正态模型单参数经验贝叶斯估计

依据经验贝叶斯估计的思想方法,研究在平方损失函数下,正态模型单参数的经验贝叶斯(EB)估计问题.先将理论贝叶斯估计用的边际分布密度函数及该分布密度函数的一阶导数表示出来,再利用过去样本值和当前值 ,采用密度函数的核估计方法构造相应的函数代替理论贝叶斯估计中的函数,得到参数的经验贝叶斯估计,最后证明了所得到的经验贝叶斯估计是渐近最优的.     

基于贝叶斯Cox分段指数模型的烧伤感染时间分析

研究在右删失数据下,基于贝叶斯分段指数模型的Cox回归.在删失数据下建立Cox比例风险模型,估计出协变量对感兴趣事件的影响程度.对于Cox模型中基准风险函数,这里采用分段指数方法.对基准风险函数所在区间分段,在每一段上用指数估计基准风险函数,又运用了贝叶斯的方法,对基准风险函数中的参数进行贝叶斯估计,得到更合理的估计结果.最后将该方法应用于烧伤病人的实际数据中,所得结果对烧伤后的治疗具重大实际意义.     

线性指数模型参数的经验贝叶斯估计

根据经验贝叶斯原理,讨论了在平方损失函数下,线性指数模型参数的非参数经验贝叶斯(empirical贝叶斯,EB)估计问题.首先利用密度函数的核估计方法构造边际分布密度函数以及该分布密度函数的一阶导数;然后结合线性指数模型未知参数在相同损失函数之下的贝叶斯估计得到了未知参数的非参数经验贝叶斯估计.最后由C-R不等式以及Jensen不等式证明了所得到的经验贝叶斯估计的渐进最优性质,并获得了其收敛速度(n-(2r-1)/(2r 1)).     

MA模型阶数的贝叶斯估计

根据贝叶斯估计理论,在阶数和参数较为一般的先验分布及平方损失函数下,给出了MA模型阶数的贝叶斯估计,并证明了该估计方法具有强相合性.     

零膨胀泊松模型中风险参数的贝叶斯估计

该文建立了贝叶斯模型,讨论了零膨胀泊松分布中参数的估计问题.在平方损失函数、Linex损失函数和Stein损失函数下得到了风险参数的贝叶斯估计.进而,引进了信度理论,在平方损失函数下得到了风险参数的信度估计,证明了估计的相合性.最后,通过数值模拟的方法对估计的收敛性进行了比较.     

基于贝叶斯估计的空间函数型自回归模型及其应用

目的 为了研究函数型数据中响应变量的空间相关性,根据现有研究方法,对具有空间依赖性的函数型数据进行研究,并提出其模型的贝叶斯估计方法。方法 以典型空间自回归模型为基础,根据函数响应变量的空间依赖性,假设响应变量和解释变量间存在内生关系,生成空间函数型自回归模型,通过主成分分析将模型中函数型部分变为离散型,然后在给定先验情况下计算模型中参数的完全条件后验分布,使用贝叶斯MCMC方法进行估计。结果 使用联合Gibbs采样和随机游动的Metropolis-Hastings算法对模型中参数进行估计,通过模拟研究发现：不同参数下模型的函数型系数以及其他参数的估计偏差和均方误差较小,由此验证了贝叶斯估计方法的有效性,同时将空间函数型模型用于重庆市主城区新房平均价格的实证分析,结果表明所提出模型的贝叶斯估计方法是有效的。结论 使用贝叶斯估计方法对模型中参数进行估计,在不同情况下函数型解释变量的估计效果一直都比较好,并且随着样本量的增大,其估计效果也越来越好,可以认为使用贝叶斯估计方法对空间函数型自回归模型进行估计是有效且可行的,同时通过实证分析说明重庆市主城区新房平均价格具有空间自相关性,而且会受到...     

基于MCMC的分位回归GARCH模型的贝叶斯分析

基于最小一乘方法提出了一类分位回归GARCH模型的2步估计方法,并且基于双指数分布和非对称Laplace分布构建了GARCH模型的似然函数,选择扩散先验分布,实现了对模型的贝叶斯估计.仿真分析发现基于最小一乘方法的贝叶斯分位回归方法可以全面有效地实现对GARCH模型的估计.     

基于变分贝叶斯推理的高光谱图像恢复

提出一种基于变分贝叶斯推理的高光谱图像恢复方法.建立描述高斯噪声的最大似然函数项,采用小波基矩阵变换,构建小波变换后因子稀疏分布的先验函数;然后建立估计图像和相关超参数的联合后验概率估计模型,并通过变分贝叶斯推理得到估计的图像.利用实际的高光谱图像进行实验,从恢复的衡量指标和视觉效果图两方面验证所提出方法的有效性,结果优于目前常用的图像恢复方法.     

误差修正机制转换模型的贝叶斯估计

用贝叶斯估计法来估计误差修正机制转换模型的参数。通过先验分布的设定和贝叶斯定理,求出该模型参数的后验分布,接着使用基于Gibbs抽样的贝叶斯估计技术进行参数估计,最后对贝叶斯估计方法进行统计模拟,模拟结果表明:该方法可以稳健的估计该模型的参数。     

非参数回归模型基于残差的样条估计

为了探究固定设计下具有 α-混合相依误差的非参数回归模型的估计理论,基于多样式样条方法对均值函数进行了估计,利用残差构造了方差函数的样条估计.在一般假设条件下,均值函数估计量和方差函数估计量具有相同的一致收敛速度.数值模拟结果显示:基于贝叶斯信息准则下的样条估计优于赤池信息准则下的样条估计和局部线性估计.     

