均匀分布参数的矩估计与最大似然估计

讨论了均匀分布族 {R(0 ,θ) ,θ >0 }中参数θ的矩估计与最大似然估计的均方误差和相合性 ,结果表明修正后的最大似然估计的均方误差优于其它估计。     

均匀分布U(-θ,θ)参数的估计与优良性

研究均匀分布U(-θ,θ)的矩估计和与极大似然估计,并讨论两估计的优良性,证明矩估计和极大似然估计是强相合的,极大似然估计是UMVUE.     

在ARFIMA模型中使用小波的另一种极大似然估计

用小波变换方法提出ARFIMA(p,d,q)模型中分形差分参数d的另一种极大似然估计(MLE).这种极大似然估计被证明是相合的和渐近正态的.仿真结果显示这种极大似然估计偏差较小,并且与Tse的估计值相比较有更小的根均方误差(RMSE),该方法估计长记忆时间序列是有效的.     

两种统计框架下均匀分布参数估计的对比研究

在理论和模拟方面对均匀分布U (0,θ ) 参数θ 的Bayes 估计与极大似然估计进行对比研究. 首先将基于损失函数和共轭先验得到的Bayes 估计与极大似然估计在形式上进行对比,发现所得Bayes 估计不但在数值上略大于极大似然估计,而且还是参数的相应函数的极大似然估计;然后通过模拟研究两种估计方法对参数的返真性,结果表明所得的Bayes 估计的均方误差在大多数场合下都小于极大似然估计的均方误差.     

对称指数分布的参数估计及其优良性

研究了双参数对称指数分布的参数估计问题,给出了2个参数的极大似然估计.在样本容量为奇数的情形,证明了样本中位数作为双参数对称指数分布位置参数的极大似然估计,具有无偏性与强相合性;尺度参数的极大似然估计具有强相合性.在样本容量为偶数的情形,证明了2个参数的任一极大似然估计均具有强相合性.     

均匀分布U(a-θ,a+θ)的参数估计与优效性

研究均匀分布U(a-θ,a+θ)关于参数θ的矩估计和与极大似然估计,讨论参数θ估计的优效性,证明参数θ矩估计不惟一,参数θ的极大似然估计不仅是参数θ的无偏估计,还是参数θ的强相合估计,且参数θ的极大似然估计也是UMVUE.     

逐步Ⅱ型混合截尾下Lomax分布多部件应力强度模型的可靠性分析

基于逐步Ⅱ型混合截尾样本,研究Lomax分布多部件应力强度模型的可靠性分析问题。假设应力和强度具有不同形状参数和共同尺度参数,利用极大似然理论及迭代方法获得可靠度函数的极大似然估计(MLE),并给出渐近置信区间;然后,运用贝叶斯理论,借助Tierney-Kadane(TK)近似方法、MCMC算法,讨论平方误差损失函数下未知参数及可靠度的贝叶斯估计,给出其最大后验密度可信区间(HPD);最后,利用Monte-Carlo模拟方法对估计结果进行对比分析。模拟结果显示：贝叶斯估计整体上优于极大似然估计,并且随样本量的增大,2种估计的均方误差(MSE)均逐渐减小,HPD可信区间的效果优于渐近置信区间。     

双边截尾场合下BS疲劳寿命分布的参数估计

在双边定数截尾场合下,给出了Ｂｉｒｎｂａｕｍ －Ｓａｕｎｄｅｒｓ疲劳寿命分布的统计分析,给出了参数的拟最小二乘估计和近似极大似然估计,并用随机模拟方法比较极大似然估计、近似极大似然估计和拟最小二乘估计的偏性和均方误差．     

瑞利（Rayleigh）分布的先验似然估计

研究了瑞利分布中参数θ的有先验信息的极大似然估计,并讨论了其估计的性质,得到了其估计具有渐进无偏性和相合性.     

