应用Stan软件包实现IRT模型的贝叶斯参数估计

Stan是一个新的用于估计指定统计模型的概率编程语言,它使用了强大而高效的汉密尔顿蒙特卡罗(Hamiltonian Monte Carlo,HMC)抽样算法,相比较传统的Gibbs抽样和Metropolis算法具有显著的效率提升.R软件包“rstan” 链接了R与Stan 2个软件,使得Stan可以借助R的计算环境运行.首先,该文通过3参数Logistic(3PL)模型代码介绍了Stan的程序语言; 其次,该文使用Stan计算2个评估模型-数据拟合的全新指标WAIC和LOO,为应用Stan进行IRT模型相关研究提供了有效的参考工具; 最后,该文还采用了2个真实数据分别考察了Stan在单维IRT模型和多维IRT模型参数估计中的运行表现.研究结果表明:采用一个新的贝叶斯统计软件Stan,通过2个实证研究验证了该方法的有效性与可行性,为国内学者应用Stan进行IRT模型相关研究提供了有效的参考资料.     

MCMC方法在估计二元随机波动率模型中的应用

金融数据的波动性一直是经济学研究的热点问题之一,随机波动率模型(SV)在波动率建模中有着重要的应用.马尔科夫链蒙特卡罗(MCMC)方法是估计参数的一种有效方法,给出估计一类二元SV模型参数的MCMC算法,并通过WinBUGS软件编程实现了该算法.文章最后给出了模型和程序的一个实际应用.     

缺失数据下等级反应模型参数MCMC估计

项目反应理论(IRT)是教育测量中的重要模型.在被试的项目反应存在缺失的情况下,曾莉等给出了0、1评分的IRT模型参数估计的2种MCMC算法.本文将这2种算法推广到等级反应模型(GRM),并将估计结果与传统的Multilog软件(将缺失统一替换为0)的估计结果进行比较.通过模拟研究,比较了在不同缺失机制、不同参数先验分布、不同被试人数和不同缺失比例下2种MCMC参数估计的结果,为实际应用中GRM的参数估计方法的选择提供参考.     

广义极值分布的参数估计及实例分析

对广义极值(GEV)分布的参数进行了ML、GML和BAYBETA估计.利用R统计软件,通过用Markov Chain Monte Carlo(MCMC)方法与Metroplis-Hastings算法产生服从参数后验分布的模拟样本,进而对GEV分布的参数进行估计,并对上述几种估计的偏差和均方误差进行了模拟.对澳大利亚南部的Pirie港海平面年最大海平面高度建立GEV模型,并对T年一遇的最高水位进行了估计.实例研究表明,用BAY BETA方法估计的最高水位稍高于用极大似然估计得到的结果.     

三元Logit模型回归参数的M-H算法

Markov链Monte Carlo(MCMC)方法是现代统计计算中最重要的算法之一,利用其中的随机游动Metropolis-Hastings(M-H)算法,给出了2n+2-参数三元Logit模型的参数估计问题,并给出了6个参数的模拟结果。     

纵向数据半参数混合效应的Logistic模型

为了深入探究Logistic模型的统计推断问题,联合半参数混合效应模型和Logistic模型建立了纵向数据半参数混合效应的Logistic模型,进一步求出该模型的极大似然函数、Fisher信息阵,利用QLB(quadratic lower-bound)算法求解参数的极大似然估计.最后进行数值模拟,结果表明在此模型的求解问题上QLB算法是Newton-Raphson算法的合理替代.     

基于金融随机波动模型的快速MCMC算法研究

为了更快更准确地使用MCMC算法估计SV模型的未知参数,结合现有的MMP算法以及有限正态混合近似算法,提出了一种快速的MCMC算法(FMCMC),通过随机模拟实验,验证表明FMCMC比其他的MCMC方法更优更快.最后选取我国沪深股市收益率数据进行了应用研究,发现了沪深300股市具有较强的波动持续性以及波动幅度较小等现象,也证实了FMCMC算法的有效性以及准确性.     

