Jackknife方法在医学统计中的应用

Bootstrap方法在统计中的应用日益广泛,作为该方法的补充,本文介绍Jackknife方法在医学统计中的应用。应用Jackknife方法对Logistic回归模型中回归系数的标准差(标准误)的Bootstrap估计的方差进行估计。Jackknife方法可以很方便估计出Logistic回归模型中回归系数的标准差。本文的结果表明Jackknife方法可以用于对不易估计统计量的标准差进行估计。     

删失回归模型的加权Bootstrap逼近

研究带删失数据的回归模型.基于合成数据,运用加权Bootstrap方法获得回归系数样本分布的近似估计,并对一般权序列,证明了这种分布近似的有效性及回归系数的加权Bootstrap估计的相合性.据此构造回归系数的加权Bootstrap置信域.数值模拟结果表明,就覆盖率而言,加权Bootstrap置信域优于传统的渐近正态置信域.     

截断删失数据下泊松分布参数的点估计

利用EM算法和MCMC方法对截断删失数据下泊松分布寿命参数的点估计进行了研究.利用逆变换法和舍选法对缺损数据进行了填充,获得了产品的完全数据,得到了参数的EM迭代公式.对满条件分布进行了抽样,把Gibbs样本的算术平均值作为参数的MCMC估计.随机模拟的估计效果较好,估计值比较稳定,且精度较高.     

左截断右删失数据下泊松分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到左截断右删失数据下泊松分布的完全数据似然函数.给出变点位置和其它参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行抽样,介绍MCMC方法的实施步骤.把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

基于严密Helmert方差分量估计的动态Kalman滤波

针对Kalman滤波模型推导了严密的Helmert方差分量估计公式.在此基础上,构建了方差分量估计辅助的Kalamn滤波解,改进的Kalman滤波与标准Kalman滤波的计算过程基本相同.推导了方差分量估计对Kalman滤波解的影响.理论推导和计算结果均表明,Helmert方差分量估计辅助的Kalman滤波能够合理调控动力学模型误差的影响,合理平衡观测信息与动力学模型信息对Kalman滤波解的贡献,提高状态参数估计的精度;严密Helmert方差分量估计与简化Helmert方差分量估计辅助的Kalman滤波解基本等效.     

再谈一种新的偏态分布下心理状态数的估计

心理状态数是反映人们日常生产活动中心理状态对他们的行为和结果影响的重要指标.董云河和宋述龙最早假定心理状态对结果影响的偏态分布为N(0,σ2,c).随后,宋立新给出一种新的偏态分布.该文指出了这种新偏态分布的局限性,并在此基础上提出一种更广泛的偏态分布,并得到了其矩估计和极大似然估计.通过统计模拟研究,比较已得到的2种估计与已有估计的偏差与均方误差,得出了极大似然估计具有较强的稳健性的结论.     

Warner模型中的Jackknife方法

本文在二值敏感问题随机化调查的wamer模型中引入了Jackknife方法．构造了总体敏感属性比例的Jackknife估计量πJ并讨论了估计量的性质.进而构造了Jackknife估计量方差的估计量方差的估计量.对于一个人为总体计算得到通常估计和Jackknife估计的有关数值结果,说明了本文提出的方法在实际中是一个可用的方法．     

线性混合模型中方差分量的非负估计

在线性混合效应模型中,方差分量的非负估计问题备受关注.基于方差分量的ANOVA估计,给出了方差分量的不依赖于随机效应分布的非负改进,且改进后的估计在均方误差意义下优于ANOVA估计,有比ANO-VA估计更好的极限性质.当随机效应和随机误差都服从正态分布时,模拟显示,新估计优于ANOVA估计以及Tatsuya估计.     

左截断右删失数据下二项分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了左截断右删失数据下泊松分布的完全数据似然函数.给出了变点位置和其它参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样.详细介绍了MCMC方法的实施步骤.得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

IIRCT下负二项分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了带有不完全信息随机截尾试验下负二项分布的完全数据似然函数.给出了变点位置和其他参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样.详细介绍了MCMC方法的实施步骤,得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

基于动态贝叶斯网络的公路交通事件算法

利用贝叶斯后验概率函数,通过不断改进有关事件发生概率的权值,充分逼近真实值．其中,对于有关参数数值的获取,我们利用Gibbs抽样,通过随机模拟,即Markov Chain Monte Carlo（MCMC）的方法,来近似得到,尽管是近似,却有很高的精确度．最后,我们用这个方法做了一个交通事件的例子,表明效果很好．     

马尔科夫链蒙特卡洛地面磁共振信号参数提取

为解决MＲS( Magnetic Ｒesonance Sounding) 信号中乘性噪声干扰的问题,提出了马尔科夫链蒙特卡洛的 参数提取方法。建立MＲS 复包络参数的先验信息模型与似然函数模型,使用马尔科夫链蒙特卡洛( MCMC: Markov Chain Monte Carlo) 方法对参数后验分布进行采样与拟合,在后验分布中出现次数最多、权值最大的数据 作为参数的最优估计值。通过多组不同噪声条件下的MCMC 参数提取结果与非线性拟合方法对比,证明了 MCMC 方法可在乘性噪声的干扰下进行MＲS 信号参数提取,准确度高、稳定性强。     

