带L1规划的广义线性模型中的一种系数估计法

介绍了L1规划广义线性模型(GLM)的一种系数估计法,估计系数的同时进行变量选择,从而确立模型.事实上,此算法用来选择变量更有用.L1规划法按照对系数一范数的惩罚来选择变量,是向前选择变量法的一种改进,运用凸优化的预测—修正法,GLM系数估计法可有效地算出系数,其中规划参数的步长对控制系数精确性至关重要,本文对三种步长选择法作了相应的比较和分析,接着给出算法的推广,最后总结算法并且对这种估计法的应用范围进行了展望.     

随机选择排序集抽样的应用

主要讨论随机选择的排序集抽样方法,在指数分布和对数分布进行均值估计的应用,并得出随机数v的选择的优化。     

局部聚类的鉴别:一种基于模型的Moran''''sI检验

传统意义上的Moran'sI只能检验出是否存在聚类,但不能检验出是否存在局部聚类.为了弥补这项不足,在对数线性模型的基础上作Moran'sI残差检验,记作Idr.在非齐性总体下,Idr比传统I有较好的第一类错误概率.然后,在原模型中加入空间关联项重做Idr检验.当原模型中Idr是显著的,但加入空间关联项后Idr不显著,表明仅存在局部聚类;当原模型中Idr是显著的,但加入空间关联项后Idr仍显著,表明存在全局聚类.     

高值空间聚类的精确检测

提出了一个数据调整的方法来弥补通常空间聚类检测的不足，从而能够对高值聚类进行精确检测。利用Matlab软件将该方法在模拟的空间类型中应用于Moran’I检测。结果表明，当有高值聚类趋势时，经该方法调整数据后利用Moran’I可以显著地检测出高值聚类的存在。     

高值与低值空间聚类的精确检测

提出了两个调整数据的新方法来弥补通常空间聚类检测的不足,从而能够对高值或低值聚类进行精确检测.两个方法被分别在模拟的空间类型中应用于Moran'I检测.结果表明,当不存在空间聚类时,该方法对原检测毫无影响;当有聚类趋势时,经该方法调整数据后,可以显著地检测出高值或低值聚类的存在.     

基于GRSS的均匀分布分位数的估计

主要讨论的是基于ni不固定的广义排序集样本的均匀分布分位数的估计,提出了包括GRSS最小方差无偏估计,简单估计和均衡排序集估计,计算了方差和相关系数,并相互进行了比较.     

局部聚类的鉴别：一种基于模型的Moran＇s I检验

传统意义上的Moran＇s I只能检验出是否存在聚类，但不能检验出是否存在局部聚类。为了弥补这项不足，在对数线性模型的基础上作Moran＇s I差检验，记作Idr o在非齐性总体下，L比传统侑较好的第一类错误概率。然后，在原模型中加入空间关联项重做Idr检验。当原模型中Idr是显著的，但加入空间关联项后厶不显著，表明仅存在局部聚类；当原模型中Idr是显著的，但加入空间关联项后厶仍显著，表明存在全局聚类。