基于Griddy-Gibbs抽样的混合高斯AR-GJR-GARCH模型的贝叶斯估计

综合考虑波动率的尖峰厚尾性、杠杆效应等特点,作者提出了混合高斯AR-GJRGARCH模型,并用基于Griddy-Gibbs抽样的MCMC方法对模型的参数进行了贝叶斯估计,然后以新东方的股票数据为例用Matlab和R软件对模型进行了实现与检验.结果表明:模型对波动率的各种特性都有一定的体现,并且估计方法的收敛速度较快、自相关性弱、算法复杂度低、稳定性良好.     

基于MCMC算法的多元线性回归变点模型的贝叶斯估计

基于MCMC算法,研究了多元线性回归系数变点模型的贝叶斯估计问题.首先由所有参数的联合后验分布得到各参数的满条件后验分布,再利用Gibbs抽样和MH算法相结合的MCMC算法对满条件分布抽取样本,最后得到变点位置及其他参数的贝叶斯估计.随机模拟结果显示用该方法估计各参数的效果较好.     

有效粒子数MCMC粒子滤波算法研究

MCMC（ Markov chain Monte Carlo）粒子滤波算法改善了粒子滤波算法的估计性能,但同时也带来了过大的计算量,在研究MCMC粒子滤波算法的基础之上,对其进行改进,改进算法引入有效粒子数概念,适时抛弃退化粒子,动态调整粒子数,减少了运算量,提高了运行效率,仿真结果表明,该改进算法在不降低原算法估计性能的同时,有效地提高了MCMC粒子滤波算法的运行效率,并且随着粒子数目的增加,这种优势表现更加显著。     

认知诊断模型参数估计算法比较

该文在不同条件的组合下考查了EM算法和MCMC算法对3种常用的认知诊断模型(DINA模型、DINO模型和G-DINA模型)的参数估计返真性问题.借助项目参数或作答概率分布的偏差、均方根误差、平均绝对离差以及被试的平均属性判准率等指标,评价这2类算法的表现.模拟研究结果表明:MCMC算法更适用于低质量题目、小样本、测验短的条件,而在其他条件下EM算法的表现与MCMC算法的表现相当.     

具有Logistic回归结构的几何分布参数贝叶斯估计及应用

Logistic回归模型是一种广义线性模型,广泛应用于二分类数据的建模问题之中,经典的Logistic回归模型通常基于二项分布进行建模,在某些实际问题中,二项分布是不合适的.在平方损失函数下,研究了具有Logistic回归结构的几何分布参数的贝叶斯估计问题,选取正态分布作为参数的先验分布,运用MCMC方法在WinBUGS软件中进行gibbs抽样,得到参数的后验样本.数值模拟表明估计效果良好,最后将所提出的模型应用于米其林餐厅定级数据当中.     

基于逐步搜索EMS算法的M2PL模型潜变量选择

介绍了基于期望模型选择(EMS)算法的多维双参数Logistic(M2PL)模型的潜变量选择方法，并采用逐步搜索的方式对模型选择(MS)步的计算做出了改进.与传统的MS步相比，改进方法计算的子模型个数更少，能够有效提升计算效率.模拟比较显示，改进方法用时更短，且在潜变量选择和参数估计方面具有良好的表现.     

基于贝叶斯推断的脉冲星偏振位置角拟合算法

脉冲星辐射束的偏振位置角与相位的关系可用旋转矢量模型(RVM)描述,现有的Levenberg-Marquardt非线性拟合和格点搜寻算法对RVM的拟合存在效率低、易过拟合等问题。本文发展了一套基于贝叶斯推断的马尔可夫链蒙特卡洛算法(MCMC),并用该方法对已有文献中的10颗脉冲星偏振位置角进行了拟合。结果表明,MCMC算法不仅能得到与已有文献一致的结果,而且该算法具有高效、不易过拟合、能更好地估计参数的可信度区间等优点。     

