Fisher得分法与EM算法在随机效应模型中的应用

随着随机模型的广泛应用,关于随机效应模型的参数估计一直是线性模型的最活跃的研究方向之一。我们经常估计这类模型的固定效应和方差成分。我们使用极大似然估计作为估计方差成分的一种技巧,为了考虑到估计固定效应时的自由度的损失,我们又会使用限制极大似然估计。计算方差成分的ML或者REML估计时,有很多迭代算法可以使用。我们关心的是Fisher得分法和EM算法应用到随机效应模型的方差成分上,通过使用这两种算法对随机效应模型的方差成分的极大似然估计和限制极大似然估计进行比较分析。本文给出EM算法用于求极大似然估计的具体公式补充证明,并对Fisher得分法在随机效应模型中的应用限制极大似然估计给予具体公式。     

系数随机的多元线性回归模型的参数估计

对一般系数随机的带有相关因子的多元线性回归模型的参数进行估计。估计值是用EM算法给出的极大似然估计或约束的极大似然估计。给出了EM算法的具体公式,并利用bootstrap方法估算出这些估计值的精确度。最后通过一判别儿童总体中是否存在Catch-Up生长的例子以解释给出的方法。     

指数分布场合简单恒加试验的极大似然估计

在加速寿命试验具体数据情形，恒加试验的统计分析理论已经比较成熟．在指数分布场合，文献[1]已给出了加速方程中参数的极大似然估计；文献[2]给出了加速方程中参数的似然方程．文章利用微分的方法给出了指数分布场合简单恒加试验加速方程中参数的极大似然估计．     

定时截尾情形下 Ｂｕｒｒ Ⅻ分布的参数估计及其检验

在定时截尾情形下，讨论了 Ｂｕｒｒ Ⅻ分布的形状参数、可靠度和失效率的极大似然估计，给出了极大似然估计的表达 式，证明了极大似然估计的相合性和渐进正态性，并给出它的近似区间估计和假设检验公式，最后进行了参数估计的数值模 拟。 结果表明:形状参数的极大似然估计效果良好。     

指数分布场合恒加试验分组数据的似然估计

利用微分的方法,对加速寿命试验中,指数分布场合简单恒加试验的三种分组数据情形下的极大似然估计进行了讨论.首先讨论了简单分组数据情形下关于加速模型lnθi=a b(si),i=0,1,2.中参数a、b的极大似然估计.接着给出了测试时间为等分点数据和一般数据情形下关于加速模型lnθi=a b(si),i=0,1,2.中参数a、b的极大似然估计的定理,并加以证明.     

不完全数据情形下指数分布参数的极大似然估计

处理生存分析观测数据使用的参数估计方法有很多,极大似然估计法是最常见的一种估计方法。当寿命分布为指数分布时,给出了定时截尾数据、定数截尾数据情形的极大似然估计,以及随机右删失下参数极大似然估计的一般表达式。此外,还提出了分组数据场合参数极大似然估计的图解求法。     

误差为AR(1)情形的半参数回归模型拟极大似然估计的存在性

在误差为AR(1)时间序列的情形下,给出了半参数回归模型的拟极大似然估计方程,并研究了拟极大似然估计量的存在性。     

不完全数据情形下指数分布参数的最大似然估计

处理生存分析观测数据使用的参数估计方法有很多,极大似然估计法是最常见的一种估计方法。当寿命分布为指数分布时,本文给出了定时截尾数据、定数截尾数据情形的极大似然估计,以及随机右删失下参数极大似然估计的一般表达式。此外,论文还提出了分组数据场合参数极大似然估计的图解求法。     

两种情形下参数的极大似然估计

本给出了两种情形下总体分布参数的似然估计具体方法。     

定时截尾情形下Burr Ⅻ分布的参数估计及其检验

在定时截尾情形下,讨论了Burr Ⅻ分布的形状参数、可靠度和失效率的极大似然估计,给出了极大似然估计的表达式,证明了极大似然估计的相合性和渐进正态性,并给出它的近似区间估计和假设检验公式,最后进行了参数估计的数值模拟。结果表明:形状参数的极大似然估计效果良好。     

一种逻辑模型树算法在网络舆情中的谣言检测

网络舆情中的谣言对社会危害极大,因此有效地检测网络舆情中的谣言已是当务之急.目前,一些单一机器学习算法被相继应用到谣言检测中.针对这些单一机器学习算法在分类上的局限性,将一种融合逻辑回归与决策树的逻辑模型树方法用于谣言检测上.根据舆情分析报告上采集的数据集,实验结果表明:组合模型逻辑模型树的分类预测准确率比已应用到谣言检测的单一机器学习算法明显要高,逻辑模型树是一种有效的谣言检测方法.     

