基于参数的贝叶斯先验选择方法

在一个参数的可选先验分布类中选择一个合理先验的问题，类似于从参数空间中估计一个恰当参数的问题．基于这一观点，利用贝叶斯分析的后验分布理论，先求出参数的后验分布，再根据后验分布中各个先验的相对似然选取似然最大的先验为合理先验，从而建立了一个基于参数的后验分布的先验选择方法，它是ML-Ⅱ先验的一个拓广．     

贝叶斯分析中先验分布优选的方法

在一个参数的可选先验分布类中选择一个最优先验密度的问题,类似于从参数空间中估计一个恰当参数的问题,或类比为从决策类中选择出最优决策的问题.从这一角度出发,就可以借助统计学中已有方法,建立一套关于先验分布选取的合理方法,同时能估计其精度.     

贝叶斯分析中先验分布优选的方法

在一个参数的可选先验分布类中选择一个最优先验密度的问题,类似于从参数空间中估计一个恰当参数的问题,或类比为从决策类中选择出最优决策的问题.从这一角度出发,就可以借助统计学中已有方法,建立一套关于先验分布选取的合理方法,同时能估计其精度.     

基于spike-and-slab先验分布的贝叶斯变量选择方法

针对超高维数据,提出一种基于spike-and-slab先验分布的超高维线性回归模型的贝叶斯变量选择方法。该方法继承了弹性网方法和EM算法的优点,以较快的收敛速度来获得稀疏的预测模型。特别地,针对系数的spike-and-slab先验分布设置上,该方法允许系数从不同坐标借力、自动适应已知数据的稀疏信息以及进行多重调整。通过与常用方法的比较,证明了该方法的准确性和有效性。     

广义线性模型中基于拟似然的变量选择方法

变量选择是建立广义线性模型的基础．为了选择变量,本文提出了一种惩罚拟似然方法．这种方法不需要知道数据的分布,而只要求知道数据的一二阶矩．在统计推断过程中,此方法同时进行变量选择和参数估计,得到估计具有Oracle性质,并是渐近有效的．同时,本文定义了一种后验拟似然,于是,选择变量的过程就是一个比较拟后验密度的过程．特别的,对于线性模型,比较拟后验密度就等价于比较惩罚残差平方和．     

SLP问题对先验分布的依赖性

本文在[1]、[2]的基础上，进一步讨论了随机线性规划（SLP）对先验分布的依赖性问题。给出了（SLP）对先验分布不依赖的条件与对先验分布的估计方法。     

基于近似贝叶斯的模型选择

讨论了近似贝叶斯计算(ABC)方法的改进算法ABC-SMC在实际建模过程中的模型选择和参数估计问题.ABC算法是一个似然自由的算法.当似然函数难以计算或没有精确解析形式的情形时,ABC算法规避了似然函数的计算,转而关注模型的生成模拟,这也是该算法的核心.ABC-SMC在经典的ABC框架上改造了抽样过程,利用序列蒙特卡罗...     

基于随机维纳过程的产品加速因子分布确定方法

针对新研产品加速因子难以确定的问题,提出基于随机维纳过程的产品加速因子分布确定方法。首先根据相似产品信息,利用整体极大似然函数(MLE)和Fisher信息矩阵确定相似产品加速因子先验分布;其次根据专家经验信息给出新研产品加速因子先验分布;再其次通过加权融合思想,将相似产品加速因子先验分布和专家经验加速因子先验分布融合,给出新研产品加速因子最终的先验分布;然后根据新研产品内场试验信息,给出Wiener过程的参数估计;最后利用Bayes理论,充分利用产品低层试验信息对加速因子分布进行更新得到后验分布。以某型新研加速度计为实例,验证了所提出的方法适用性和有效性。     

充分统计量的贝叶斯定义及其应用

充分统计量在简化统计问题中是一个非常重要的概念 .在经典统计中 ,它的定义是使用数学期望来叙述的 ,用到的数学知识较多且不易理解 ,而使用Bayes统计的观点定义充分统计量 ,从而证明有关充分统计量的等价命题 ,为判断一个统计量的充分性提供了简单有效的方法 .     

