双边定时截尾下Burr Ⅻ分布的参数估计

在双边定时截尾样本下,用最大似然法求Burr Ⅻ分布中未知参数的估计,证明了最大似然估计是唯一存在的.用EM算法得到了未知参数的迭代公式及渐近方差,相关引理说明迭代公式具有良好的收敛性.随机模拟结果表明未知参数的EM估计要优于最大似然估计,对于双边定时截尾样本来说,EM算法是一种较好的参数估计方法.     

Ⅰ型双删失样本下Lomax分布形状参数的估计

基于Ⅰ型双删失样本求Lomax分布中形状参数的极大似然估计,并不能得到参数的显式表达式,但是可以证明极大似然估计是唯一存在的.用EM算法得到了未知参数的迭代公式,通过相关引理证明了该算法具有良好的收敛性.通过一个例子分别计算出参数θ的极大似然估计和EM估计,并把它们进行了比较,验证了EM算法是Ⅰ型双删失样本下参数估计的一种有效方法.     

双边定时截尾下Pareto分布的参数估计

在双边定时截尾样本下,用极大似然法求Pareto分布中形状参数的估计,由于似然方程较复杂,无法得到参数的显式表达式,但是可以证明极大似然估计是唯一存在的. 由于EM算法是处理缺损数据的一种有效方法,因此利用该算法来求参数的估计问题.用EM算法得到了形状参数估计的迭代式,借助Louis遗失信息原则得到了估计的渐近方差,根据中心极限定理得到了形状参数的近似置信区间.随机模拟结果表明形状参数的EM估计收敛到其极大似然估计.实例给出了不同样本下参数的点估计和区间估计.     

基于EM算法约束条件下参数的估计

讨论了多元正态模型中的参数估计问题.利用EM算法和ECM算法给出了多元正态模型在协方差阵已知或未知的情况下,参数在简单序约束、伞型序约束和递增的凸序约束条件下的极大似然估计.当参数向量不多于三个分量时,给出了显式结果;当参数向量高于三个分量时,给出了求参数极大似然估计的相应线性变换.     

截断删失数据下线性指数分布的参数估计

研究了截断删失数据模型中线性指数分布的参数估计问题。分别利用极大似然估计法和EM算法对未知参数进行估计,并给出参数估计随机模拟检验,通过检验发现:极大似然估计得到的参数估计和EM算法得到的参数估计结果差不多,但是EM算法的收敛速度较快。     

指数几何混合模型参数的嵌套EM算法

本文介绍了由指数分布和一个截尾分布混合得到的指数几何混合分布模型,简记为EG模型。它的概率密度函数为 *。首先说明了用EM算法在M步中不能求得参数β和p的极大似然估计的显式解,需要用数值解法,然后通过嵌套一个EM算法在另一个EM算法中,外层EM算法是基于混合模型的缺失数据讨论,内层EM算法是针对截尾观测数据的,得到了参数的极大似然估计量。(注：*处代表公式)
     

逐步Ⅰ型区间删失下逆威布尔分布的参数估计

基于逐步Ⅰ型区间删失样本,通过求解似然方程并不能得到未知参数的极大似然估计.该文利用EM算法得到了参数估计的迭代公式,为了简化计算过程,得到了求参数估计的另一种方法.通过数值模拟可看到:参数估计值与真值非常接近,相对偏差较小,从而说明EM算法是可行的.     

基于逐步区间删失数据Rayleigh分布的参数估计

基于逐步I型区间删失样本,通过求解似然方程,并不能得到未知参数的极大似然估计,采用Newton-Raphson解法得到了极大似然估计的近似解。用EM算法得到了参数估计的迭代公式,通过数值模拟把这两种估计进行了比较,结果表明两者非常接近,EM算法对初值的选择比较灵活,因此更加方便。     

基于EM算法的随机动态系统建模

提出一种在噪声统计信息未知的情况下,对随机动态系统模型进行建模的方法.采用状态空间模型描述随机动态系统,模型的参数通过EM算法进行估计,通过改进该算法中的Kalman滤波,实现了对噪声协方差矩阵的估计.基于改进的Kalman滤波,EM算法可以用于噪声统计信息未知的动态系统建模.     

双边定时截尾样本下复合瑞利分布的参数估计

利用极大似然法和EM算法研究了双边定时截尾样本下复合瑞利分布参数的极大似然估计.给出了参数的极大似然估计的存在唯一性证明和参数的EM迭代公式,借助Louis算法得到了EM估计的近似区间,随机模拟结果表明极大似然估计与EM估计相比,估计值较接近真值.     