Ⅰ型双删失样本下Lomax分布形状参数的估计

基于Ⅰ型双删失样本求Lomax分布中形状参数的极大似然估计,并不能得到参数的显式表达式,但是可以证明极大似然估计是唯一存在的.用EM算法得到了未知参数的迭代公式,通过相关引理证明了该算法具有良好的收敛性.通过一个例子分别计算出参数θ的极大似然估计和EM估计,并把它们进行了比较,验证了EM算法是Ⅰ型双删失样本下参数估计的一种有效方法.     

INGARCH模型拟极大似然估计的相合性

利用拟极大似然方法研究INGARCH模型参数的估计问题,证明了拟极大似然估计的强相合性.模拟结果表明,在样本数较大时,拟极大似然估计比最大似然估计效果更好.     

带Gauss型误差具有Rao简单结构的GMANOVA-MANOVA模型中未知参数的MLEs及其数字特征

文章利用极大似然估计的方法探求了带Gauss型误差具有Rao简单结构的GMANOVA—MAN0vA模型中未知参数的极大似然估计，并求出了其数字特征，由此可更好地了解此模型的理论意义和实用价值。     

缺失数据p-范分布的极大似然估计

讨论了具有部分缺失数据p-范分布总体的未知参数σ的极大似然估计,证明了估计量的强相合性和渐近正态性。     

一类非线性AR模型的拟极大似然估计

研究了具有GARCH误差的非线性的AR模型的拟极大似然估计.在一定条件下证明了拟极大似然估计的强相合性,其结果更具有一般性.最后将此结果应用到一类具有GARCH误差的线性AR模型上.     

指数分布恒加试验定时截尾试验数据缺失时的Bayes分析

运用Gibbs抽样迭代方法,解决Bayes分析中的后验边际分布的计算问题,得到满足顺序约束的参数的Bayes估计.通过Monte-Carlo模拟表明,在各场合存在先验信息的情况下,Bayes估计的相对偏差和相对均方误差都小于极大似然估计;而对于没有先验信息的情况,Bayes估计跟极大似然估计的效果差不多.     

定时截尾情形下 Ｂｕｒｒ Ⅻ分布的参数估计及其检验

在定时截尾情形下，讨论了 Ｂｕｒｒ Ⅻ分布的形状参数、可靠度和失效率的极大似然估计，给出了极大似然估计的表达 式，证明了极大似然估计的相合性和渐进正态性，并给出它的近似区间估计和假设检验公式，最后进行了参数估计的数值模 拟。 结果表明:形状参数的极大似然估计效果良好。     

锥序约束下两个指数总体均值的估计

讨论样本容量相等时 ,在锥序约束 a1λ1≤λ2 ≤a2 λ1条件下 ,两个指数总体均值 λi( i=1 ,2 )的估计量 .证明约束极大似然估计 λi 具有比经典极大似然估计 Xi 更小的均方误差 ,并且讨论 λi 对 Xi的功效 e( λi,Xi) ,i=1 ,2 .     

柯西分布族对数似然方程根的大样本性质

文章针对一类具体的分布族———柯西分布族中参数θ,证明了存在θ的一个强相合且最好渐近正态估计^θ,它以概率1当样本量n充分大时是对数似然方程的根。     

负二项分布参数估计的MM算法

同时求解负二项分布的参数的极大似然估计并不是一件容易的事情,该文利用Tian、Huang 和 Xu 提出的组装分解技术来导出负二项分布中关于未知参数的极大似然估计的MM算法迭代式,并给出该方法的收敛率的计算公式.随机模拟的结果表明的MM迭代结果收敛到其极大似然估计,并且随着样本容量的增加,估计的准确性和精确性以及估计的速度均有显著提高.     

含MA误差的线性模型的经验似然推断

采用拟极大似然估计方法获得含MA误差的线性模型估计方程。为了能够使用经验似然方法,先利用鞅差序列将估计方程中的二次型转化为线性形式;再构造关于模型参数的经验似然比统计量,在一定假设条件下证明该统计量渐近服从卡方分布;模拟结果表明,在参数置信域的覆盖率方面,经验似然方法比参数似然方法更接近置信水平。