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.     

线性回归模型的深度加权最小二乘估计和拟合检验

在线性回归模型中普通的最小二乘估计(LSE)许多情形下是不稳健的.本文介绍了一种投影深度函数,深度加权平均和深度加权LSE,这些估计量有符合需要的稳健性.并讨论了在深度加权LSE情形下线性回归模型的拟合检验问题.     

三个Gamma分布尺度参数的线性函数在无约束和树序约束下估计量的比较

讨论了三个Gamma分布总体的尺度参数的线性函数在树序约束下的估计问题.在均方误差标准下,给出了尺度参数的线性函数在树序约束下的极大似然估计(MLE)控制无约束条件下的无偏估计(UE)的充分条件.     

矩阵损失下贝叶斯线性无偏估计及其稳健性

证明了,在一般线性模型中,未知参数在二次损失下的贝叶斯线性无偏估计也是矩阵损失下的贝叶斯线性无偏估计.讨论了贝叶斯线性无偏估计关于误差分布的稳健性,给出了未知参数的贝叶斯线性无偏估计是最优估计的充分必要条件.     

部分函数型EV回归模型的经验似然推断①

针对解释变量带有测量误差的部分函数型线性回归模型,引入一个合适辅助向量,构造出未知参数的经验对数似然比函数,给出了未知参数和未知系数的极大经验似然估计。进一步证明了所构造似然比函数具有渐近卡方分布,并基于此构造了未知参数的渐近置信域。同时,也证明了给出的未知参数的估计与最小二乘估计一样具有渐近正态性。最后给出系数函数的收敛速度,达到了最优收敛速度。讨论的结果说明经验似然方法对部分函数型EV回归模型的统计推断是有效的。     

误差相关下半变系数模型的随机约束估计

讨论误差相关下半变系数模型的随机约束估计。先用局部线性方法给出未知系数函数的估计,再由最小二乘法估计出未知参量,并讨论了估计的渐近正态性。     

非参数回归模型的贝叶斯局部线性估计

对于非参数回归模型=m(x)+ε,在局部线性估计中窗宽h的先验分布为Gamma分布的条件下,用未知光滑函数m(x)的后验均值构造了它的贝叶斯估计,并给出了参数的后验分布和抽样方法.模拟算例证明了贝叶斯局部线性估计方法的可行性.     

具有自相关误差变系数回归模型的局部线性估计

变系数回归模型误差具有自回归结构时,基于重新改写具有自回归误差的变系数回归模型为独立误差的变系数回归模型,文章提出其局部线性估计方法.模拟结果显示该估计方法是有效的.     

基于循序-Ⅰ型删失数据的广义Pareto分布统计推断(英文)

研究了在循序-Ⅰ型删失数据情形下广义Pareto分布的统计推断问题,讨论了广义Pareto分布未知参数的最大似然估计(MLE).由于数据的缺失,采用EM方法来获得参数的MLE.基于遗失信息原则,给出了观测Fisher信息矩阵,进而给出未知参数的区间估计.通过数值模拟,讨论本文提出的方法.     

随机函数的多项式最佳逼近与线性回归模型的非线性推广

将泛函分析的逼近论方法运用于随机函数空间,而在此观点下,给出线性回归模型理论的非线性推广,且得到其回归(最佳逼近)系数与回归(最佳逼近)误差的强相合估计.     

回归诊断的一些结果

本文从均方误差的角度,考察了某些试验数据的剔除,对线性模型(Y,Xβ,σ~2㏑),中未知参数向量β的最小二乘估计(?)的影响,得到了线性回归诊断中对强权点,强影响点讨论的一些新的结果。从LSE的均方误差的变化,给出了一些相应的准则,并与通常的判断方法建立了一定的联系,得到了一致的结果。     

正态-逆Gamma先验下线性模型中回归系数和误差方差Bayes估计的改进

在正态 逆Gamma先验下, 研究线性模型中回归系数和误差方差Bayes估计的优良性, 改进了已有的结果, 去掉了附加条件. 在Pitman准则下, 证明回归系数的Bayes估计优于最小二乘估计(LSE), 并讨论误差方差的Bayes估计在均方误差准则下相对于LSE的优良性. 最后进行Monte Carlo模拟研究, 进一步验证了理论结果.     

变系数线性EV模型的经验似然推断

考虑变系数线性EV模型,构造了模型中未知系数函数的经验对数似然比统计量.在适当条件下,证明了所提出的统计量具有渐近2χ分布,所得结果可以用来构造未知系数函数的逐点置信域,并给出了未知参数的最大经验似然估计(MELE),证明了其渐近正态性.     

线性模型中参数估计的相对效率

对于一个线性模型,如果最小二乘估计(LSE)与最佳线性无偏估计(BLUE)相等,就可以放心地用LSE代替BLUE;反之,用LSE代替BLUE就要蒙受一些损失,有时,这种损失可能是很大的,因而研究这种损失的大小就显得颇为重要.考虑一般线性模型y=Xβ+ε,E(ε)=0,cov(e)=σ2∑,定义了LSE相对于BLUE的两个新的相对效率,并给出了它们的上界.     

误差是非参数AR(1)序列的变系数模型

利用局部线性方法给出误差序列{εi,1≤i≤n}是非参数AR(1)序列下的变系数模型系数函数的估计,并在此基础上研究了系数函数估计的相合性问题,给出了该模型系数函数估计是弱相合的.     

半参数TBS模型的局部线性估计

研究了半参数多元回归模型E(Y|X)=μ(XTβ),其中X是维数为p的列向量,μ,β是未知参数.由于此模型不容易满足误差方差齐性和误差分布正态性,作者对该半参数回归模型两边同时应用含参数λ的Cox-Cox变换,使得变换后的回归模型满足误差方差齐性和误差分布正态性条件,然后应用局部线性技术及极大似然方法,通过两步迭代,对未知参数β,λ及未知函数μ(.)进行了估计.     

非参数回归的贝叶斯估计

基于因变量Y对自变量X条件分布的非参数贝叶斯估计,通过期望计算得到未知回归函数的后验估计表达式,并计算出估计的均方误差,证明该估计的均方收敛性.阐明当先验的选择接近真实的回归函数时,该估计的均方误差小于局部线性核回归的均方误差.最后通过实证分析,表明该非参数贝叶斯回归比非参数局部线性回归具有更好的预测效果.     

部分线性模型M估计的弱收敛性

为得到部分线性模型中未知函数和未知系数的稳健估计,讨论了部分线性模型的M估计,用局部线性方法给出常系数的初估计,再用平均方法给出常系数的M估计,用两步方法给出函数系数的M估计,并进一步证明了未知函数和参数估计的弱一致性。     

随时间变化系数参数AR模型的Bayes估计

采用Bayes方法,给出一维随时间变化系数自回归时间序列模型(TVPAR模型)中各参数的Bayes估计.选取未知参数的先验分布为均匀分布和逆伽马分布,采用MCEM算法,给出了模型中各参数的估计算法,并对模型进行了模拟计算与实证分析.     

奇异线性模型均值向量最小二乘估计的相对效率

在奇异线性模型下,文章通过比较估计量的协方差矩阵的谱范数和F范数,定义了均值向量的最小二乘估计(LSE)相对于最佳线性无偏估计(BLUE)的2种新的相对效率,并给出了其下界.