纵向数据下基于复合分位数回归的经验似然推断

利用复合分位数回归（CQR）研究了纵向数据下回归系数的经验似然（EL）推断。将数据组内相关性纳入估计方程中,得到了参数更加有效和稳健的估计,无需预先估计渐近方差,从理论上证明了所得复合分位数经验似然估计（CQREL）的渐近性质,且提出的经验对数似然比服从渐近卡方分布,从而构造了兴趣参数的置信域。通过数值模拟验证了所得方法有很好的有限样本性质。     

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.     

非线性回归模型误差方差的经验似然估计

应用经验似然方法得到了非线性回归模型误差方差的经验似然估计,并证明了估计量的渐近正态性.通过数据模拟发现,经验似然方法得到的渐近方差比传统残差平方和方法得到的估计更小.     

含MA误差的线性模型的经验似然推断

采用拟极大似然估计方法获得含MA误差的线性模型估计方程。为了能够使用经验似然方法,先利用鞅差序列将估计方程中的二次型转化为线性形式;再构造关于模型参数的经验似然比统计量,在一定假设条件下证明该统计量渐近服从卡方分布;模拟结果表明,在参数置信域的覆盖率方面,经验似然方法比参数似然方法更接近置信水平。     

右删失数据下带辅助信息的部分线性分位数回归模型经验似然推断

利用经验似然结合辅助信息的方法来改进右删失数据下部分线性分位数回归模型的参数估计,通过数值模拟在不同的右删失数据和不同的未知非参数函数下,比较了传统部分线性分位数回归方法和带辅助信息的部分线性分位数回归方法的估计结果的均方误差,进而证明了利用经验似然方法结合辅助信息的部分线性分位数回归方法更有效.     

双边截尾场合下BS疲劳寿命分布的参数估计

在双边定数截尾场合下,给出了Ｂｉｒｎｂａｕｍ －Ｓａｕｎｄｅｒｓ疲劳寿命分布的统计分析,给出了参数的拟最小二乘估计和近似极大似然估计,并用随机模拟方法比较极大似然估计、近似极大似然估计和拟最小二乘估计的偏性和均方误差．     

纵向数据下广义经验似然方法的有效稳健估计

基于广义经验似然估计方法,提出了一种有效且稳健的估计,实现对纵向数据在线性模型下均值和协方差矩阵的联合估计。利用Cholysky分解将模型重参数化,利用拉格朗日乘子法求出估计值,再还原出均值和协方差矩阵的估计。在模拟研究中将所提方法同文献中其他稳健估计进行比较,结果显示所提方法效率更高。最后将所提方法用于分析CD4细胞数据,交叉验证结果显示所提方法更加可靠。     

均匀分布参数的矩估计与最大似然估计

讨论了均匀分布族 {R(0 ,θ) ,θ >0 }中参数θ的矩估计与最大似然估计的均方误差和相合性 ,结果表明修正后的最大似然估计的均方误差优于其它估计。     

Poisson回归模型的几乎无偏Liu估计

针对Poisson回归模型中解释变量存在复共线性问题,结合几乎无偏的思想提出了参数的几乎无偏Liu估计,在均方误差准则下,分别与极大似然估计、Liu估计进行比较,并给出了优于两个估计的充分条件,最后通过蒙特卡罗模拟方法验证了其优良性.     

含内生协变量的泊松回归模型的经验似然推断

在模型的协变量为内生性协变量的情况下,考虑泊松回归模型的经验似然统计推断问题。通过结合一些辅助变量信息作为工具变量,提出一个基于工具变量的经验似然统计推断过程。数据模拟表明构造的经验对数似然比函数渐近服从标准卡方分布,进而给出了回归系数的置信域。并且模拟结果表明所提出的统计推断方法可以有效地消除协变量的内生性对估计精度的影响。     

在ARFIMA模型中使用小波的另一种极大似然估计

用小波变换方法提出ARFIMA(p,d,q)模型中分形差分参数d的另一种极大似然估计(MLE).这种极大似然估计被证明是相合的和渐近正态的.仿真结果显示这种极大似然估计偏差较小,并且与Tse的估计值相比较有更小的根均方误差(RMSE),该方法估计长记忆时间序列是有效的.     

基于记录值的几何分布模型的Bayes可靠性分析

针对来自几何分布的记录值样本,研究可靠度参数的Bayes估计问题.首先给出可靠度的最大似然估计和最小方差无偏估计;在可靠度参数的先验分布为贝塔分布、损失函数为平方误差损失和一类新的加权平方损失函数下,导出了可靠度的Bayes估计;最后通过Monte Carlo数值模拟例子说明论文给出估计的有效性.     

多元线性模型回归参数的一种广义估计

采用广义估计 β (K)估计多元线性模型中回归参数 β ,通过K值的选取 ,可使 β (K)的均方误差小于最小二乘估计 β 的均方误差 ,且在一定条件下 ,β (K)为 β的可容许估计 ;还讨论了 β (K)的均方残差的性质 .     

鲁棒的基于几何均值分解的矢量预编码算法

针对非理想信道的多输入多输出（MIMO）系统,提出了一种鲁棒的基于几何均值分解方法的矢量预编码算法.利用非理想信道误差矩阵的二阶统计信息,以最小化收发信号的均方误差为准则,求出基于几何均值分解矢量预编码的最优扰动矢量和预编码矩阵.仿真结果表明,该鲁棒算法优于现有的基于几何均值分解矢量预编码算法性能.在高信噪比时,误码率可提高2dB以上.     

新权值的权估计及其方差分析

运用Zhang处理方差的技巧来研究均值的估计问题,对加权平均的均值,尤其是解决测量样本量不同的样本问题,提出了一个新的具有无偏性的估计,并且通过模拟说明,在多数情况下,特别是当样本量很大时,这个新的估计具有较小的偏差和均方误差.然后,针对这个均值估计的方差,又给出了一个合适的估计,而且说明其稳健性.最后将此估计与bootstrap方法所得到的结果进行比较.     

基于最小均方误差估计的RFID室内定位算法

近年来基于射频识别（RFID）的室内定位技术得到了大量的关注及广泛的应用.由于无法利用目标标签的先验信息,现有的基于极大似然估计的室内定位算法性能存在进一步提高的可能.文中提出使用标签位置分布统计特性作为先验信息来提高定位精度,将基于到达时间（TOA）的二步加权最小二乘法从极大似然估计扩展到最小均方误差估计,并推导了基于最小均方误差估计的TOA定位方法的克拉美罗下界（CRLB）和理论方差.理论分析和仿真结果都表明该算法优于极大似然估计定位算法.     

非齐次等式约束下奇异型线性回归模型的广义条件岭估计

文章对线性回归模型参数有偏估计做进一步研究,提出了在非齐次等式约束下奇异型线性回归模型参数的广义条件岭估计,并给出它的一些性质,而且证明了在一定条件下,在均方误差阵和广义均方误差意义下,广义条件岭估计都优于约束最小二乘估计.最后,通过实际数据进行实证分析,得到了取不同岭参数矩阵时对应的广义条件岭估计及其MSE,验证了广义条件岭估计优于约束最小二乘估计的充分条件的正确性.     

三个Gamma分布尺度参数的线性函数在无约束和树序约束下估计量的比较

讨论了三个Gamma分布总体的尺度参数的线性函数在树序约束下的估计问题.在均方误差标准下,给出了尺度参数的线性函数在树序约束下的极大似然估计(MLE)控制无约束条件下的无偏估计(UE)的充分条件.