P阶自回归模型中的变点检验问题

变点问题是统计学中一个较新的课题.本文讨论了p阶自回归模型中的变点检验问题,对于自回归模型在模型的白噪声序列的方差σ2未知的条件下,分别利用最大似然估计方法和最小二乘法给出了变点的检验统计量,并得到统计量的渐近分布,最后给出了证明.     

门限Poisson对数线性自回归模型的参数估计

给出一个新整数值时间序列模型,它既可以刻画相关性较强的数据,也可以刻画相关性较弱的数据.给出了该模型平稳性的一个充分条件,并研究其最大似然估计问题及估计的渐近性质.     

回归模型参数检验及多克隆抗体效价的回归分析

利用经验似然方法研究一元线性回归模型参数的检验问题, 构造了相关检验的检验统计量, 并在零假设下获得了检验统计量的极限分布. 结果表明, 该方法可用于多克隆抗体稀释倍数与有色物吸光度值(OD值)的建模.     

自回归AR模型整体最小二乘分析

主要讨论时间序列的自回归模型AR（p）的参数估计问题,列出常用的普通最小二乘估计和整体最小二乘估计方法,列出算例进行比较分析。     

平稳自回归模型的调整经验似然置信域

自回归模型在经济学及信息学等领域有广泛应用.其统计推断是统计学研究的重要问题之一.本文主要研究自回归模型的调整经验似然方法 .在Chuang和Chan利用自回归模型的条件最小二乘估计、通过得分函数构造的经验似然比统计量基础上,本文针对经验似然方法可能不存在解的情形构造了调整经验似然统计量,并证明调整后的经验似然比统计量的极限分布服从卡方分布.由此我们可以构造模型参数的调整经验似然置信域（区间）.最后,本文通过数值模拟比较了调整经验似然方法和经验似然方法的性能.结果显示,调整经验似然方法所得的区间估计具有更好的覆盖率.     

一种估计自回归模型参数的新方法

本文应用最小二乘法给出了一种无需事先计算自相关函数而直接估计自回归模型参数的迭代方法。     

回归模型的相关性检验

基于经验似然的方法构造了检验统计量,对非参数回归模型中的误差进行了相关性假设检验,获得了零假设下检验统计量的渐近分布为χ2分布.模拟计算表明相关性假设检验的经验似然方法具有较好的功效.     

非参数回归模型的模型检验

在此考虑非参数回归模型的模型检验问题．基于Plug-in经验似然方法。构造经验似然比检验统计量．证明其满足Wilks’现象,而得到了一定显著性水平的拒绝域,最后通过数据模拟。讨论了其检验功效．     

自回归模型参数的普通最小二乘估计

将线性回归模型参数的普通最小二乘估计推广到12种自回归模型的参数估计。     

用于求解Poisson方程的格子Boltzmann模型

提出一个求解Poisson方程的格子Boltzmann模型.通过使用Chapman-Enskog展开和多尺度展开得到了在不同时间尺度下的系列偏微分方程及平衡态分布函数和具有三阶截断的误差修正Poisson方程.用该模型计算Kolmogorov流和Green-Taylor涡流,并与解析解进行比较,计算结果表明,数值结果与经典解析结果基本相符.     

子结构拟动力试验的模型修正法

分别针对剪切模型和杆系防屈曲支撑模型,采用有限元软件OpenSEES整体时程分析方法,研究了试验子结构数量对子结构拟动力试验结果的影响。结果表明:随着试验子结构数量的增多,试验结果精度逐渐提高,呈现出近似二次抛物线形变化规律。在构件数量较多结构体系中,试验子结构数量较少时,子结构拟动力试验的精度不高,试验的意义不大。针对一个单跨两层带斜撑框架模型,基于OpenSEES进行虚拟子结构拟动力试验,采用最小二乘法,利用试验子结构观测数据,在线识别试验子结构的恢复力模型参数,并实时修正与试验子结构有相同恢复力特性的数值子结构恢复力模型。不同试验工况下试验结果对比表明:即使试验子结构数量受到限制,在子结构拟动力试验过程中,基于最小二乘法模型修正方法可以显著提高子结构拟动力试验的精度。     

伽马-滤过复合Poisson过程模型结构可靠性分析

讨论结构在设计基准期[0,T]内应力变动规律,考虑应力为滤过复合Poisson过程、强度服从伽马分布的半随机过程模型,给出应力随机过程的样本函数的最大值分布,并获得其相应的模型结构可靠性设计与估计.     

非参数混合效应模型的估计

针对非参数混合效应模型提出估计方法,通过B样条的方法估计非参数函数,使用惩罚(非加权)最小二乘方法估计随机效应,然后通过构造正态似然函数得到方差的估计,并且证明了方差分量的相合性和函数部分的渐近正态性;最后给出数字模拟来展示所提出方法的估计效果,结果表明:该方法给出的估计效果良好,且在数值上是稳定的。     

定向非均衡模型的估计

讨论了样本分割已知的一类非均衡计量经济模型———定向模型的估计问题。文中给出了一种估计方法,并证明了所作的调整满足无偏性要求。     

一种改进的变结构交互多模型被动跟踪算法

针对干扰环境下跟踪机动目标时常常无法获得距离信息的问题,提出了一种新的被动跟踪算法对目标进行精确的跟踪定位。算法针对被动跟踪中状态与量测之间存在的非线性关系,首先采用最小二乘原理对角度量测进行预处理,然后以预处理结果作为输入,进行交互多模型滤波,从而减小非线性量测方程的线性化过程带来的误差。然而,交互多模型滤波中所采用的固定结构模型集并不能保证跟踪精度,为解决这一问题,算法引入序列似然比检测对模型集进行调整,使模型对不同的目标机动模式有更强的自适应能力,从而减小模型之间的竞争,确保跟踪效果。为了验证新算法的有效性,在相同实验条件下,用2种算法分别对同一设定轨迹进行仿真估计,结果表明,新算法可以进一步提高跟踪精度。     

一阶广义随机系数自回归模型参数的最小渐近方差估计

研究广义随机系数自回归模型中参数的估计问题, 给出了未知参数的一个估计类, 证明了该估计类中估计的相合性和渐近正态性, 并且获得了该估计类中的最小渐近方差估计, 并通过数值模拟比较了估计类中各种估计方法的优劣.     

扩展线性支出系统模型估计方法的修正及实证检验

最小二乘估计扩展线性支出系统模型是利用横截面数据进行消费结构研究中经常使用的计量方法。从在估计过程中有时会遇到常数项不显著的问题,而目前尚无好的解决办法这一问题出发,对目前的估计方法进行了修正并作了实证检验。