对数正态分布参数的精确估计及其应用

分析了两参数对数正态分布均值四种常见的估计方法,其中Gunnar Taradsen提出的修正极大似然估计优于其他三种估计.在此基础上讨论了总体m阶原点矩和m阶中心矩以及峰度的修正极大似然估计,而且提出总体的中位数、众位数和偏度不存在修正的极大似然估计,并用Mathematica 4.0对上海股票市场的大盘日成交量进行仿真分析,结果表明与理论推导完全一致.     

对数正态分布参数的精确估计及其应用

分析了两参数对数正态分布均值四种常见的估计方法,其中Gunnar Taraldsen提出的修正极大似然估计优于其他三种估计。在此基础上讨论了总体m阶原点矩和m阶中心矩以及峰度的修正极大似然估计,而且提出总体的中位数、众位数和偏度不存在修正的极大似然估计,并用Mathematica 4.0对上海股票市场的大盘日成交量进行仿真分析,结果表明与理论推导完全一致。     

对数正态分布参数的精确估计及其应用

分析了两参数对数正态分布均值四种常见的估计方法．其中Gunnar Taraldsen提出的修正极大似然估计优于其他三种估计。在此基础上讨论了总体优阶原点矩和优阶中心矩以及峰度的修正极大似然估计,而且提出总体的中位数、众位数和偏度不存在修正的极大似然估计。并用Mathematica4．0对上海股票市场的大盘日成交量进行仿真分析,结果表明与理论推导完全一致。     

双参数指数分布步加试验TFR模型下修正的MLE

给出了双参数指数分布全样本场合下步进应力加速寿命试验TFR模型下参数的修正极大似然估计,并通过Monte-Carlo模拟证明了修正的极大似然估计要好于极大似然估计.     

拟似然函数法处理无失效数据

利用修正似然法思想,提出了引进失效信息后的极大似然估计法,具体给出了指数分布及Weibull分布场合参数的拟极大似然估计,且进行了实例计算.     

排序集抽样下定时截尾指数寿命数据的参数估计

针对定时截尾指数寿命数据的参数估计问题,采用排序集抽样方法,研究了指数分布参数的极大似然估计.针对排序集抽样下似然方程求不出解的问题,似然方程的部分项替换为期望,并给出修正极大似然估计.估计效率的比较结果说明:基于排序集抽样方法的修正估计量优于基于简单随机抽样方法的极大似然估计量.     

一类双线性模型的参数估计

给出了一个ARCH型一阶双线性模型,利用随机过程的马尔科夫链,研究这种模型的严平稳遍历性和矩的存在性,结果表明这种模型存在唯一的严平稳解,并且这个解是几何遍历的,它的某一阶绝对矩存在. 基于此模型的参数估计, 提出该模型的拟极大似然估计, 运用Amemiya的相关定理, 研究拟极大似然估计的性质. 在一定的条件下, 得到了该拟极大似然估计具有相合性和渐近正态性.     

INARS(p)模型的拟似然统计推断

用拟似然方法对p阶基于符号伯努利稀疏算子的整值时间序列模型参数进行估计,得出了参数修正的拟似然估计因子以及该估计因子的极限分布(可以用此极限分布对模型参数进行假设检验等统计分析),并通过数值模拟,将修正的拟似然估计与条件最小二乘估计进行了比较,结果表明,修正的拟似然估计在一定条件下明显优于条件最小二乘估计.     

排序集抽样下两样本相关参数的修正极大似然估计

排序集抽样是一种提高抽样效率的有效方法。然而,实际排序中不可避免会出现误差。这会对极大似然估计的结果造成一定的偏倚。文章基于排序集样本对传统的极大似然估计方程进行修正,讨论了修正的极大似然估计的性质,并进一步从渐进方差的角度说明了这一估计较传统方法更稳健。     

元分析中三种统计异质性估计方法的比较

元分析中异质性的大小对模型选择和调节分析有着重要的参考价值,只有统计性质好的估计方法才能保证效应量的估计精度.通常有3种方法或途径可以计算异质性的大小,即矩估计、极大似然估计(ML)和限制性极大似然估计(REML).通过模拟研究发现,当研究数量超过40时,3种估计方法的均方误趋于一致;但在低于40的处理条件中,多数限制性极大似然估计的均方误介于矩估计和极大似然估计两者之间,更接近于统计量C-R下限值,故推荐限制性极大似然估计作为异质性的首要估计方法.