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。     

中位数排序抽样下参数的极大似然估计

将排序集抽样方法进行改进,提出了一种新的中位数排序抽样方法,基于这一抽样方法提出了样本参数的极大似然估计,并进一步与传统抽样方法下估计的结果作比较,从估计渐进效率的角度说明了该方法的优良性.     

排序集下单指数分布均值的修正极大似然估计

排序集抽样(RSS)是一种有效的收集数据的方法.在求解RSS下单指数分布均值的极大似然估计(MLE)时,由于无法得到MLE的显性解,通常的做法是给似然方程中的后两项函数同时取均值,得到修正MLE(MMLE).该文重点考虑了仅给一项取均值,且证明了仅给一项取均值得到MMLE依然是无偏估计.数值比较表明,给一项取均值得到的MMLE方差一致小于给两项取均值得到MMLE的方差,且非常接近未修正MLE的均方差,同时小于简单随机抽样(SRS)下MLE的方差.     

基于中位数排序集抽样的区间估计

利用中位数排序集样本的次序统计量来构造未知总体中位数的区间估计,证明了新估计具有适应任意分布性,并系统验证了新区间估计的精度一致高于排序集抽样下总体中位数的区间估计。最后将针叶树的一组真实数据进行了实际应用。     

排序集抽样下总体参数的修正似然比检验方法

基于排序集样本讨论了总体参数的修正似然比检验,并进一步比较了该检验与传统的似然比检验在参数空间上的功效,从假设检验的两类错误角度说明了基于排序集样本的修正似然比检验的优良性.     

非均等排序集抽样下位置参数的Mann-Whitney检验

针对两总体位置参数的检验问题,提出了基于非均等排序集抽样方法的Mann-Whitney检验统计量,证明了当原假设成立时其分布具有对称性且不依赖于总体分布,证明了新统计量的渐近正态性,计算出其数学期望和渐近方差,并确定出检验拒绝域.模拟检验功效的比较结果表明:新检验优于基于简单随机样本和均等排序集样本的相应检验.     

基于有序抽样样本参数的置信区间

讨论了一种新的抽样方法即有序抽样方法下样本的信息矩阵及参数的极大似然估计的性质,把它和简单随机抽样样本下的信息矩阵进行了比较,并以此估计为基础给出了一种新的参数的置信区间的构造方法,表明在相同的置信水平下以此方法构造的参数的置信区间比传统方法下构造的参数的置信区间更短,因而也具有更高的相对精度。     

中位数排序集抽样下总体均值的比率估计方法

分析了中位数排序集抽样下总体均值的比率估计方法,证明了该估计量具有渐进无偏性,并讨论了两种抽样方法下估计量的相对效率.算例表明,在总体分布为正态分布的情况下,基于中位数排序集样本的比率估计比随机抽样下的比率估计效率高.     

基于非均等排序集抽样的Wilcoxon符号秩检验

为了检验未知总体的对称点,建立了非均等排序集抽样下的Wilcoxon符号秩检验统计量,证明了在原假设下其分布具有对称性和适应任意分布性,证明了新检验统计量的渐近正态性,并给出新检验的Pitman效率因子.Pitman渐近相对效率的计算结果表明,新检验优于简单随机抽样下和均等排序集抽样下的符号秩检验.     

MERSS下Pareto分布刻度参数的估计

研究了动态极值排序集抽样(MERSS)下帕累托(Pareto)分布里刻度参数（a,c)的极大似然估计(MLE)和Fisher信息量.证明了MERSS下c参数MLE的存在性和唯一性,MERSS下c携带的Fisher信息量大于简单随机抽样(SRS)下携带的Fisher信息量.     

基于排序集样本的似然比检验

从假设检验的角度,讨论了基于排序集抽样的似然比检验,并进一步比较了该检验与传统的似然比检验在参数空间上的功效,从假设检验的两类错误角度说明了基于排序集抽样的似然检验的优良性.     

基于贝塔分布的最优置信区间研究

基于贝塔分布的概率特征性质,该文研究了一类特殊的贝塔分布的最优区间估计; 进而,将得到的区间估计与等尾置信区间进行了比较.结果表明:使用最短置信区间作为未知参数的区间估计,估计的精度得到显著提高.最后,利用数值模拟的方法给出了贝塔分布的最短区间估计用表.     

基于MATLAB小样本的最短置信区间

研究了小样本抽样正态总体参数的最短置信区间,对单峰非对称分布给出了最短区间估计MATLAB实现;并通过实例分析其对小样本区间估计的优越性.     

指数分布场合下基于分组数据区间估计的新方法

从新的角度证明了分组数据下指数分布总体均值的极大似然估计(MLE)的渐进正态性,给出了该均值的渐进置信区间。通过Monte Carlo模拟比较,发现该置信区间优于CHEN和MIE得到的置信区间。     

毒性评价的逐步置信方法

毒性研究在现代药物研制开发过程中具有非常实际的重要意义．对新药的毒性作出科学的评估离不开恰当的统计方法．在实际的毒性评估中，通常新药的毒性会随着剂量的增加而变大．此时，我们期望一种方法如果它已经断言新药在较低剂量时是不安全的，则它一定不会断言某一更高剂量是安全的．为此，Hsu和Berger,最近提出一种关于毒性研究的逐步置信区间方法．令人遗憾的是，他们提出的方法紧紧依赖于各个剂量水平下的方差必须相等这一假设条件，而这一假设在实际中很少满足．我们提出一种新的方法，利用Stein两阶段抽样方法，提出一种方差无任何限制条件的逐步置信区间方法．而且，我们将证明新方法能够把逐个族的犯第1类错误的概率控制在预先给定的水平．     

威布尔分布中尺度参数的最短区间估计

把威布尔分布中尺度参数最短置信区间的求解问题转化为非线性方程组的求解问题,并通过1个实例和数值计算对最短置信区间与常用置信区间进行长度比较,说明研究小样本情形时威布尔分布中尺度参数最短置信区间的重要性与必要性。     

探寻药物的最小有效剂量的逐步方法

在药物的第二,三阶段的临床试验时,药物的安全性和有效性是测验的主要指标．最近,Hsu和Berger（1999）在药物各个剂量组的方差σ^2都相等这一假设下,提出一种识别最小有剂量的逐步置信区间方法．而方差齐性假设条件通常是不合理的,本文主要利用Stein两阶段抽样方法,给出方差无任何限制条件下识别最小有效剂量的逐步置信区间方法．