时变系数自回归模型参数的贝叶斯估计

针对时变系数的自回归模型,假设其系数的先后状态具有一定相关性.在仅有一条样本函数的情况下,运用贝叶斯方法给出一阶模型参数估计的表达式.通过数值模拟展示了模型系数的取值和样本容量对估计效果的影响.实证分析表明,该估计方法所得的统计结果能够较好地揭示实际问题的内在规律性.     

偏正态数据下半参数混合效应模型的贝叶斯估计

针对纵向数据服从非正态分布情况下混合效应模型的估计问题,提出偏正态分布半参数混合效应模型的贝 叶斯估计方法;假定个体测量误差服从偏正态分布,纵向指标与时间的关系采用 B 样条方法建模,在共轭先验下考 虑该模型的贝叶斯分析,基于 MH 算法与 Gibbs 抽样的混合算法获取未知参数、随机效应和非参数函数的贝叶斯估 计;数值模拟中,数据非正态分布条件下将偏正态方法得到的估计与传统半参数混合效应模型估计方法进行对比, 发现偏正态半参数混合效应模型在有限样本情况下表现更好,说明偏正态半参数混合效应模型与传统模型相比, 可以更好地拟合偏态数据,获得更加精准的参数估计;最后将该方法应用于 ADNI 数据中,研究了神经评分与基线 临床指标间的关系,得出了合理的结论,证明了方法的合理性。     

协整体制转换模型的参数估计

研究了协整体制转换模型的贝叶斯估计,利用贝叶斯定理和Gibbs抽样技术,实现了该模型的贝叶斯估计。结果表明：该方法可以精确地估计模型参数。     

贝叶斯框架下的模糊图像盲去卷积算法

为了去除图像模糊的同时,保持图像边缘等细节信息,需要对原始图像和点扩散函数进行准确的估计.在贝叶斯框架下,基于总变分模型,建立原始图像和点扩散函数的先验模型,同步估计原始图像和点扩散函数.对于总变分模型不可微分的问题,在不影响速度的前提下,用迭代重加权范数算法处理该问题.基于共轭分布理论,提出以伽马分布作为未知参数的先验模型,准确估计参数.实验表明该算法在对原始图像、点扩散函数和参数准确估计的基础上,成功地解决了模糊图像的盲去卷积问题,算法的速度和效果都得到了改进.与同类算法相比,本文提出的算法具有一定优势.     

参数在线学习的动态贝叶斯网络态势估计算法

为快速实现对战场态势的精确估计,提出了参数在线学习的动态贝叶斯网络方法:在基于专家知识确定的动态贝叶斯网络结构模型基础上,用前向递归方法对网络模型的参数进行估计.针对战场态势模型的观测值具有小样本的特性,以狄利克雷分布作为样本的先验分布,采用矩估计法对先验分布的超参数进行估计,以该先验分布的等价样本与观测值实现对网络参数的学习和对战场态势的估计.仿真实验结果表明,应用该方法实现态势估计具有较高的实时性和准确性.     

峰度与偏度系数的近似经验贝叶斯估计

建立了单样本数据的贝叶斯模型,给出了偏度系数和峰度系数的线性贝叶斯估计及近似信度估计.进而,将模型推广到多样本数据模型下,并讨论了近似信度估计的统计性质,比较了贝叶斯估计、线性贝叶斯估计及近似信度估计的均方误差.最后,给出了超参数的估计,得到了近似信度估计的经验贝叶斯估计,使该估计可直接运用于实际问题.     

基于变分稀疏贝叶斯学习的频谱检测方法

为了降低对宽带信号进行压缩频谱感知的复杂度,提出了一种基于变分稀疏贝叶斯学习的频谱检测方法.该算法直接利用压缩测量值对授权用户的位置、个数以及功率传播图进行了估计,在先验知识未知的情况下,利用变分稀疏贝叶斯求解稀疏权值.而且用简单函数因子逼近的方法降低了边缘似然函数的计算难度.实验结果表明:该方法在感知精度和速度上有显著提高.     

一种基于贝叶斯压缩感知的图像修复方法

图像修复是利用图像中已知区域信息对破损区域进行信息填充,以弥补信息的损失.传统的修复方法依赖图像的结构来确定,使图像达到人眼主观可以接受的程度.基于贝叶斯压缩感知的图像修复方法首先对受损图像进行稀疏变换,利用贝叶斯压缩感知得到稀疏系数的后验分布函数,求得分布函数的均值和方差,将均值作为图像的稀疏系数的估计,方差作为噪声的估计.仿真结果验证了该方法可以提高图像的修复质量.     

同分布负相协情形下威布尔分布族参数的经验贝叶斯检验问题

在同分布负相协样本情形下研究了威布尔分布族参数的经验贝叶斯检验.利用密度函数核估计方法构造了参数的经验贝叶斯检验函数,在加权线性损失下获得了该估计的收敛速度,在适当条件下证明了经验贝叶斯检验函数的渐近最优性.     

贝叶斯方法在金融保证保险模型中的应用

主要介绍了Hamilton模型和转换函数模型,说明了贝叶斯方法在金融保证保险模型中的应用,将模型中的参数作为具有先验分布的随机变量,然后根据贝叶斯定理,得出后验分布,以此为基础利用WinBUGS软件对模型参数进行估计,最后对纯保费和所需的风险资本总量进行预测。