类别型缺失数据的聚类半参数logistic学习插补法

缺失数据插补是数据科学中的基本方法之一.本文针对类别型缺失数据提出了一种基于聚类和半参数logisitic学习模型的插补法.该方法首先采用K-近邻法对缺失数据进行预插补，然后用聚类算法将数据分类，提高数据间的相似性，再为每一类数据集建立半参数logistic学习模型，进而完成最后的插补.基于中国家庭金融调查(CHFS)数据集的实证研究表明，该方法优于常用的K-近邻插补法和随机森林插补法.     

面向不平衡数据的逻辑回归偏标记学习算法

偏标记学习是近几年提出的新机器学习框架,已有的逻辑回归偏标记算法尚不能解决数据不平衡问题.建立了一种可以解决数据不平衡的逻辑回归模型偏标记学习算法.基本思想是在多元逻辑回归模型中定义新的似然函数以达到处理不平衡数据的目的.算法先根据训练集中各个类别样本所占比例定义了一个新的似然函数,之后通过逼近和求导等数学手段推导得到了能够求解的光滑的逻辑回归偏标记学习模型.在UCI数据集和真实数据集上的仿真实验表明,所提算法在数据存在不平衡问题时提高了样本的平均分类精度.     

基于SVM和神经网络组合预测模型的物流需求预测

物流需求的定量数据是区域物流发展政策和规划的重要依据,影响物流需求的因素很多,传统的预测方法无法全面考虑各种因素,预测精度较低。为了提高物流需求预测的精度,采用组合预测的方法,建立一种基于支持向量机和神经网络的组合模型。首先采用支持向量机进行预测得到预测基本数据,然后通过BP神经网络进行残差修正,通过算例仿真分析,结果表明组合预测模型具有更高的精度,是一种有效的预测方法,为物流需求预测提供了新的思路。     

广义logistic模型的优化开发

在开放式资源的条件下，研究了广义logisti模型的优化开发问题，然后，在受管理资源的条件下，运用庞特里雅金的最大值原理，得到了广义logistic模型的最优开发策略。作为应用，给出了一种特殊形式的最优轨线。     

基于阻滞增长模型的三种群竞争

本文利用同伦分析方法,研究了基于阻滞增长的三种群竞争模型,得到了该模型的近似解的表达式。这个解具有解析性,可用于模型其他量的分析,该方法简单有效, 可用于研究三种群竞争模型。     

一种基于SMOTE的不均衡样本KNN分类方法

针对在数据样本不均衡时,K近邻(K-nearest Neighbor,KNN)方法的预测结果会偏向样本数占优类的问题,本文提出了一种基于合成少数类过采样方法(SMOTE)的KNN不均衡样本分类优化方法(KSID)。该方法过程为:首先使用SMOTE方法将不均衡的训练集均衡化,并训练逻辑回归模型;然后使用逻辑回归模型对训练集进行预测,获取预测为正样本的数据,通过使用SMOTE方法均衡化该正样本,并训练KNN模型;最后把测试集放入该结合逻辑回归方法的KNN模型进行预测,得到最终的预测结果。围绕6个不均衡数据集,将KSID与逻辑回归、KNN和支持向量机(SVM)决策树等方法进行对比实验,结果表明,KSID方法在准确率、查全率、查准率、F1值这4个性能指标上均优于其他3种方法。通过引入SMOTE,KSID方法克服了KNN模型遇到样本不均衡数据集时,产生分类偏向的问题,为进一步研究KNN方法的优化和应用提供参考。     

非线性规划多目标优化物流成本随机模型的研究

就整个物流链成本进行综合分析，试图建立一种效益与成本、服务质量均衡的多目标优化的物流成本模型，为物流企业实现优化管理提供决策手段．     

BA演化模型的一种扩展

提出了BA模型的一个扩展模型.仿照Logistic模型,对BA模型的优先选择概率进行改进,利用连续理论和比率方程分析扩展模型的度演化及其度分布.解析结果表明在一定的条件下,扩展模型与BA模型是等价的.并且利用Matlab对扩展模型进行了模拟仿真,试验结果表明,其度的时间演化在某些条件限制下发生了改变并且其度分布不再是幂率分布而是在双对数坐标平面上是弯曲的.     

时间序列在路面平整度预测中的应用

为了解决国际平整度指数IRI预测模型准确性不高的问题,以京沪高速公路实测IRI数据为基础,对log istic回归、多元回归、时间序列这3种建模方法分别进行分析.并根据京沪高速公路平整度实测数据,建立了几个有不同数量滞后值的时间序列路面平整度预测模型,根据与实测值的比较,找出最优的时间序列路面平整度预测模型.分析结果表明:利用传统的log istic回归和多元回归方法难以建立准确预测路面平整度发展趋势的模型;时间序列方法具有较高的预测精度,且其易修正性是其他预测方法所不具备的.