指数分布冷贮备单元的串联系统产品的统计分析

考虑寿命服从指数分布的冷贮备单元串联而成的系统,给出了参数的矩估计、极大似然估计和逆矩估计,并通过大量Monte-Carlo模拟考察估计的精度,得到矩估计和极大似然估计优于逆矩估计.同时,还给出了参数的精确区间估计和近似区间估计,通过大量Monte-Carlo模拟考察了区间估计的精度,得到参数的精确区间估计优于近似区间估计.     

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.     

线性回归模型的一类新约束型LIU估计

针对带线性约束型的回归模型复共线性问题,提出了一种新估计,称之为修正约束型LIU估计,给出了新估计的性质.在均方误差准则基础上证明了在一定条件下,修正约束型LIU估计优于最小二乘估计、岭估计、修正岭估计和约束型LIU估计,最后讨论了新估计的可容许性.     

Nekrasov-矩阵的逆矩阵的无穷大范数的上界新估计

Nekrasov矩阵作为H-矩阵的一个重要子类,一直都是广大学者研究的热点矩阵之一.研究了Nekrasov矩阵的逆的无穷范数上界估计问题,首先,给出了其逆矩阵的无穷范数的新估计式.其次,证明了新估计式改进了相应文献的结果.最后,通过数值例子表明新估计式比已有估计式估计更具优越性.     

平衡损失下回归系数的最小风险估计

研究了线性模型中回归系数的最小风险估计问题.在平衡损失函数下,考虑了回归系数线性估计在线性估计类中的最小风险性,结果表明最小风险估计是非线性有偏估计,它与未知参数有关,当用未知参数的不同估计代替时,得到的估计都是一种估计的平衡.     

双参数指数分布门限参数估计的讨论

针对双参数指数分布门限参数的两种最常用估计“极大似然估计和最小方差无偏估计”的缺陷,提出了一种新的估计方法,给出了最小方差无偏估计不合理程度的一个度量,统计计算结果表明了新估计的优良性.     

平衡损失下回归系数的最优估计

主要研究一般Gauss-Markov模型中回归系数的最优估计问题.在平衡损失下,考虑回归系数的线性估计在线性无偏估计类中的最小风险性,得到回归系数的最优线性无偏估计,并证明最优线性无偏估计在几乎处处意义下的唯一性.特别地,考虑了一类特殊的估计:b-线性估计;获得了回归系数的最优b-线性无偏估计,结果表明最优线性无偏估计也是回归系数的最优b-线性无偏估计.     

多项式零点的界的一种估计

本文提出了多项式零点的界的一种估计方法,并利用这种估计方法,得到了一些新的估计,改进了一些经典的估计式和近期的估计式。     

生长曲线模型的综合岭估计

该文提出了生长曲线模型回归系数的一种新的有偏估计—综合岭估计,讨论了综合岭估计的优良性、可容许性等性质,给出了其迭代解和极小化均方差的无偏估计解。在综合岭估计下,岭估计、广义岭估计、根方估计成为其特例,从而统一了生长曲线模型的岭估计和根方估计理论。     

聚集数据线性模型参数聚集Liu估计的相对效率

 当线性模型中的变量间存在复共线性时,常用有偏估计代替无偏估计。其中广义岭估计是研究较多的一种有偏估计。很多实际问题只能观测到聚集数据。本文给出了聚集数据线性模型聚集Liu估计的定义,提出了聚集Liu估计相对于最小二乘估计的两种相对效率,并得到这两种相对效率的上界;给出了聚集Liu估计相对于Peter-Karsten估计的2种相对效率及其上界。本文提出的聚集Liu估计,既能保证估计参数的稳定性,又能保证估计参数的近似无偏性,从这个意义上说,该估计在某种程度上优于聚集广义岭估计。     

一阶广义随机系数自回归模型参数的最小渐近方差估计

研究广义随机系数自回归模型中参数的估计问题, 给出了未知参数的一个估计类, 证明了该估计类中估计的相合性和渐近正态性, 并且获得了该估计类中的最小渐近方差估计, 并通过数值模拟比较了估计类中各种估计方法的优劣.     

增长曲线模型回归系数的组合主成分估计

本文提出了增长曲线模型回归系数的一种新的有偏估计——组合主成分估计,在一定条件下证明了此估计优于最小二乘估计且是可容许估计,进一步,给出了这种估计与文献[4]中提出的主成分估计的关系。     

熵损失下失效率的E-Bayes估计及其性质

失效率的多层Bayes估计需要用到复杂的积分,计算比较困难.本文提出了一种新的估计方法——E-Bayes估计法.它是在Bayes估计的基础上,先给出超参数的先验分布,进而对失效率进行估计.文章分别给出了在特定超参数先验分布的条件下,失效率的E-Bayes估计和多层Bayes估计的计算公式.结果表明,失效率的E-Bayes估计避免了多层Bayes估计复杂的积分计算,形式上更加简洁,便于计算.并通过实例证明,对于同一组实验数据,失效率的E-Bayes估计和多层Bayes估计的数值计算结果十分接近.这说明,失效率的E-Bayes估计不仅具有多层Bayes估计的稳健性,而且具有多层Bayes估计的精确性,从而表明本文提出的失效率的E-Bayes估计法是可行的,且相比于失效率的多层Bayes估计更加简洁,更便于应用.     

协方差的二次估计的可容许性

 研究协方差的二次估计的可容许性,在平方损失下,我们给出了一个齐次二次估计在齐次二次估计类中是协方差的容许估计的充要条件和一个非齐次二次估计在非齐次二次估计类中是协方差的容许估计的充要条件.     

双参数指数分布的参数估计(Ⅰ)

本文讨论了双参数指数分布的参数估计和区间估计问题,分别给出参数的最大似然估计,Bayes估计和最优线性无偏估计,并且给出了一致最小方差无偏估计。     

GOLDBACH问题主项的阶的估计

引入了点筛函数的概念,并对它进行了量级估计,确定了估计式的主项系数,进而估计了Goldbach函数主项的量级.     

瑞利分布全样本下的统计分析

针对瑞利分布,在全样本场合下给出了参数的矩估计、极大似然估计和区间估计。与此同时还通过大量Monte-Carlo模拟分别考察了参数的点估计和区间估计的精度,从中可以看到参数的极大似然估计的精度比矩估计的好些。     

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.     

平衡损失下带约束的回归系数的线性容许估计

文章在推广的矩阵形式的平衡损失函数下,利用矩阵的向量化方法,研究了带线性约束的多元线性模型中回归系数的线性可容许估计;并在齐次线性估计类和非齐次线性估计类中,分别得到了齐次线性估计和非齐次线性估计是可容许估计的充分和必要条件,推广了有关文献的结果。     

部分线性变系数模型的Liu估计

研究了部分线性变系数模型中参数分量的有偏估计问题.基于Profile最小二乘方法和Liu估计法构造了参数分量的Profile-Liu估计和剖面最小二乘广义Liu估计,并在一定的条件下,证明了Profile-Liu估计优于Profile最小二乘估计,剖面最小二乘广义Liu估计优于Profile-Liu估计.