左截断右删失数据下二项分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了左截断右删失数据下泊松分布的完全数据似然函数.给出了变点位置和其它参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样.详细介绍了MCMC方法的实施步骤.得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

左截断右删失数据下泊松分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到左截断右删失数据下泊松分布的完全数据似然函数.给出变点位置和其它参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行抽样,介绍MCMC方法的实施步骤.把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

IIRCT下泊松分布参数单变点的贝叶斯估计

首先通过添加数据得到了带有不完全信息随机截尾试验下泊松分布的完全数据似然函数,然后研究了变点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对参数进行了估计,最后进行了随机模拟,试验结果表明参数贝叶斯估计的精度较高.     

截断删失数据下泊松分布参数的点估计

利用EM算法和MCMC方法对截断删失数据下泊松分布寿命参数的点估计进行了研究.利用逆变换法和舍选法对缺损数据进行了填充,获得了产品的完全数据,得到了参数的EM迭代公式.对满条件分布进行了抽样,把Gibbs样本的算术平均值作为参数的MCMC估计.随机模拟的估计效果较好,估计值比较稳定,且精度较高.     

IIRCT下负二项分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了带有不完全信息随机截尾试验下负二项分布的完全数据似然函数.给出了变点位置和其他参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样.详细介绍了MCMC方法的实施步骤,得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

截断删失数据下瑞利分布多变点模型的贝叶斯估计

为研究截断删失数据下瑞利分布多变点模型的参数估计问题,利用MCMC方法,通过筛选法添加部分缺损的寿命变量数据,得到了相对简单的似然函数.在获得变点位置和其它参数的满条件分布后,利用Gibbs抽样和Metropolis-Hastings算法对各参数的满条件分布分别进行了抽样.按照MCMC方法的实施步骤,得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的估计.随机模拟的结果表明各参数估计的精度都较高.     

IIRCT下二项分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了IIRCT下二项分布的完全数据似然函数,给出了变点位置和其它参数的满条件分布。利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样。详细介绍了MCMC方法的实施步骤。得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计。随机模拟试验的结果表明各参数贝叶斯估计的精度都较高。     

左截断右删失数据下对数正态分布参数多变点的贝叶斯估计

通过添加数据得到左截断右删失数据下对数正态分布的完全数据似然函数,研究了变点位置和其它参数的满条件分布.再利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,进行随机模拟,试验结果表明各参数贝叶斯估计的精度都较高.     

IIRCT下几何分布参数多变点的贝叶斯估计

首先通过添加数据得到了带有不完全信息的随机截尾试验下几何分布的完全数据似然函数,然后研究了变点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,最后进行了随机模拟,试验结果表明各参数贝叶斯估计的精度都较高.     

IRCT下几何分布参数多变点的贝叶斯估计

首先通过添加数据得到了带有不完全信息的随机截尾试验下几何分布的完全数据似然函数,然后研究了变 点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到了参 数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,最后进行了随机模拟,试验结果表明各参数贝叶 斯估计的精度都较高.     

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.     

左截断右删失数据下几何分布参数多变点的贝叶斯估计

首先通过添加数据得到了左截断右删失数据下几何分布的完全数据似然函数,然后研究了变点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,最后进行了随机模拟,试验结果表明各参数贝叶斯估计的精度都较高。     

左截断右删失数据下伽玛分布参数多变点的贝叶斯估计

首先通过添加数据得到了左截断右删失数据下伽玛分布的完全数据似然函数,然后研究了变点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC(Markov Chain Monte Carlo)方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

左截断右删失数据下几何分布参数多变点的贝叶斯估计

首先通过添加数据得到了左截断右删失数据下几何分布的完全数据似然函数,然后研究了变点位置和其它参数的满条件分布,接着利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计,最后进行了随机模拟,试验结果表明各参数贝叶斯估计的精度都较高。
     

左截断右删失数据下指数分布参数多变点的贝叶斯估计

主要利用MCMC方法研究了左截断右删失数据下指数分布多变点模型的参数估计问题.通过筛选法和逆变换法得到了指数分布的完全数据,在获得各参数的满条件分布后,利用MCMC方法得到了Gibbs样本,把Gibbs样本的均值作为各参数的估计.随机模拟的结果表明各参数估计的精度都较高.     

缺失数据下Logistic回归多变点模型的贝叶斯估计

利用随机的方法填充了缺失数据,获得了Logistic回归多变点模型的完全数据似然函数.研究了变点位置等未知参数的满条件分布.利用筛选法和Metropolis-Hastings算法对参数进行抽样,把Gibbs样本的均值作为参数的贝叶斯估计.随机模拟的结果表明估计的精度较高.     

复合泊松分布参数估计的EM算法

复合泊松分布是非寿险精算中的重要理赔模型,利用正规的统计方法(如极大似然估计)估计模型的参数往往比较困难,而矩估计的精度在大样本下才能有令人满意的结果.本文应用EM算法研究了复合泊松分布的参数估计问题,给出了参数满足的方程,并给出了参数的矩估结果,对两种参数估计结果,通过计算机模拟,表明EM算法对参数的估计更为有效,且EM算法在小样本下就能得到较好的估计效果.     

贝叶斯框架下泊松分布参数倒数的估计

在给定的一组泊松样本下,研究了泊松分布参数倒数的贝叶斯估计问题,得到了它的贝叶斯估计的精确形式,并讨论了它的可容许性,最后给出了它的贝叶斯置信下限的表达式以及最大后验区间估计的精确形式.     

贝叶斯框架下泊松分布参数的估计

在给定的泊松样本X1,X2,...,Xn下,研究了泊松分布参数λ的贝叶斯估计问题.在p,q对称损失函数L(λ,δ)=(λ/δ)p+(δ/λ)q-2(p,q∈Z+)下,得到了参数λ的贝叶斯估计的精确形式并讨论了它的可容许性,最后研究了参数λ的最大后验区间估计.     

零膨胀泊松模型中风险参数的贝叶斯估计

该文建立了贝叶斯模型,讨论了零膨胀泊松分布中参数的估计问题.在平方损失函数、Linex损失函数和Stein损失函数下得到了风险参数的贝叶斯估计.进而,引进了信度理论,在平方损失函数下得到了风险参数的信度估计,证明了估计的相合性.最后,通过数值模拟的方法对估计的收敛性进行了比较.