纵向数据的一种稳健同时建模方法（英文）

使用多元t分布,提出了一种分析带有异常值的连续纵向数据的同时建模方法.不同于已有主要推断回归均值的稳健方法,本文旨在通过稳健同时参数化建模来揭示位置参数,边际尺度参数和相依参数的动态变化机制.为了加速极大似然估计过程中EM算法的速度,采用一种基于ECME的最大似然估计求解算法,所得到的估计量被证明具有相合性和渐近正态性.数据分析表明所提方法是有效的.     

纵向数据下广义经验似然方法的有效稳健估计

基于广义经验似然估计方法,提出了一种有效且稳健的估计,实现对纵向数据在线性模型下均值和协方差矩阵的联合估计。利用Cholysky分解将模型重参数化,利用拉格朗日乘子法求出估计值,再还原出均值和协方差矩阵的估计。在模拟研究中将所提方法同文献中其他稳健估计进行比较,结果显示所提方法效率更高。最后将所提方法用于分析CD4细胞数据,交叉验证结果显示所提方法更加可靠。     

双参数Rayleigh分布的参数和环境因子的统计分析

针对定时截尾试验的弊端提出了一个新的寿命试验方案,基于试验数据得到了似然函数,但运用极大似然法不能得到尺度参数的解析表达式.利用EM算法讨论了Rayleigh分布的可靠性问题,并根据缺失信息原则计算了Fisher信息矩阵.利用极大似然估计(MSE)的渐近正态性,推导出环境因子的渐近置信区间.运用Monte Carlo方法对估计的平均相对偏差(ARE)、均方误差(MSE)进行了模拟计算,并讨论了样本量对估计精度的影响.结果表明,尺度参数和环境因子的极大似然估计的ARE随样本量增大而减小,都具有大样本性质.     

纵向数据半参数Possion回归模型

建立了半参数纵向数据的Possion回归模型,并利用极大似然估计对此模型的参数进行了估计,讨论了它的Fisher信息矩阵,给出了似然方程的Newton-Raphson迭代求解过程.     

纵向数据半参数混合效应的Logistic模型

为了深入探究Logistic模型的统计推断问题,联合半参数混合效应模型和Logistic模型建立了纵向数据半参数混合效应的Logistic模型,进一步求出该模型的极大似然函数、Fisher信息阵,利用QLB(quadratic lower-bound)算法求解参数的极大似然估计.最后进行数值模拟,结果表明在此模型的求解问题上QLB算法是Newton-Raphson算法的合理替代.     

纵向数据部分线性模型的基于高斯伪似然的高效估计

在纵向数据部分线性模型中,基于高斯伪似然构造相关阵的相合正定估计,进而得到回归参数的高效估计,给出了估计的算法及基于高斯伪似然的相关阵模型的选择准则.模拟表明,基于高斯伪似然方法得到的参数估计是高效的.     

Fisher得分法与EM算法在随机效应模型中的应用

随着随机模型的广泛应用,关于随机效应模型的参数估计一直是线性模型的最活跃的研究方向之一。我们经常估计这类模型的固定效应和方差成分。我们使用极大似然估计作为估计方差成分的一种技巧,为了考虑到估计固定效应时的自由度的损失,我们又会使用限制极大似然估计。计算方差成分的ML或者REML估计时,有很多迭代算法可以使用。我们关心的是Fisher得分法和EM算法应用到随机效应模型的方差成分上,通过使用这两种算法对随机效应模型的方差成分的极大似然估计和限制极大似然估计进行比较分析。本文给出EM算法用于求极大似然估计的具体公式补充证明,并对Fisher得分法在随机效应模型中的应用限制极大似然估计给予具体公式。     

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.     

一类不完全纵向数据的统计推断

借助于EM算法和极大似然估计,讨论了一类特殊的、不完全纵向数据的参数估计和统计推断。     

基于模糊C均值聚类改进的最大似然分类法

基于参数密度分布模型的最大似然分类法(MLC)是遥感影像经典分类方法之一,它具有清晰的参数解释能力、易于与先验知识融合和算法简单而易于实施等优点,但是由于遥感数据具有高度的模糊性和随机性,使得贝叶斯(Bayes)判别函数中的均值向量和协方差矩阵很难准确确定。因此首先利用模糊C均值聚类得到模糊划分矩阵,然后基于模糊划分矩阵计算出每一个聚类类别模糊均值和模糊协方差矩阵,并利用模糊均值和模糊协方差矩阵来代替贝叶斯判别函数中的均值向量和协方差矩阵从而建立一个新的判别函数,最后与传统的最大似然分类结果进行比较,结果表明改进后的最大似然分类法在总体精度、Kappa系数均优于传统的最大似然分类方法。     

纵向数据半参数下的负二项模型

研究建立纵向数据半参数下的负二项模型,利用极大似然估计对此模型进行参数估计,给出Newton-Raphson迭代算法的过程,其次讨论在一定的正则条件下估计的渐近性质.     

