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.     

变系数固定效应面板数据模型的估计

在面板数据下基于变系数固定效应模型,采用两步估计方法和截面核估计方法来估计模型中的变系数部分及固定效应。模拟结果表明,当样本数据较小且观测次数较多时,两步估计法的估计效率略高于截面核估计的;而当样本数据较大且观测次数较少时,截面核估计方法的估计效率比两步估计的略好。本文通过两组不同样本的模拟数据验证了两种估计方法的有效性,说明变系数固定效应模型是处理面板数据的有效工具。     

CAT能力估计方法的比较研究

该文通过用蒙特卡罗模拟法对几种能力估计方法进行比较研究,得出了CAT能力估计方法的较好设计方案.蒙特卡罗模拟结果表明,能力估计精度依赖于能力探查阶段和精确估计阶段的估计方法.     

基于指数模型的R=P(Y<X<Z)统计推断（英文）

文章讨论了接收器工作特性曲线(ROC)指标R=P(Y X Z)的统计推断问题,分别给出了R的不同点估计和区间估计,其中点估计包括最大似然估计和贝叶斯估计,区间估计包括正态近似区间估计、精确区间估计以及贝叶斯可信度置信区间估计。通过数值模拟,比较了上述估计方法的优劣,并且给出了选择不同估计方法的建议,数值模拟结果表明上述估计方法是可行的。     

基于指数模型的R = P(Y < X < Z)统计推断

文章讨论了接收器工作特性曲线（ROC）指标R = P(Y < X < Z)的统计推断问题，分别 给出了R的不同点估计和区间估计，其中点估计包括最大似然估计和贝叶斯估计，区间估计包括正 态近似区间估计、精确区间估计以及贝叶斯可信度置信区间估计。通过数值模拟，比较了上述估 计方法的优劣，并且给出了选择不同估计方法的建议，数值模拟结果表明上述估计方法是可行的。     

误差修正机制转换模型的贝叶斯估计

用贝叶斯估计法来估计误差修正机制转换模型的参数。通过先验分布的设定和贝叶斯定理,求出该模型参数的后验分布,接着使用基于Gibbs抽样的贝叶斯估计技术进行参数估计,最后对贝叶斯估计方法进行统计模拟,模拟结果表明:该方法可以稳健的估计该模型的参数。     

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.     

变系数固定效应面板数据模型的估计

在面板数据下基于变系数固定效应模型，采用两步估计方法和截面核估计方法来估计模型中的变系数部分及固定效应。模拟结果表明，当样本数据较小且观测次数较多时，两步估计法的估计效率略高于截面核估计的；而当样本数据较大且观测次数较少时，截面核估计方法的估计效率比两步估计的略好。本文通过两组不同样本的模拟数据验证了两种估计方法的有效性，说明变系数固定效应模型是处理面板数据的有效工具。     

稳健经验似然估计方法

在经验似然方法的基础上提出了一种稳健的经验似然估计方法,在约束条件的估计方程中使用权重函数以及有界得分来限制异常点的影响。通过数值模拟研究该方法的稳健性。模拟结果表明,相比普通的经验似然估计,提出的稳健经验似然方法在数据中存在异常值的情况下所得估计的均方误差更小。同时对于非正态的厚尾分布数据,提出的稳健经验似然估计也在均方误差意义下更优。     

逐步增加II型截尾下Pareto分布参数的区间估计

基于逐步增加的Ⅱ型截尾,讨论了Pareto分布形状参数和尺度参数的区间估计。得到了两参数的区间估计和联合区间估计。最后以估计区间的最短长度为标准,通过数值模拟得到参数的最优区间估计方法。     

估计随机变量母体均值的加权数据融合方法

提出了一种把多源信息综合处理的数据融合方法。该方法依据极大似然原理将来自不同母体(均值相同、方差不同)的随机样本有效融合，得到新的母体均值估计量。该估计量具有无偏性，并且比其它传统估计量更加有效。理论和实践证明，用该方法处理数据可提高检测精度。     

协变量缺失下基于诱导光滑方法的加权分位数回归

在部分协变量随机缺失机制下的分位数回归模型中, 提出回归参数的诱导光滑加权估计及其渐近协方差估计, 证明了诱导光滑加权估计和经验似然加权估计有相同的渐近协方差, 且诱导光滑加权估计的渐近协方差估计也是相合的, 并给出了诱导光滑加权估计及其渐近协方差估计的高效算法. 模拟结果表明, 新方法在有限样本下表现优良.     

线性指数模型参数的经验贝叶斯估计

根据经验贝叶斯原理,讨论了在平方损失函数下,线性指数模型参数的非参数经验贝叶斯(empirical贝叶斯,EB)估计问题.首先利用密度函数的核估计方法构造边际分布密度函数以及该分布密度函数的一阶导数;然后结合线性指数模型未知参数在相同损失函数之下的贝叶斯估计得到了未知参数的非参数经验贝叶斯估计.最后由C-R不等式以及Jensen不等式证明了所得到的经验贝叶斯估计的渐进最优性质,并获得了其收敛速度(n-(2r-1)/(2r 1)).     

GM估计的一个刻划及其应用

引出了参数统计模型下GM估计的一个性质，并进一步证明了该性质与GM性是等价的，从而得到了证明线性估计GM性的一种新的方法，最后由此等价性质讨论了一些线性估计的GM性．     

位置参数一尺度参数的稳健估计

针对矩法估计、极大似然估计存在不足,文章提出了利用样本中位数、样本中位数绝对离差作为总体中位数、中位数绝对离差估计量的思想方法,从而得到了位置参数、尺度参数的估计量.     

马尔可夫过程的低秩谱估计

针对马尔可夫过程的谱估计算法利用了非负投影而导致估计矩阵不能满足低秩要求的问题，提出一个低秩谱估计算法(Low-rank Spectral Estimation Algorithm, LRSEA):首先，建立秩约束状态转移矩阵集合的局部Lipschitz型误差界，并给出满足该集合误差界不等式的近似投影矩阵; 然后，基于近似投影矩阵对现有的谱估计算法进行低秩修正，得到LRSEA算法，并为该算法建立统计误差界。通过人工合成数据实验对LRSEA算法、经验估计方法和谱估计方法进行比较，结果表明LRSEA算法的估计误差最小。最后，将LRSEA算法与k-均值聚类算法结合应用到纽约市曼哈顿岛出租车轨迹的分析问题。     

纵向数据混合效应模型的一类新估计

提出一个核线性混合效应模型(KLME)估计量.该方法是结合核方法与线性混合效应模型方法得到的.此估计量能够达到很好的渐进有效性.     

LS估计的抗差性分析

依据LS估计的分解，对LS估计的抗差性进行了分析。通过观测数据协方差矩阵的改进，建立了一种抗差参数估计方法。     

求解Frenkel-Kontorova模型自适应问题的混合力平衡型原子/连续耦合方法

本文利用混合力平衡型原子/连续耦合方法求解Frenkel-Kontorova模型并考虑模型的自适应问题,给出了基于残量的后验误差估计子.基于这个估计子,本文建立了自适应算法对原子系统进行自适应区域的分解,确定了原子区域和连续区域的划分.数值实验验证了后验误差估计子和算法的可行性.     

Stein损失函数下的保费估计

利用信度理论研究在Stein损失函数下的保费估计问题,分析了贝叶斯估计、信度估计、多层贝叶斯估计3种估计,并计算3种保费估计,比较其结果发现在Stein损失函数下:当样本数n趋于无穷大时,信度保费会收敛到风险保费,且多层贝叶斯估计比贝叶斯估计的稳健性更强.