指数几何混合模型参数的嵌套EM算法(英文)

本文介绍了由指数分布和一个截尾分布混合得到的指数几何混合分布模型,简记为EG模型。它的概率密度函数为f(x;β,p)=β(1-p)e-2βx(2-pe-βx)(1-pe-βx)-2,通过直接积分得到该分布的矩为E(xr;β,p)=p-1(1-p)r!β-r[p-1L(p,r)-1]。首先说明了用EM算法在M步中不能求得参数β和p的极大似然估计的显式解,需要用数值解法,然后通过嵌套一个EM算法在另一个EM算法中,外层EM算法是基于混合模型的缺失数据讨论,内层EM算法是针对截尾观测数据的,得到了参数的极大似然估计量。     

指数几何混合模型参数的嵌套EM算法

本文介绍了由指数分布和一个截尾分布混合得到的指数几何混合分布模型,简记为EG模型。它的概率密度函数为 *。首先说明了用EM算法在M步中不能求得参数β和p的极大似然估计的显式解,需要用数值解法,然后通过嵌套一个EM算法在另一个EM算法中,外层EM算法是基于混合模型的缺失数据讨论,内层EM算法是针对截尾观测数据的,得到了参数的极大似然估计量。(注：*处代表公式)
     

定时截尾下双参数指数模型参数估计的EM算法

利用EM算法讨论在定时截尾试验中最后一个失效时间与截尾时刻之间的信息,得出双参数指数模型中尺度参数的迭代解,并比较了EM算法与传统的极大似然估计,得出EM算法要明显优于传统的极大似然估计.     

无失效数据的EM算法

在可靠性统计的定时截尾寿命试验中,最后一个失效时间与定时截尾时刻之间的信息常被忽略.本文利用EM算法来处理这一情形.先用已知数据来估计出未观察到的潜在数据,进而得出可靠性指标的估计.并将EM算法与极大似然估计及修正极大似然估计进行了比较,可以明显看出EM方法优于后两者.最后将EM算法推广到无失效数据情形下,得出无失效数据下的指数分布平均寿命的一个估计.     

定时截尾下Weibull分布参数估计的EM算法

在可靠性统计的定时截尾寿命试验中,最后一个失效时间与截尾时刻之间的信息常被忽略.利用EM算法来处理这一情形,得出Weibull分布中尺度参数的迭代解.并将EM算法与传统的极大似然估计进行了比较,可以看出EM算法明显优于传统的极大似然估计.     

极值分布右截尾线性回归模型参数的极大似然估计

本文对右截尾数据的线性回归模型,在误差服从极值分布条件下,先给出其参数极大似然估计的一般迭代算法,然后证明了尺度参数为常数时EM算法与该一般迭代算法的一致性,保证了迭代的收敛.     

基于EM算法的Dirichlet分布的参数估计

为了克服Dirichlet分布的传统估计算法复杂且不能保证有效性的缺陷,将基于Dirichlet分布的随机表示引入缺失数据,构造了EM算法计算参数的极大似然估计,算法简单的同时保证了估计的有效性.最后进行统计模拟,结果表明,本文提出的基于EM算法的Dirichlet分布的参数估计有很好的估计精度.     

基于EM算法的光滑参数选择

在非参数建模中,可以通过最小化均方误差（mean squared error）来优化光滑参数λ,即需要刻画出均方误差随λ的变化趋势,进而使均方误差最小的λ值即为最优的估计值,但在实际应用中并不知道回归函数的显示表达式,因此方法具有一定的局限性;通过样条回归模型与混合效应模型之间的关系,结合极大似然理论与EM算法去优化光滑参数λ.     

定时截尾情形下几何分布参数的估计和检验

本文讨论了定时截尾情形几何分布参数的极大似然估计,证明了参数的极大似然估计的相合性质和进一步的渐近正态性质,给出了检验两几何总体参数相等的检验统计量以及检验统计量的极限分布.其结果对于离散型总体分布的参数估计问题具有普遍的现实意义.     