无信息先验下平稳AR(1)模型的贝叶斯推断

研究AR(1)时间序列模型在平稳条件下的贝叶斯推断理论,构造了模型自回归系数和尺度参数的无信息先验分布,推导得到了其后验分布、后验均值、众数、中位数、分位数和最大后验区间估计,最后对几组仿真数据进行了贝叶斯分析.     

指数平均寿命的Bayes估计关于先验分布的稳健分析

讨论了指数平均寿命的Bayes估计及其后验平均损失,关于先验分布的稳健性。本文所考虑的先验分布类是限制了均值和方差的共轭先验分布类。最后,给出了有关结果的数值计算例子。     

增长曲线模型关于共轭先验的BAYES分析

从贝叶斯观点利用共轭先验考查了增长曲线模型。得到了参数τ和协方∑的边缘后验分布，并在此基础上给出τ的后验估计、估计域和∑的后验估计。     

POISSON分布无失效的BAYES可靠性验证试验

为了确定产品的可靠性特征量是否达到所要求的水平，需要进行可靠性验证试验，而古典的统计抽样检验往往耗费大量的人力、物力、财力，鉴于此，合理地利用先验信息，运用BAYES方法，能极大地缩短验证试验时间，对长寿命、高可靠性产品，在做定时截尾试验时，往往无一失效，对于这一情况，文中对POISSON分布利用BAYER方法作了进一步研究。     

基于Horseshoe+先验的惩罚置信区域变量选择方法

针对高维稀疏线性回归问题,相关变量的数量远远少于不相关变量.相关变量的变量选择问题对于传统的频率论正则化方法是一大挑战.现有的贝叶斯惩罚置信区域法通过将模型拟合与变量选择分离,在联合后验置信区域内搜索最稀疏解,从而得到稀疏模型解.且该方法在高维变量选择效果上优于常用的变量选择方法.在此基础上,针对高维稀疏模型,将原方法中依赖的共轭正态先验替换成针对"稀疏信号勘测问题"提出的Horseshoe+先验,利用Horseshoe+先验对小系数"重"压缩与大系数几乎零压缩的理论特性,实现对稀疏回归系数的稳健估计.通过数据仿真模拟不同稀疏程度下的高维稀疏线性回归,并将基于Horseshoe+先验的惩罚置信区域法分别与基于正态先验以及Laplace先验的该方法进行比较,结果表明基于Horseshoe+先验的惩罚置信区域法在高维稀疏线性回归问题具有更好的变量选择效果与预测效果.     

线性模型下基于AIC准测的Bayes变量选择

讨论了线性模型下Bayes变量选择问题。通过用AIC准则来修正经典的Bayes变量选择方法,构造修正后的子模型后验分布,并且通过仿真计算验证,修正后的后验分布可以提高变量选择精度。     

正态线性单方程计量经济模型的Bayes统计推断

该文研究了如何利用Bayes方法来建立正态线性计量经济模型 :Y =Xβ U ,U ～N( 0 ,σ2 In) ,分别讨论了在二次损失函数下σ2 已知时 ,β的Bayes估计和σ2 未知时 ( β ,σ)的Bayes估计。与 β或 ( β ,σ)的经典统计估计相比较 ,由于Bayes方法融合了样本信息和参数的先验信息 ,其Bayes估计的精度更高。     

指数模型贝叶斯评估中的验前分布

研究在指数模型中用贝叶斯方法进行参数评估时验前分布的确定问题。文中分别以均方误差尽量小和Buehler准则作为判别估计量θ优劣的尺度,讨论了验前参数的有关性质并给出了确定验前参数取值适合域的方法。