基于EM算法和Gibbs抽样的污染模型的参数估计

研究简单回归模型中响应变量受到另一随机变量序列污染时,模型参数和污染系数的估计,运用EM算法给出了两类污染数据回归模型的参数的极大似然估计(MLE),并用Gibbs抽样的方法给出了未知参数的Monte-Carlo估计.     

广义t分布的EM估计

在广义t分布的自由度参数未知时,自由度参数的最大似然估计不存在,而矩估计和最大似然估计不相合。通过建立广义t分布和正态混合分布之间的关系,能够在不完全数据框架下讨论自由度参数的最大似然估计。给出了广义t分布的Bayes分层表达,证明了参数的共轭先验和两类隐变量的数学期望。讨论并分析了广义t分布的EM类算法及估计的标准差的计算。通过Monte Carlo模拟,分析了广义t分布的参数估计问题。     

双边定时截尾下指数威布尔分布的参数估计

基于双边定时截尾样本,考察了指数威布尔分布的极大似然估计,由于无法得到似然方程的显式解的表达式,所以证明了解的唯一存在性.用EM算法可以处理不完全数据下参数的估计问题,得到了EM算法估计的迭代式.用R软件进行了随机模拟,结果表明当样本容量n较大时,采用极大似然估计较为准确,当样本容量n较小时,采用EM算法估计较为准确.     

混合瑞利分布的参数估计

混合瑞利分布是一类重要的统计模型,应用EM算法对混合瑞利分布的参数进行估计,得到了在完全数据下和截尾数据下参数的估计迭代公式,并通过数据模拟说明EM算法对参数估计的可行性.     

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.     

基于EM算法的无失效数据的参数估计

利用EM算法,在无失效数据样本下,对指数分布和Weibull分布的参数进行估计,得到了参数所满足的非线性方程或方程组.并利用EM算法的收敛性,保证用迭代的方法得到的非线性方程或方程组的近似解,正是收敛于参数真值的估计.最后对实际数据进行模拟计算,得到了合理的结果.     

EM算法的BFGS加速算法

EM 算法是一种求参数极大似然估计的迭代算法,在处理不完全数据中有重要应用.EM 算法实现简单,数值计算稳定,存储量小,具有良好的全局收敛性,但EM 算法收敛速度慢只是次线性的收敛速度,妨碍了EM 算法的应用.现已提出了多种加速EM 算法收敛的方法.本文是在EM算法的拟Newton加速算法的基础上,使用非线性规划中对称秩2校正公式(BFGS公式)给出了一种新的加速EM 算法收敛的方法.它是针对EM的M步的,在共享 EM算法单调增加似然函数值和稳定收敛的基础上提高EM算法的收敛速度.最后用数值试验结果验证了该加速算法的有效性和可行性.     

基于EM算法的Dirichlet分布的参数估计

为了克服Dirichlet分布的传统估计算法复杂且不能保证有效性的缺陷,将基于Dirichlet分布的随机表示引入缺失数据,构造了EM算法计算参数的极大似然估计,算法简单的同时保证了估计的有效性.最后进行统计模拟,结果表明,本文提出的基于EM算法的Dirichlet分布的参数估计有很好的估计精度.     

指数几何混合模型参数的嵌套EM算法

本文介绍了由指数分布和一个截尾分布混合得到的指数几何混合分布模型,简记为EG模型。它的概率密度函数为f（x;β,p）=β（1-p）e-2βx（2-pe-βx）（1-pe-βx）-2,通过直接积分得到该分布的矩为E（xr;β,p）=p-1（1-p）r!β-r[p-1L（p,r）-1]。首先说明了用EM算法在M步中不能求得参数β和p的极大似然估计的显式解,需要用数值解法,然后通过嵌套一个EM算法在另一个EM算法中,外层EM算法是基于混合模型的缺失数据讨论,内层EM算法是针对截尾观测数据的,得到了参数的极大似然估计量。     

指数几何混合模型参数的嵌套EM算法(英文)

本文介绍了由指数分布和一个截尾分布混合得到的指数几何混合分布模型,简记为EG模型。它的概率密度函数为f(x;β,p)=β(1-p)e-2βx(2-pe-βx)(1-pe-βx)-2,通过直接积分得到该分布的矩为E(xr;β,p)=p-1(1-p)r!β-r[p-1L(p,r)-1]。首先说明了用EM算法在M步中不能求得参数β和p的极大似然估计的显式解,需要用数值解法,然后通过嵌套一个EM算法在另一个EM算法中,外层EM算法是基于混合模型的缺失数据讨论,内层EM算法是针对截尾观测数据的,得到了参数的极大似然估计量。