Cox比例风险模型的桥估计

在经济领域和生物科学领域的研究中,经常会遇到包括有变量指标多、样本量大的数据集.一般来说,在一个复杂模型中如果包括有很多微不足道的变量,统计结果往往很难解释.因此,为了减少这种误差,在没有先验的专业知识情况下,研究变量的选择方法非常重要.Cox比例风险模型是生存分析中重要的模型之一.本文将桥估计的变量选择方法应用于Cox比例风险模型中,该方法使用的惩罚函数是p∑j=1｜βj｜γ.用桥估计方法估计未知参数和变量选择,在一定条件下,讨论了基于惩罚部分似然的桥估计方法在Cox比例风险模型中的Oracle性质,即：相合性和渐近正态性.     

多变量密度函数的小波估计

本文给出并证明了多变量密度函数的线性小波估计的几个统计性质.基于多变量小波变换,本文主要讨论了多变量密度函数的线性小波估计.在Besov空间中,给定条件下,得到了线性小波估计的几个统计性质,本文并且给出了这些统计性质的证明.     

删失数据下事件持续时间多因素生存分析模型

交通事件持续时间是事故管理研究中最重要的指数之一,应用半参数比例风险模型和参数加速失效模型分析了多因素事件持续时间及其危险因子之间的关系.利用浙江省某高速公路3年内采集的事件数据,通过对交通事件各状态概率分布函数的显著性分析,比较了比例风险模型和加速失效模型对协变量选择及生存率对共同协变量的敏感性.基于Cox比例风险模型和对数罗吉斯蒂加速失效模型的参数估计表明,有6个显著性的协变量入选各自估计的生存函数,包括报警时段、事故类型、报警方式、占用车道数、受伤人数和当场亡人.对于最显著示性变量(当场亡人),持续时间生存概率估计曲线表明,加速失效模型对于该变量更敏感,且Cox比例风险模型更适合于短时持续时间的预测.此外,生存模型可以基于事故报告信息预测持续时间大小的概率,有益于事故预后措施的实施及为紧急救援提供决策参考.     

具有灵敏度参数的多个中介变量的中介效应估计

因果中介分析是调查自变量通过中介变量对因变量的影响。近年来,中介分析研究成果越来越多,但主要针对一个中介变量模型。在本文中,我们构造了具有多个中介变量的二变量中介模型,提出了中介效应的估计,并对估计结果进行了模拟研究。模拟结果表明我们提出的估计效果良好。     

多变量时间序列的主成分分析及估计

研究了多变量时序分析中的主成分分析方法，由此对高维多变量时间序列进行了降维处理。本方法是将原来的时序变量变换为低维的主成分变量，然后将低维主成分变量作为新的时序变量进行建模。在此基础上研究了多变量时间序列主成分估计的偏差及其与最小二乘估计的关系     

具有多个中介变量的中介效应估计①

因果中介分析是调查自变量通过中介变量对因变量的影响,以揭示其因果机制。近年来,中介分析研究成果越来越多,但主要针对一个中介变量模型。面对多个中介变量的复杂情况,构造了具有多个中介变量的中介模型,提出了中介效应的估计,并对直接效应和间接效应进行了模拟研究,模拟结果表明提出的估计效果良好。     

基于藤Copula-Monte Carlo方法的多事件巨灾债券触发概率模拟

当前全球自然灾害频发，传统的保险业已经无法承担日益严峻的巨灾风险。巨灾债券作为一种新型的金融创新产品，可以为巨灾风险提供更有效的分散方式。文章采用藤Copula模型来刻画多巨灾损失变量间的相关关系，在此基础上，将多巨灾损失变量的条件分位数估计应用到多事件触发巨灾债券的触发值设定。结合全球洪灾数据进行实证分析，通过Monte Carlo方法模拟多事件巨灾债券的触发概率，验证了所构建模型的可行性和优越性。     

带有协变量动态可靠性模型参数的估计

考虑带有协变量的k-out-of-n系统, 假设系统中正常工作变量剩余寿命的条件风险函数为成比例的风险模型, 讨论该模型参数、 系统的可靠度函数和分位数函数的最大似然估计以及这些估计量的渐近正态性, 给出模型参数的置信区间, 并对点估计和区间估计进行Monte Carlo模拟研究. 结果表明, 估计量的均方误差随样本容量的增加而减少.     

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.     

