基于非均等排序集抽样的符号检验

为检验未知总体的中位数,提出基于非均等排序集抽样的符号检验.通过比较符号检验的Pitman效率,表明非均等排序集抽样效率高于排序集抽样和简单随机抽样. 考虑到非均等排序集样本独立但不同分布,提出与秩次有关的加权符号检验,具体给出使检验效率达到最大的权数,并证明出最优权数具有适应任意分布性. Pitman相对效率的计算结果表明,非均等排序集抽样下最优加权符号检验优于排序集抽样下最优加权符号检验. 最后,对阔叶松树的一组真实数据进行了实际应用.      

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.     

基于广义排序集样本的分位数估计

为提高总体分位数的估计效率,提出基于广义排序集抽样的非参数加权估计量.根据估计量的强相合性和渐近正态性,给出了在任意给定的抽样方案下使渐近方差达到最小的权数.再利用最优权数的适应任意分布性,证明出使估计效率达到最大的抽样方案是从所有排序小组中挑选具有同一次序的观测值.通过对渐近相对效率的数值计算和一组真实数据的实际应用,表明最优加权估计功效高于无权估计,最优排序集抽样效率高于标准排序集抽样和简单随机抽样.      

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。     

随机选择排序集抽样的应用

主要讨论随机选择的排序集抽样方法,在指数分布和对数分布进行均值估计的应用,并得出随机数v的选择的优化。     

基于分层排序集抽样方法的改进比率估计

基于分层排序集样本提出了总体均值的改进比率估计方法,讨论了改进比率估计量的均方误差和偏差估计式,证明了改进的比率估计比原来的联合比率估计更加有效.最后,利用一组幼儿黄疸病胆红素含量的数据进行实例分析,结果表明,基于分层排序集样本的改进比率估计可以有效提高估计精度.     

基于GRSS的均匀分布分位数的估计

主要讨论的是基于ni不固定的广义排序集样本的均匀分布分位数的估计,提出了包括GRSS最小方差无偏估计,简单估计和均衡排序集估计,计算了方差和相关系数,并相互进行了比较.     

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.     

排序集抽样下随机截尾数据的平均寿命估计

为了提高随机截尾数据平均寿命的估计效率,采用平均秩思想,提出了基于排序集抽样方法的非参数估计量,证明了新估计量的渐近正态性,确定了其渐近方差,并与简单随机抽样下相应估计量进行了估计效率的比较,结果表明,排序集抽样效率高于简单随机抽样.最后,实际数据的应用结果验证了理论结果的正确性.     

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.     

关于多重循环秩集抽样下正确排序的一种秩检验方法

研究了关于多重循环秩集抽样下正确排序的一般检验方法,详细讨论了3个合理的检验统计量Nm1,Sm1和Am1,并推导出了其在原假设成立条件下的精确分布.当n1=n2=…=nk=1时,结果和文献[Li T,Balakrishnan N.Some simple nonparametric methods to test for perfect ranking in ranked set sampling.Journal of Statistical Planning and Inference,2008,138:1325-1338]是一致的.     

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。