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.     

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.     

广义泊松计数模型及其统计推断

基于广义泊松分布的性质,提出了广义泊松计数模型,解决了泊松计数模型中对照组数据过度分散和过度集中的问题.在模型的统计推断中,通过引入缺失数据和构建替代函数,研究了使用EM算法、MM算法计算模型中参数极大似然估计的迭代收敛算法.进一步地,通过统计模拟展示迭代算法中参数估计的误差,对模拟结果进行讨论得到有效的信息.     

基于国债收益率曲线的从属过程参数估计（英文）

分别基于零息票债券的连续复利到期收益率(简称零息收益率)、零息票债券的半年复利平价收益率(简称平价收益率)和瞬时远期利率,对一类轨道随时间非减的Lévy过程――从属过程进行了参数估计和模型之间的比较.对于转移函数已知的从属过程,用极大似然估计得到了参数的估计.对于转移函数未知的从属过程,可以利用鞍点逼近的方法得到转移函数的近似表达式,从而利用极大似然函数进行参数估计.Gamma过程对三类收益率曲线的描述上优于稳定从属过程和泊松随机积分过程.相比较零息收益率和平价收益率,稳定从属过程和泊松随机积分过程在对瞬时远期利率的描述上要吻合一点.     

基于改进泊松-复合小波模型的复合地基全过程沉降预测

对复合地基全过程沉降预测模型与方法进行了研究. 分析了改进泊松模型的特点和适用性,提出了改进泊松-复合小波神经网络修正模型. 结合实际工程数据对CFG桩复合地基全过程沉降进行了分析和预测,并与改进的泊松模型进行了对比分析. 结果表明,提出的模型适用性强,具有更高的预测精度,其绝对误差在1 mm以内.     

泊松线性混合效应模型的参数估计

讨论了如何运用EM算法对泊松线性混合效应模型进行参数估计.首先利用马尔柯夫链蒙特卡罗方法对Q函数进行近似,然后利用Newton-Raphson算法求出Q函数的极大值点,从而求得了模型中未知参数的极大似然估计.以一组癫痫病人数据为例,说明该方法是简单可行的.     

基于估计方程的简单计数数据统计分析

当泊松分布和负二项分布无法满足简单计数数据分析要求时,建立一般的条件期望模型并提出基于估计方程的参数估计方法,推导参数估计的渐近性质,包括估计的相合性和渐近正态性。还通过数值模拟验证了这些估计在有限样本下的有效性。最后,将模型及估计方法应用于一组临床试验记录的计数数据的分析中。结果表明,模型分析结果具有统计学意义且与试验情况一致,具有医学应用价值。     

零一膨胀泊松回归模型的EM算法改进

首先提出了处理0和1数据偏多的零一膨胀泊松回归模型,其次对模型建立了参数的极大似然估计.针对传统的EM算法只能使得估计收敛到局部极大值这个缺陷,提出了一种随机EM算法对传统的EM算法进行修正,使得模型能够找到全局最优解.最后通过模拟研究说明该方法的有效性.     

EM算法在混合分布模型参数估计中的应用研究

运用EM算法对一种新的系统寿命分布——混合指数-泊松分布进行参数估计,并通过随机模拟,验证了EM算法在混合模型参数估计的收敛性和有效性.     

有噪语音的线性预测HMM参数估计方法

本文讨论了混有加性高斯白噪声的语音的线性预测隐Markov模型(HMM)参数估计问题.由Baum等人提出来的重估公式没有考虑噪声的影响,因此,对有噪语音的模型参数估计会产生较大的偏差.本文对该公式提出了一种修正方案,用这种方法估计出的模型参数有效地抑制了噪声的影响,较准确地反映了语音真实时变特征.实验证实了这一结论.     

移动环境下的路径分布模型

通过引入路径到达和路径持续两个随机过程,推导出移动环境下的路径分布函数,当最大路径数趋于无穷大时,路径服从包含平均路径到达率和路径平均持续时间两个参数的泊松分布,标准泊松模型与测量结果之间存在较大偏差,根据路径到达率与已接收路径数成反比,而路径持续时间与已接收路径数成正比,作者对泊松模型进行了修正,数值结果表明修正模型与实际测量结果一致性较好。     

Bootstrap在零膨胀泊松回归模型检验中的探索

根据零膨胀计数数据的特点,将Bootstrap统计技术运用到零膨胀泊松回归模型的置信区间计算及参数假设检验。通过计算机模拟,得到：第一,当样本量较小时,Bootstrap对参数估计进行假设检验的结果更为保守;第二,Bootstrap的学生氏置信区间优于零膨胀泊松回归模型的区间估计。     

整数值Z上的混合符号稀疏算子INAR(1)模型

利用混合符号稀疏算子建立整数值Z上的INAR(1)模型, 证明模型的严平稳性和遍历性, 讨论模型的转移概率、 条件期望和条件方差, 并用最大似然方法估计模型参数.     

整数值Z上的混合符号稀疏算子INAR(1)模型

利用混合符号稀疏算子建立整数值Z上的INAR(1)模型, 证明模型的严平稳性和遍历性, 讨论模型的转移概率、 条件期望和条件方差, 并用最大似然方法估计模型参数.     

基于扩样技术和地理加权泊松回归模型的交通量估计

提出了扩样和地理加权泊松回归(GWPR)相结合的方法来估计有限观测值下的路网流量。首先,采用基于空间相似性的扩样方法对不平衡的观测流量进行纠正;然后,考虑道路几何特征和建成环境等因素的影响,采用地理加权泊松模型估计车道的小时交通量。结果表明,与传统线性回归模型和原始样本下的地理加权泊松模型相比,组合模型具有最佳的估计性能。此外,自变量与交通量关系的局部空间异质性也得到了很好的捕捉。     

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.     

非线性回归模型线性化后的参数估计精度问题

根据LS估计理论,对非线性回归模型线性化后参数估计精度存在的问题进行了分析,通过变量变换对线性化模型随机误差的方差进行了修正,建立了新参数估计模型.新参数估计模型满足Gauss-Markov假定,保持了LS估计的优良性质.     

线性模型中的一种新的k-d类估计

提出了线性模型中考虑样本信息中关于参数的先验信息的一种新的两参数估计,并给出了在均方误差矩阵准则下这种新的两参数估计优于Liu估计和修正Liu估计.     

线性模型中的加权混合几乎无偏两参数估计

主要讨论了随机约束线性模型的有偏估计问题,提出了一种新的加权混合几乎无偏两参数估计.证明了加权混合几乎无偏两参数估计在二次偏差的准则下优于加权混合两参数估计,并给出了在均方误差矩阵准则下新估计优于其他相关估计的充要条件.     

泊松过程单变点模型的贝叶斯参数估计

利用泊松分布和二项分布的关系,通过引入潜在变量得到了泊松过程单变点模型比较简单的似然函数.得到了未知参数的满条件分布,对满条件分布进行了Gibbs抽样,基于Gibbs样本对参数进行估计.随机模拟试验的结果表明贝叶斯估计的精度较高.