变结构非线性模型的Score统计量的影响分析

对于具有结构变化的非线性回归模型,为了识别出数据对其阶段异方差Score检验统计量的影响,提出采用梯度方向探讨了模型中响应变量及自变量的微小扰动对于该模型的Score统计量的局部影响,分别得到了度量最大局部影响的诊断统计量.将所得统计量应用于2个澳大利亚南方地区栽培洋葱而得到的产量和密度数据,并识别出了其中的影响点.     

DBL(1,0,1)误差非线性回归模型相关性和方差齐性的检验

讨论了具有双线性DBL(1，0，1)误差的非线性回归模型的相关性和方差齐性的检验问题，用Score检验方法给出了双线性项检验以及相关性和方差齐性同时检验的检验统计量，并用随机模拟验证了检验方法的正确性；推广和发展了具有线性序列误差回归模型的结果；最后将结果应用于DBL(0，1，1)误差的非线性回归模型。     

误差为ARMA(1,1)的非线性回归模型相关性和异方差的检验

本文讨论了误差为ARMA（1,1）序列的非线性回归模型。首先得到随机误差相关性和异方差性检验的似然比检验统计量和Score检验统计量;其次利用参数正交变换,得到了修正的似然比检验统计量和修正的Score检验统计量,推广了韦博成、胡跃清（1994）的结果和韦博成（1995）的结果;最后给出了几种特殊情形的似然比检验统计计量和Score检验统计量。     

具有AR(2)误差非线性回归模型的联合检验

在讨论了具有AR(2)误差的非线性回归模型相关性和异方差性的联合检验的基础上, 首先导出了关于误差相关性和异方差性的似然比检验统计量和Score检验统计量, 然后根据参数正交变换, 得到了修正的似然比检验统计量和修正的Score检验统计量, 推广了文献［1］的结果。     

AR(1)误差的非线性随机效应模型的参数估计

介绍一类具有AR（1）误差的非线性随机效应模型估计的EM算法。这种算法能一次性的估计出模型中的所有参数，并用随机模拟数据和实际例子说明了EM算法的有效性。     

单形分布变离差检验的Score统计量的局部影响

为了研究数据对于单形分布非线性模型变离差检验的Score统计量的局部影响,该文利用梯度方法分别研究了因变量及自变量的微小扰动对于该模型的Score检验统计量的局部影响,相应得到了度量最大局部影响的诊断统计量。最后,利用所得统计量获得了眼科学方面的一个实际数据中的影响点,结果表明该文提出的方法是有效的。     

无偏GM(1,1)模型与指数方程模型的比较

无偏GM(1，1)模型是在传统GM(1，1)模型基础上的一种改进，它实际上是一无偏差的指数模型，相对于用回归法进行曲线拟合建立指数方程模型这样一种建模方法，该方法可认为是一种新的指数模型建模方法，通过理论分析和实例计算对这两种模型进行了比较。     

一类非线性结构关系度量误差模型的大样本理论

讨论了预报变量带有随机度量误差的回归模型的大样本理论，在相当一般的条件下给出了未知参数的一个强相合估计，证明了该估计是渐近正态的，并给出了其极限分布的均值与协方差阵。     

带有线性约束的指数族非线性回归模型置信域的曲率表示

本文从几何的观点,研究了带有线性约束的指数族非线性回归模型下参数的近似置信域与统计模型曲率之间的一般联系,获得了参数的近似置信域.     

含方差扩大的一般均值漂移模型的Score检验统计量

该文研究了含方差扩大的一般均值漂移模型中漂移量的存在性检验问题.利用Score函数和Fisher信息阵,获得了检验的Score统计量.     

离散参数随机过程非线性滤波的稳健性及其应用(二)

离散参数随机过程非线性滤波的一种重要类型是次序统计滤波器（OSF），而研究次序统计滤波器的有效途径则是考察次序统计量的稳健性性质。作者通过概率分布蹁空间上统计量泛函的弱连续性及统计量泛函的影响函数，研究次序统计量的稳健性性质，考察各种概率分布类型下中值滤波器与最大值滤波器的低通、带通特性，并将它们成功应用于图像处理。     

ZIP回归模型的局部影响诊断

基于EM算法和完全数据对数似然的条件期望,分别研究了ZIP回归模型在加权扰动、解释变量扰动和响应变量扰动下的局部影响诊断问题,得到了相应的诊断统计量．最后通过一个实例说明诊断统计量的有效性。     

影响图在非线性回归异方差检验中的应用

提出把加权非线性回归模型看作一个扰动模型,利用影响图的正则曲率研究了此模型的异方差检验问题,并在此基础上得到了改进的Score统计量。最后用具体的数值实例说明所得结论的有效性。     

线性模型系数的有界影响辨识

基于采样数据的新息增量过程,创造性地提出了回归系数的有界影响辨识算法．该算法具有简洁的递推关系和良好的容错能力．理论分析和仿真计算证实,该算法能有效地克服异常数据的不利影响,提高统计推断的可靠性．