在LINEX损失下指数分布刻度参数EB估计的渐近最优性

在LINEX损失函数下,研究指数分布刻度参数的非参数的经验Bayes(EB)估计问题.在此损失函数下,找出参数的Bayes估计,利用抽到的样本,采用密度函数的核估计方法,构造总体X的边缘密度函数,得到参数的EB估计,指出这种EB估计是渐近最优的,它的收敛速度为0(n-γs(l-2)/(2s+1)l),并且这种EB估计方法可推广到多参数情形,举例说明它的应用.     

强混合样本下刻度指数分布族参数的经验贝叶斯估计和检验

本文研究强混合样本下刻度指数分布族参数的经验贝叶斯(EB)估计和检验问题,提出了2种EB估计和2种EB检验方法,在较一般的正则条件下,给出了在强混合样本下所提出的EB估计和EB检验的收敛速度,并模拟研究了EB方法的优劣性。     

NA样本下双边截断型分布族参数的EB估计

目的在NA样本下研究双边截断型分布族参数的经验Bayes(EB)估计。方法对密度函数采用核估计的方法构造了参数的EB估计。结果在加权平方损失函数下,获得了该估计的收敛速度。结论在适当的条件下,NA样本双边截断型分布族参数的EB估计的收敛速度任意接近O(n-1/2)。     

NA样本情形连续型线性指数分布参数的经验Bayes估计

对连续型线性指数分布在平方损失下导出了参数的Bayes估计,利用同分布负相协(NA)样本构造了经验Bayes(EB)估计量,并在适当的条件下获得(EB)估计的速度.     

在NA样本下一类双边截断型分布族参数的经验Bayes估计

在平方损失下,讨论一类双边截断型均匀分布族参数的经验贝叶斯(EB)估计的渐近性.按照贝叶斯(Bayes)方法,导出均匀分布族参数的 Bayes 估计,利用历史样本,采用概率密度函数的核估计方法,构造出边缘密度函数的估计,从而得到参数的EB估计,在一定的条件下,证明所得到的EB估计是渐近最优的,而且得到了其收敛速度,最后举例说明满足定理条件的参数的先验分布是存在的     

几何模型中参数的经验贝叶斯估计的渐近性

依据经验Bayes估计的思想方法,研究在平方损失函数下几何分布中参数的经验Bayes(EB)估计问题.研究过程为:在平方损失函数下求得参数的Bayes估计,在相同的损失函数下,利用频率逼近概率这一事实,构造参数的EB估计,最后证明所得到的EB估计是渐近最优的,收敛速度为o(n-(2s-1)/(2s+1)).     

NA样本情形下Gamma分布族参数的经验贝叶斯估计

现有文献中关于EB估计的结果大多是针对相互独立同分布的样本而考虑的,然而在可靠性理论,渗透理论和某些多元统计分析问题中,随机样本常常不是独立同分布的.本文讨论了Gamma分布族在平方损失下参数的贝叶斯估计,利用同分布负相协(NA)样本构造了经验Bayes(EB)估计量,在适当条件下证明了EB估计的渐近最优性,并获得了其收敛速度.     

两两NQD序列下Kumaraswamy分布的经验Bayes检验问题

研究了同分布两两NQD样本下Kumaraswamy分布的经验Bayes(EB)单侧检验问题.利用核估计构造了参数相应的经验Bayes(EB)单侧检验函数,在适当的条件下证明了所提出的EB检验函数是渐近最优的,并获得了EB检验函数的收敛速度.     

均匀分布族U(O,θ)参数的经验Bayes估计的收敛速度

自1955年H.Robins引进经验Bayes(EB)方法以来,这一领域的研究工作有了很大的进展.最近几年来,EB 估计的渐近最优((?).o)性和收敛速问题受到国内外统计学者的注意,并进行了大量研究工作.R.J.Fox 在[1]中提出了均匀分布族U(0,θ)参数的EB 估计,证明了它的(?).o 性,但并未讨论它的收敛速度问题.本文构造了上述分布族参数θ的一个EB 估计,并建立了它的收敛速度.     

