伽玛分布环境因子的极大似然估计和Bayes估计

针对伽玛分布位置参数已知情形,给出了伽玛分布环境因子的极大似然估计,并给出了伽玛分布环境因子的Bayes估计.用Monte-Carlo法进行数值模拟,数值模拟结果表明伽玛分布环境因子的Bayes估计优于极大似然估计.     

正态分布参数函数的估计

讨论正态分布N(μ,σ2)的参数(μ,σ2)的函数θ=exp{aμ ba2}(a≥0,b≥0)的估计问题,给出了θ的最大似然估计及矩估计.在μ和σ2的先验分布独立时,在损失函数L(θ,a)=(θ-a)2和L(θ,a)=(θ-1×a-1)2下给出Bayes估计和最小最大估计.     

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.     

三阶Erlang分布参数的Bayes估计及检验

首先给出了三阶Erlang分布在定数截尾场合下参数的极大似然估计;其次给出了在“平均剩余寿命”下的三阶Erlang分布参数的拟矩估计;然后再利用共轭先验分布得到了参数的经验Bayes估计、区间估计和假设检验;最后通过模拟得到一组随机样本并给出了不同截尾样本下参数的点估计和区间估计。     

Γ部件冷贮备系统的可靠性分析

文中运用极大似然法、Bayes方法、经验Bayes方法,给出了Γ部件冷贮备系统失效率、可靠度函数与平均寿命的点估计,并利用Monte-Carlo方法,对3种估计结果进行了模拟比较,结果表明经验Bayes估计整体上优于Bayes估计和极大似然估计。     

INAR(1)模型参数的Bayes估计

利用Bayes方法研究INAR(1)模型的参数估计, 给出了模型参数的Bayes估计因子, 并通过数值模拟将Bayes估计与Yule Walker估计、 条件最小二乘估计、 条件极大似然估计进行比较. 结果表明, Bayes估计方法在一定情形下优于其他方法.     

艾拉姆咖分布均值比的Bayes估计及检验

给出艾拉姆咖分布在定数截尾场合下均值比k的极大似然估计;由"平均剩余寿命"的概念得到k的拟矩估计;取共轭先验分布给出k的经验Bayes估计、区间估计及假设检验;通过实例给出不同截尾样本下k的点估计和区间估计.     

瑞利分布全样本下的统计分析

针对瑞利分布,在全样本场合下给出了参数的矩估计、极大似然估计和区间估计。与此同时还通过大量Monte-Carlo模拟分别考察了参数的点估计和区间估计的精度,从中可以看到参数的极大似然估计的精度比矩估计的好些。     

不同损失下k阶Erlang分布参数的Bayes估计

研究了k阶Erlang分布参数的Bayes估计问题.给出了该分布参数的极大似然估计,分别在平方损失、二次损失、Linex损失、熵损失、对称熵损失和平衡损失函数下给出了参数的Bayes估计的表达式,并运用随机模拟方法对各个估计进行了比较.     

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.     

定数截尾数据缺失场合下Weibull分布的Bayes统计分析

当寿命分布为Weibull分布时,本文给出了定数截尾数据缺失场合下各种参数的Bayes估计,并且给出了它们与极大似然估计的模拟比较.     

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.     

基于下记录值样本的双参数指数威布尔模型的Bayes估计

针对下记录值样本,研究了双参数指数威布尔模型的参数估计问题.首先给出了参数的极大似然估计,随后在参数的共轭先验分布为伽玛先验分布、损失函数为平方误差损失和Linex损失函数情形下,应用Lindley,近似法导出了双参数指数威布尔模型参数的Bayes估计,最后利用R软件进行数值模拟,并对两种参数估计进行比较,发现在合适的先验分布条件下Bayes估计值更加接近参数真实值.因此,在适当的先验分布下Bayes估计较传统的极大似然估计好.     

元分析中三种统计异质性估计方法的比较

元分析中异质性的大小对模型选择和调节分析有着重要的参考价值,只有统计性质好的估计方法才能保证效应量的估计精度.通常有3种方法或途径可以计算异质性的大小,即矩估计、极大似然估计(ML)和限制性极大似然估计(REML).通过模拟研究发现,当研究数量超过40时,3种估计方法的均方误趋于一致;但在低于40的处理条件中,多数限制性极大似然估计的均方误介于矩估计和极大似然估计两者之间,更接近于统计量C-R下限值,故推荐限制性极大似然估计作为异质性的首要估计方法.     

熵损失下的Pasreto分布参数的Bayes估计

讨论了在熵损失下Pareto分布的参数的Bayes估计及多层Bayes估计,给出了参数的置信下限和容许性估计的一般形式,最后证明了极大似然估计是不容许的.     

Pareto分布中形状参数的估计

本文研究了Pareto分布中形状参数的估计问题.采用极大似然估计及其渐近正态性、轮廓似然估计和矩估计的方法对形状参数估计,通过生成Pareto分布随机数的方法进行数值模拟,比较渐近正态性和轮廓似然估计得到的区间长度以及极大似然估计和矩估计得到的估计值,给出各估计的优缺点.     

基于记录值的GE分布参数的Bayes和经验Bayes估计

针对来自广义指数(GE)分布的记录值样本,研究了广义指数分布的参数的估计问题.首先给出了参数的最大似然估计;在参数的共轭先验分布为贝塔先验分布,损失函数为平方误差损失和LINEX损失函数情形下,导出了广义指数分布参数的Bayes和经验Bayes估计.最后进行了Monte Carlo数值模拟,对本文提出的几种参数估计进行比较,发现在合适的先验分布条件下Bayes和经验Bayes估计值更加接近参数真实值,因此在适当的先验分布下Bayes估计和经验Bayes 估计较传统的最大似然估计好.     

不同先验分布下三阶Erlang分布参数的Bayes估计

在定数截尾场合下,分别取共轭先验,Jeffreys先验和无信息先验,给出了三阶Erlang分布参数的Bayes点估计和区间估计,用极大似然法得到超参数的估计,通过随机模拟得到参数估计的均值和均方误差.最后通过模拟得到该分布的一组随机样本并给出不同截尾样本下的参数的3种点估计和区间估计.     

再谈一种新的偏态分布下心理状态数的估计

心理状态数是反映人们日常生产活动中心理状态对他们的行为和结果影响的重要指标.董云河和宋述龙最早假定心理状态对结果影响的偏态分布为N(0,σ2,c).随后,宋立新给出一种新的偏态分布.该文指出了这种新偏态分布的局限性,并在此基础上提出一种更广泛的偏态分布,并得到了其矩估计和极大似然估计.通过统计模拟研究,比较已得到的2种估计与已有估计的偏差与均方误差,得出了极大似然估计具有较强的稳健性的结论.     

基于区间数据的非参数Bayes估计

基于Dirichlet过程为先验分布,给出区间数据下总体分布非参数Bayes估计的表达式;通过对常用分布的随机模拟,阐述几类先验分布对估计效果的影响;最后,与参数极大似然法比较,证明所构造的方法具有相近的估计效果.