逐步Ⅱ型混合截尾下Lomax分布多部件应力强度模型的可靠性分析

基于逐步Ⅱ型混合截尾样本,研究Lomax分布多部件应力强度模型的可靠性分析问题。假设应力和强度具有不同形状参数和共同尺度参数,利用极大似然理论及迭代方法获得可靠度函数的极大似然估计(MLE),并给出渐近置信区间;然后,运用贝叶斯理论,借助Tierney-Kadane(TK)近似方法、MCMC算法,讨论平方误差损失函数下未知参数及可靠度的贝叶斯估计,给出其最大后验密度可信区间(HPD);最后,利用Monte-Carlo模拟方法对估计结果进行对比分析。模拟结果显示：贝叶斯估计整体上优于极大似然估计,并且随样本量的增大,2种估计的均方误差(MSE)均逐渐减小,HPD可信区间的效果优于渐近置信区间。     

GARCH模型的分位点回归的MCMC方法（英文）

本文研究了GARCH模型和TGARCH模型的分位点回归的MCMC估计方法.通过将分位点回归估计问题转化为极大似然估计问题,并利用Metropolis-Hastings算法从模型参数的后验分布抽取随机数来完成GARCH类模型的分位点回归的Bayesian估计,本文得到了Value-at-Risk的动态估计.这一方法是对经典的Value-at-Risk计算方法的非常有效的推广.     

基于CSA和MCMC方法融合HMRF的脑部MRI自动分割研究

针对脑部磁共振(MR)图像分割问题,提出了一种基于克隆选择算法(CSA)和隐马尔可夫随机场(HMRF)的融合方法。首先,采用马尔可夫链蒙特卡尔(MCMC)算法对类标签进行估计,进行体素分类;然后,对分割结果进行偏场校正;最后,利用CSA的统计学进行HMRF模型参数估计,并利用迭代优化算法获得最终的分割结果。由于MCMC和CSA都是全局优化技术,所以HMRF-CSA算法能够克服传统HMRF方法的局部收敛以及较低分割精度的缺点。在仿真脑部MR图像集BrainWeb上的实验结果表明,对于主要脑部结构,本文算法的分割精度高于其他几种算法,且对图像伪影具有鲁棒性。     

基于克隆选择算法和马尔可夫链蒙特卡尔方法融合隐马尔可夫随机场的脑部核磁共振自动分割研究

针对脑部磁共振(MR)图像分割问题,提出了一种基于克隆选择算法(CSA)和隐马尔可夫随机场(HMRF)的融合方法。首先,采用马尔可夫链蒙特卡尔(MCMC)算法对类标签进行估计,进行体素分类;然后,对分割结果进行偏场校正;最后,利用CSA的统计学进行HMRF模型参数估计,并利用迭代优化算法获得最终的分割结果。由于MCMC和CSA都是全局优化技术,所以HMRF-CSA算法能够克服传统HMRF方法的局部收敛以及较低分割精度的缺点。在仿真脑部MR图像集BrainWeb上的实验结果表明,对于主要脑部结构,算法的分割精度高于其他几种算法;且对图像伪影具有鲁棒性。     

基于双姿态的高阶罗德里格斯参数姿态估计

针对高阶罗德里格斯参数构建姿态更新方程时存在模型奇异值以及基于四元数的姿态估计算法计算量大等问题,提出一种基于双姿态的高阶罗德里格斯参数姿态估计算法.当高阶罗德里格斯参数存在奇异时,切换到四元数姿态表示模型,避免高阶罗德里格斯参数的奇异值,之后再通过判断准则切换到高阶罗德里格参数姿态表示模型,以降低计算量.通过江试试验比较了提出算法和传统四元数无味估计器的估计精度和计算量,在计算精度基本相当的情况下,本文算法计算时间减小了26.27%.     

基于MCMC的线性调频信号最大似然参数估计

为实现合成孔径雷达对运动目标有效地成像,需要对运动目标的线性调频(chirp)回波信号的参数进行准确地估计。该文将马尔可夫链蒙特卡洛(MarkovchainMonteCarlo,MCMC)方法和均值似然估计相结合,利用离散调频图(chirpogram)作为起始点的选择方法,提出了一种实现单分量chirp信号最大似然参数估计的新方法。仿真和分析表明这种方法的参数估计性能可以在较低信噪比时达到CramerRao界(CRB)。该方法结构简单,计算量适中,可以联合估计各参数,无误差传递效应,估计性能良好。