NA样本下单边截断型分布族位置参数的经验Bayes估计

该文在充分运用同分布 N A样本密度函数的核估计方法的情况下 ,构造出了一类单边截断型分布族位置参数θ的经验 Bayce(EB)估计 ;由分析可知 ,在适当的条件下 ,证明了位置参数θ的 EB估计的收敛速度 O(n- q) ,其中 q =λα(δ -2 ) /(2α + 4)δ,α >0 ,1>λ >0 ,δ >2。     

Cobb-Douglas函数模型参数估计方法的研究

根据LS估计理论，对目前Cobb—Douglas函数模型参数估计方法存在的问题进行了分析．通过方差稳定化变换建立了新的参数估计模型，新模型基本满足Gauss—Markov假定，保持了LS估计的优良性质．     

高维协方差矩阵估计方法的比较

通过模拟比较门限估计方法和收缩估计方法之间的差异,得出2种方法在实际应用中的使用范围.由模拟结果可知,若有确切的证据表明总体协方差矩阵是稀疏矩阵,则采用门限估计方法,否则,采用稳健的收缩估计方法比较恰当.     

部分估计中的比率估计法与简单估计法的优劣分析

对总体的部分子总体的标志值均值及总量进行估计时，[1]中讨论了3种方法：简单估计法(SE)，部分估计法(PE)，比率估计法(RE)，并分别比较了SE与PE，PE与RE的优劣关系．本文则是在此基础上，比较了SE与RE的优劣关系，并得出在一定条件下，SE优于RE的很好结论．     

非线形模型方差的贝叶斯估计

 在均方误差的条件下,系统地研究了非线形模型方差的贝叶斯估计,提出了共轭和无先验信息的最佳贝叶斯估计和最佳无偏贝叶斯估计以及方差的最佳条件无偏贝叶斯估计.还提出了带有共轭和无先验信息的方差的极大后验估计,最后用一个简单的例子来说明上述结论的可行性.     

电动汽车锂离子电池荷电状态估算方法综述

电动汽车动力锂电池内部荷电状态估计是电池管理系统状态估计模块的核心,其无法通过仪器直接测量,仅能通过对电池外部电流、电压等参数进行测量并由此估计。准确的荷电状态估计对电池的寿命、容量和安全性管理至关重要。本文综述了用于电动汽车动力锂电池荷电状态估算的主要方法,根据算法差异将其分为传统的基于传感器测量的开路电压法、电流积分法和阻抗法,基于数据驱动的机器学习类算法以及基于模型的卡尔曼滤波器及粒子滤波器算法与融合类算法。深入介绍了不同估计算法的计算原理并由此分析比较了不同估计算法的计算复杂度、计算精度等特点。总结了现阶段锂离子电池荷电状态估算研究存在的问题,指出其研究趋势和未来发展方向将是更具泛化性和更高精度以及更佳实时性的多融合类估算方法。     

工程动态投资回收期的插值估算

将数学解高次方程的插值估算基本原理与工程经济分析的常用复制表相结合,提出了动态投资回收期的两种值估算法－－直接插值估算法与间接插值估算法,直接插值估算法是以净现值函数为依据,插值估算得出使净现值为零的时间,即动态投资回收期,间接插值估算法对将净现值函数变换为一种没有经济涵义的抽象函数,插值估算得出使该函数为零时的时间,即动态投资回收期。     

矩法估计的几点注记

矩法估计是一种常用的点估计方法,具有一定的优良性和广泛的实用性.在矩法估计的基本内容之外,明确提出矩法估计几个需要注意的问题.     

最大似然估计在一元线性回归中的应用

最大似然估计是参数估计的常用方法。应用最大似然估计方法估计一元线性回归方程中的未知参数,与用最小二乘估计得到相同的结果,说明此方法的适用性。     

Lp估计的无偏性

一般情形下 ,Lp估计是用等价权法来进行求解 ;作者试图用规划方法来求解 ,导出了解算的数学模型 ,并利用反对称估计 ,构造了用于解算的两个等价的规划模型 ,根据测量数据处理中 ,误差分布的对称假设 ,从理论上证明了Lp估计是无偏估计     

多元广义岭估计确定偏参数的两种准则

本文给出广义岭估计β（Ｋ）的偏参数Ｋ选择的Ｄ（Ｑ）准则和均方误差无偏估计的极小化准则,以及偏参数Ｋ的最优解公式．它使广义岭估计β（Ｋ）的均方误差（ＭＳＥ）明显小于 ＬＳ估计β的 ＭＳＥ．从而提高了广义岭估计的拟合精确度．最后给出一实例．