三水源新安江模型参数不确定性分析PAM算法

针对水文模型参数不确定性分析常用方法 收敛速度缓慢,容易陷入参数空间局部最优区域等 问题,提出了PAM (parallel adaptive metropolis) 算法;对三水源新安江模型参数不确定性进行分析 研究。实例研究表明显著提高了计算速度和求解质 量,参数后验分布结果为区间预报提供了条件。     

基于误差修正的电线覆冰厚度贝叶斯模型及分析

通过对已有的电线覆冰厚度数据进行分析,建立了电线覆冰厚度时间序列模型,对覆冰厚度进行贝叶斯统计推断,然后运用基于Gibbs抽样的MCMC方法对推断模型进行参数估计,并对MCMC模型进行误差修正.在此基础上,运用WINBUGS软件,对Gibbs抽样得到的预测结果与极大似然估计的预测结果进行比较.比较分析结果表明:通过误差...     

基于重要性排序蒙特卡洛粒子滤波的物体跟踪算法

研究复杂背景下的物体跟踪方法. 提出一种用于物体跟踪的重要性排序马氏链蒙特卡洛粒子滤波算法. 算法利用少量加权初始粒子得到后验概率分布的初步估计,并通过重要性排序马氏链蒙特卡洛采样技术从该初步估计抽取新的粒子,以构建对应不同模态的多条独立马氏链,从而充分逼近真实后验概率分布的多模态. 所提出的算法自适应地根据当前模态分布构建多条独立马氏链,因此能够在多模态的复杂场景下准确估计目标状态的后验概率分布;同时,在构建马氏链的过程中,算法采用重要性排序策略确定历史样本被选为状态转移核的似然度,提高了小权重样本被选中的可能性,降低了在马氏链构建过程中陷入局部最优的概率. 仿真实验以及真实视频上所进行的实验显示,所提出的方法能够实现准确稳定的物体跟踪,且效果优于标准粒子滤波算法以及马氏链蒙特卡洛粒子滤波算法.      

MCMC方法在估计二元随机波动率模型中的应用

金融数据的波动性一直是经济学研究的热点问题之一,随机波动率模型(SV)在波动率建模中有着重要的应用.马尔科夫链蒙特卡罗(MCMC)方法是估计参数的一种有效方法,给出估计一类二元SV模型参数的MCMC算法,并通过WinBUGS软件编程实现了该算法.文章最后给出了模型和程序的一个实际应用.     

Accurate Identification of Mass Peaks for Tandem Mass Spectra Using MCMC Model

In proteomics, many methods for the identification of proteins have been developed. However, because of limited known genome sequences, noisy data, incomplete ion sequences, and the accuracy of protein identification,it is challenging to identify peptides using tandem mass spectral data. Noise filtering and removing thus play a key role in accurate peptide identification from tandem mass spectra. In this paper, we employ a Bayesian model to identify proteins based on the prior information of bond cleavages. A Markov Chain Monte Carlo(MCMC)algorithm is used to simulate candidate peptides from the posterior distribution and to estimate the parameters for the Bayesian model. Our simulation and computational experimental results show that the model can identify peptide with a higher accuracy.     

等级反应模型的Gibbs抽样方法

探讨了MCMC算法在多级评分项目反应模型参数估计中的实现及其估计精度.针对等级反应模型,基于数据扩充技术,提出了一种高效灵活的Gibbs抽样方法,得到了各个参数的Markov链.随着潜在变量的引入,每个参数的满条件分布为相应参数的先验分布的截断分布.这种抽样方法适用于任何类型的先验分布,不受先验分布形式的约束.对应每个...     

基于MCMC的线性调频信号最大似然参数估计

为实现合成孔径雷达对运动目标有效地成像,需要对运动目标的线性调频(chirp)回波信号的参数进行准确地估计。该文将马尔可夫链蒙特卡洛(MarkovchainMonteCarlo,MCMC)方法和均值似然估计相结合,利用离散调频图(chirpogram)作为起始点的选择方法,提出了一种实现单分量chirp信号最大似然参数估计的新方法。仿真和分析表明这种方法的参数估计性能可以在较低信噪比时达到CramerRao界(CRB)。该方法结构简单,计算量适中,可以联合估计各参数,无误差传递效应,估计性能良好。     

有效粒子数MCMC粒子滤波算法研究

MCMC（ Markov chain Monte Carlo）粒子滤波算法改善了粒子滤波算法的估计性能,但同时也带来了过大的计算量,在研究MCMC粒子滤波算法的基础之上,对其进行改进,改进算法引入有效粒子数概念,适时抛弃退化粒子,动态调整粒子数,减少了运算量,提高了运行效率,仿真结果表明,该改进算法在不降低原算法估计性能的同时,有效地提高了MCMC粒子滤波算法的运行效率,并且随着粒子数目的增加,这种优势表现更加显著。