资本预算折现率研究

净现值法是资本预算中最为重要的一种方法，它需要的一个重要输入变量是项目的必要收益率。本文关注的是如何估计出项目的必要收益率。CAPM是估计必要收益率的最常用模型，为了应用该模型．我们需要了解无风险利率、市场风险溢价和项目贝塔的取值。本文详细论述了从已知信息中估计这些变量的方法。     

模式特征的几何代数多向量表示方法

模式表示是模式识别的一个基本问题。传统统计模式识别理论中模式特征一般表示为一个数值向量,并被视作维欧式空间中的一个点。这种表示方法只利用了一阶特征,容易丢失模式特征间的关联信息和高阶结构。本文首先阐述了几何代数的公理化定义和一些基本概念,然后将传统的模式特征向量表示推广为几何代数空间的多向量表示,接着讨论了该表示的两种特例,最后阐述了基于该多向量表示进行特征提取和分类的一般思想和需要进一步研究的问题。     

基于奇异值分解的极限学习机多变量时间序列预测模型

在极限学习机预测多变量时间序列研究中,针对以往将矩阵转换成向量作为模型输入,从而影响预测精度的问题,结合奇异值分解思想,提出一种直接以矩阵作为输入的多变量时间序列极限学习机预测型SVDELM.由Rossler、Chen’s、Lorentz和股票多变量时间序列的实验结果表明,SVDELM是一种有效的多变量时间序列预测模型.     

灰多元线性回归及其在搜索引擎中的应用

经典多元线性回归分析模型不能实时跟踪响应变量的动态变化和在大量样本中因出现病态数据而影响拟合效果的问题,基于灰色系统时间序列的特性,提出了将灰系统思想与经典多元线性回归分析模型结合,形成一种全新的模型——灰多元线性回归分析模型。实验结果表明,该模型不仅能更加准确地给出响应变量的变化趋势,而且能过滤掉少量病态数据,从而避免了对拟合效果的影响。将新模型应用到网站的搜索引擎中,通过对网站访问流量及各个关键字搜索频率,预测该网站下一阶段的网站的访问流量,预测结果可为网站的管理者提供决策支持的理论依据。     

基于PSO的支持向量机多元控制图均值偏移诊断模型

为了诊断多元控制图发出的报警信号是由哪一个或者哪些变量组合发生均值偏移引起的,提出了基于粒子群优化（PSO）算法的支持向量机（SVM）多元控制图均值偏移诊断模型．模型中使用丁。控制图对多元过程进行控制,在假设过程方差．协方差矩阵保持不变的前提下,根据不同的均值偏移模式,产生SVM训练数据集和测试数据集,用Ps0对SVM的参数进行优化,最终得到优化的SVM模型．结果表明,基于粒子群优化算法的支持向量机模型（SVM．PSO）比基于SVM和基于神经网络（ANN）模型的分类能力更强,分类准确率超过85％．     

对数线性模型在非线性相关分析中的应用

本文采用对数线性模型将多向列联表中类型变量间的复杂的相互关系问题转化为广义线性模型的问题来研究,使类型变量的问题归结为定量型变量的多重回归模型问题,且观察值不必满足正态性的条件.这种方法可以用于一切涉及类型多变量间相互关系的科学(如生物、医学、教育、科技调查、工商管理等)研究中去.     

第二类多元t分布模型中参数的一致最小风险同变估计的存在性

利用多元正态分布和gamma分布定义了另一种形式的多元t分布,称为第二类多元t分布,并研究了第二类多元t分布模型中参数的一致最小风险同变估计的存在性问题．     

降秩多元线性模型参数阵的一类有偏线性估计

本文对降秩多元线性模型的参数阵提出了一类有偏线性估计，讨论了许多重要的性质，从而把降秩模型中参数阵的估计问题转化为满秩模型中参数阵的估计问题，为了讨论方便，我们给出了一种特殊情况；最后，讨论了多元线性模型参数阵的Ｂａｙｅｓ线性估计。     

多元马氏模型下的Phase-Type分布及其数学期望

在多元马尔可夫模型下研究了Phase-Type分布.根据多元马氏模型状态的转移特征,在确定模型中各随机序列的瞬时状态集转移到吸收态集的首达时间的条件下,结合传统Phase-Type分布的定义,提出多元马氏模型下Phase-Type分布的概念,并给出该分布的分布列和数学期望.     

基于BP和GA的微晶玻璃点磨削表面硬度数值拟合

通过低膨胀微晶玻璃的高速点磨削实验,测试了加工表面硬度,分析了表面硬度随工艺参数的变化趋势.基于BP神经网络算法与单因素实验值,通过最小二乘数值拟合,建立了点磨削低膨胀微晶玻璃表面硬度与各工艺参数关系的系列化一元模型,以决定系数检验模型的精度,结果表明模型具有较高的可靠性.通过单因素一元模型分析,提出了低膨胀微晶玻璃表面硬度与工艺参数关系的多元模型.在正交试验的基础上,基于遗传算法对多元模型进行了优化建模求解.通过验证实验检验了模型的精确度,结果表明,多元模型具有较高的可靠度.     

多元时间序列模式异常研究

为了提高多元时间序列模式异常检测算法的有效性和合理性,在k-近邻局部异常检测算法的基础上,结合基于主元分析的多元时间序列的降维方法,对多元时间序列模式异常进行检测.实验结果验证了该算法对多元时间序列模式异常检测的准确性和有效性.