广义线性模型中不完全数据的参数估计

讨论了广义线性模型类中离散协变量和离散响应变量数据不完全时,参数极大似然估计的EM算法,文中给出了参数估计的具体表达式和估计的渐进协方差.最后,通过随机模拟说明EM算法的优良性.     

双边定时截尾下指数威布尔分布的参数估计

基于双边定时截尾样本,考察了指数威布尔分布的极大似然估计,由于无法得到似然方程的显式解的表达式,所以证明了解的唯一存在性.用EM算法可以处理不完全数据下参数的估计问题,得到了EM算法估计的迭代式.用R软件进行了随机模拟,结果表明当样本容量n较大时,采用极大似然估计较为准确,当样本容量n较小时,采用EM算法估计较为准确.     

EM算法收敛的必要条件

本文从变换Ｊａｃｏｂｉａｎ阵角度出发指出了ＥＭ算法收敛的必要条件，并给出了验证这一条件的近似方法，这为ＥＭ算法的实际应用提供了一定的帮助，而且避免了文章［２］，［４］中的纯数学条件     

含缺失数据线性模型回归系数的约束EM算法

应用EM算法求含缺失数据的约束线性模型回归系数的极大似然估计,该回归系数满足线性不等式约束.我们提出M-步的优化算法,并针对正态模型讨论EM序列的收敛性,最后举例说明算法的应用.     

基于EM算法的极大似然参数估计探讨

首先介绍了EM算法，然后研究了基于EM算法的混合密度极大似然参数估计，最后利用计算机仿真验证了此算法的收敛性和有效性。     

EM算法理论及其应用

EM算法是一种迭代算法,主要用来计算后验分布的众数或极大似然估计,广泛地应用于缺损数据、截尾数据、成群数据、带有讨厌参数的数据等所谓的不完全数据的统计推断问题。在介绍EM算法的基础上,针对EM算法收敛速度慢的缺陷,具体讨论了加速EM算法：EMB算法和MEMB算法;针对EM算法计算的局限性,给出了EM算法的推广：GEM和MCEM算法。最后给出了EM的实值实例,结果精确。     

不完全数据情形下指数分布参数的最大似然估计

处理生存分析观测数据使用的参数估计方法有很多,极大似然估计法是最常见的一种估计方法。当寿命分布为指数分布时,本文给出了定时截尾数据、定数截尾数据情形的极大似然估计,以及随机右删失下参数极大似然估计的一般表达式。此外,论文还提出了分组数据场合参数极大似然估计的图解求法。     

递增EM算法的图像聚类

研究在样本子集中实现EM估计的递增EM算法.通过检测子样本的似然判断条件,自动选择样本递增的数量,建立子样本的拟合分布逐步逼进完全样本的高斯模型的过程,改进了传统EM算法在每一步迭代都需要遍历完全样本的计算复杂性以及效率较低的问题.实验结果表明,与EM算法相比,该算法能更早地达到估计值的领域,具有较快的收敛速度,聚类效...     

随机截尾指数寿命数据之参数θ的极大似然估计及其性质

针对随机截尾试验模型 ,导出了失效数据组的联合分布函数 ;在受试样本服从指数分布的条件下 ,获得了参数θ的极大似然估计及其性质 ,这是相对于定数截尾和定时截尾来说更具有一般意义的结果。     

左截断右删失数据下几何分布参数的点估计

证明了左截断右删失数据下几何分布参数极大似然估计的存在唯一性,给出了由EM算法得到的参数的迭代公式,进行了随机模拟试验,结果表明参数的MLE和EM估计的精度都较高.     

Cox模型中参数满足线性不等式约束的似然估计

研究了Cox比例风险模型中协变量部分缺失且参数满足线性不等式约束下的极大似然估计问题。在实际问题中，特别是对生存分析的研究中，数据经常会出现删失、截断、缺失的情况。本文利用EM算法和约束下优化算法得到的数据部分缺失且参数满足线性不等式下的极大似然估计。