考虑了回归系数线性估计在线性估计类中的最小风险性,结果表明最小风险估计是非线性有偏估计,它与未知参数有关,当用未知参数的不同估计代替时,得到的估计都是一种估计的平衡.     

混合系数线性模型参数的一类有偏估计

在连续测量数据的情况下,针对模型的复共线性,本文给出了混合系数线性模型参数的一类有偏估计,称之为s-K-B估计。在一定条件下证明了这类估计分别优于岭估计,Stein估计,s-K估计以及最小二乘估计。     

齐次等式约束线性回归模型回归系数条件岭估计的效率

研究齐次等式约束线性回归模型回归系数的狭义条件岭估计和广义条件岭估计的效率,证明狭义条件岭估计和广义条件岭估计的效率比最小二乘估计的效率高,并且广义岭估计比狭义岭估计的效率高．     

一阶广义随机系数自回归模型参数的最小渐近方差估计

研究广义随机系数自回归模型中参数的估计问题, 给出了未知参数的一个估计类, 证明了该估计类中估计的相合性和渐近正态性, 并且获得了该估计类中的最小渐近方差估计, 并通过数值模拟比较了估计类中各种估计方法的优劣.     

熵损失下失效率的E-Bayes估计及其性质

失效率的多层Bayes估计需要用到复杂的积分,计算比较困难。本文提出了一种新的估计方法——E-Bayes估计法。它是在Bayes估计的基础上,先给出超参数的先验分布,进而对失效率进行估计。文章分别给出了在特定超参数先验分布的条件下,失效率的E-Bayes估计和多层Bayes估计的计算公式。结果表明,失效率的E-Bayes估计避免了多层Bayes估计复杂的积分计算,形式上更加简洁,便于计算。并通过实例证明,对于同一组实验数据,失效率的E-Bayes估计和多层Bayes估计的数值计算结果十分接近。这说明,失效率的E-Bayes估计不仅具有多层Bayes估计的稳健性,而且具有多层Bayes估计的精确性,从而表明本文提出的失效率的E-Bayes估计法是可行的,且相比于失效率的多层Bayes估计更加简洁,更便于应用。     

正交频分复用分组传输系统中载波频偏和信道的联合估计

针对传统接收机将载波频偏和信道状态独立估计带来性能损失的缺点,提出了一种载波频偏和信道的联合估计算法.该算法由两个独立的载波频偏和信道估计单元通过迭代的方法实现,其中信道估计单元利用载波频偏估计单元提供的载波频偏估计信息和最大似然方法估计信道状态信息,而载波频偏估计单元则利用信道估计单元提供的信道估计信息和最大似然方法估计载波频偏.随着载波频偏估计单元与信道估计单元间估计信息的不断交换,载波频偏和信道估计的精度得到逐步提高.由于该算法避免了复杂的多维搜索算法,因此具有较低的计算复杂度.此外,在算法迭代过程中考虑了信道估计噪声的影响,进一步提高了估计的精度.仿真结果表明,当符号能量噪声比大于18dB时,可以获得接近理想同步的误码性能.     

线性回归模型中的KL型主成分估计

当线性回归模型中存在复共线性时,基于最小二乘估计的统计推断往往会受到影响。鉴于此,结合主成分估计和KL估计,提出了一类新的估计方法,即KL型主成分估计,以期克服复共线性问题。同时,得到新的估计在均方误差意义下优于最小二乘估计、主成分估计、r-k估计、r-d估计和KL估计的充要条件。并利用Monte Carlo模拟和实证分析对各估计量在均方误差准则下进行了比较。     

熵损失下失效率的E-Bayes估计及其性质

失效率的多层Bayes估计需要用到复杂的积分,计算比较困难.本文提出了一种新的估计方法——E-Bayes估计法.它是在Bayes估计的基础上,先给出超参数的先验分布,进而对失效率进行估计.文章分别给出了在特定超参数先验分布的条件下,失效率的E-Bayes估计和多层Bayes估计的计算公式.结果表明,失效率的E-Bayes估计避免了多层Bayes估计复杂的积分计算,形式上更加简洁,便于计算.并通过实例证明,对于同一组实验数据,失效率的E-Bayes估计和多层Bayes估计的数值计算结果十分接近.这说明,失效率的E-Bayes估计不仅具有多层Bayes估计的稳健性,而且具有多层Bayes估计的精确性,从而表明本文提出的失效率的E-Bayes估计法是可行的,且相比于失效率的多层Bayes估计更加简洁,更便于应用.     

广义岭型主成分估计的一些性质

讨论了广义岭型主成分估计的一些性质,引入一种估计的相对效率,证明了广义岭型主成分估计比岭型主成分估计和主成分估计的效率高,并且在Pitman准则下也优于岭型主成分估计和主成分估计.