矢量传感器声源方位与噪声协方差阵联合估计

针对空域非均匀白噪声,通过矩阵变换估计噪声协方差矩阵,进而采用噪声预白化技术获取声源方位的最大似然估计,该方法避免了原最大似然算法加权参数选取的一维搜索过程,提高了算法效率;针对空域色噪声,利用噪声协方差矩阵的先验分布信息,结合噪声预白化技术,提出声源方位与噪声协方差矩阵迭代联合估计算法.仿真实验表明,空域非均匀白噪声背景下,与原最大似然估计方法相比,方位估计精度基本相同,但算法效率更高;空域色噪声背景下,与原最大似然估计方法相比,该方法提高了方位估计精度.     

基于分数低阶矩的空时最大似然DOA估计

为了提高现有基于分数低阶空时矩阵类算法的估计精度和其在低信噪比时的解相干性能,在对称α稳定分布噪声条件下,提出改进分数低阶空时矩阵用于独立信源DOA估计,基于分数低阶矩的空时最大似然算法用于相干信源DOA估计.仿真结果表明:针对独立信源,改进的分数低阶空时矩阵进行DOA估计的成功概率高于分数低阶空时矩方法;针对相干信源,分数低阶矩的空时最大似然算法的估计成功概率比SS-FLOM算法高,均方根误差比SS-FLOM算法小;新方法克服了空间平滑类算法严重损失阵列孔径的弊端,节省阵元.     

一类双线性模型的参数估计

给出了一个ARCH型一阶双线性模型,利用随机过程的马尔科夫链,研究这种模型的严平稳遍历性和矩的存在性,结果表明这种模型存在唯一的严平稳解,并且这个解是几何遍历的,它的某一阶绝对矩存在. 基于此模型的参数估计, 提出该模型的拟极大似然估计, 运用Amemiya的相关定理, 研究拟极大似然估计的性质. 在一定的条件下, 得到了该拟极大似然估计具有相合性和渐近正态性.     

复合MLINEX对称损失下Pareto分布参数的稳健Bayes估计

基于定数截尾模型,研究了一种特殊的复合MLINEX对称损失函数下,Pareto分布形状参数的稳健Bayes估计—PRGM (Posterior regret gamma minimax)估计.并利用Monte Carlo方法对PRGM估计和极大似然估计进行了比较,结果表明PRGM估计要优于极大似然估计,且具有较好的后验...     

广义线性模型的大样本理论及其研究进展

系统介绍广义线性模型的研究概况和最新进展,主要包括广义线性模型的极大似然估计理论和拟似然估计理论、广义线性模型在复杂数据中的应用以及广义线性模型的经验似然和变量选择问题。并指出了广义线性模型将会在高维数据的理论和应用研究方面有所发展。     

由路段交通流量反估出行OD矩阵技术的应用

由路段交通流量来估计交通出行 OD( origin-destination)矩阵 ,是一种先进的技术方法。它为获得 OD矩阵这种代价高昂而意义重要的交通需求信息提供了有效手段 ,并缓解了对难度很高的大规模居民出行调查的需要。利用一个适合实际应用的交通流量反估 OD矩阵模型——熵极大模型 ( entropy maximization model) ,在结合阐明其基于极大似然估计的数学原理的同时 ,重点给出适于计算机编程的模型迭代求解详细算法 ,并提出使用 Bi-Section和Newton-Raphson组合算法来保证其中非线性方程求解的稳定性和效率。进一步给出了使用熵极大模型的 OD矩阵估计软件包的设计思路和程序构架。该技术可直接指导高度实用化的 OD矩阵反估软件工具设计     

元分析中三种统计异质性估计方法的比较

元分析中异质性的大小对模型选择和调节分析有着重要的参考价值,只有统计性质好的估计方法才能保证效应量的估计精度.通常有3种方法或途径可以计算异质性的大小,即矩估计、极大似然估计(ML)和限制性极大似然估计(REML).通过模拟研究发现,当研究数量超过40时,3种估计方法的均方误趋于一致;但在低于40的处理条件中,多数限制性极大似然估计的均方误介于矩估计和极大似然估计两者之间,更接近于统计量C-R下限值,故推荐限制性极大似然估计作为异质性的首要估计方法.     

基于M估计的非线性纵向数据模型的异常点检验

介绍了纵向数据非线性混合效应模型,将有界函数Huber函数引入该模型的对数似然函数,得到模型参数的稳健估计(M估计),并探讨了基于M估计异常点检验的问题,通过血浆药物渗透数据说明了方法是有效的.     

一类非对称的GARCH模型的参数估计

非对称的GARCH模型的估计一般采用拟极大似然估计,这种估计的相合性及渐近正态性结论已经出现在很多文献中.本文对这种模型提出一种新的估计方法-加权拟极大似估计,在一定条件下证明了非对称的GARCH模型的加权拟极大似然估计的相合性和渐近正态性.