数据的剔除对Minimax线性估计的影响与相关系数

用方差比和广义方差比作为判定数据对Minimax线性估计影响的标准,建立了剔除一组数据时的方差比与相关系数的关系,找到了剔除多组数据时的广义方差比与Hotelling广义相关系数的联系,并讨论了剔除一组数据与剔除二组数据时的广义方差比之间的关系.     

最小二乘估计中的Cook距离与相关系数

对于影响度量Cook距离,本文建立了它与简单相关系数及复相关系数之间的精确关系,并找到了它与广义相关系数之间的不等式关系。     

探测数据对加权回归模型影响的度量

用方差比和广义方差比作为影响度量，从估计效率角度研究数据的剔除对加权回归模型的影响．建立了这两个影响度量与相关系数和广义相关系数之间的精确关系．     

影响分析中岭估计的广义方差比研究

本文利用广义方差比度量在线性模型中剔除一组或多组数据对岭估计的影响.给出了剔除前后岭估计的广义相关系数的表达式,并得到了某些一般的结果。     

延迟模型中的两个影响度量

从估计效率角度研究数据对延迟模型的影响。建立了度量数据对延迟模型影响的两个度量，并的找到了影响度量与相关系数和广义相关系之间的关系。     

ZIP回归模型的数据删除度量和广义杠杆

为了探测含零较多的计数数据对ZIP回归模型的影响,基于EM算法和完全数据似然函数,笔者利用数据删除方法研究了模型的全局影响,得到了参数估计的一步近似表达式以及相应的广义Cook距离和Q-距离,并研究了在EM框架下的广义杠杆值.最后,通过实际问题说明了所得统计量的有效性.     

广义压缩最小二乘估计中的一个影响度量

广义方差比是一个效率度量.这里用它作为判定数据时广义压缩最小二乘估计的影响度量,讨论了数据对广义压缩最小二乘估计的影响问题.找到了广义方差比度量与Hoetelling广义相关系数的精确关系.     

加权线性回归模型的BLUE影响分析

讨论了一组或m组数据扰动或删除前后BLUE的变化及协方差扰动和数据删除对BLUE的混合影响,分别建立了β^W(J),^βW(i),^βW,gi(j)与^βW的关系;提出了度量数据扰动或删除对BLUE的影响的W K统计量,并给出了W K统计量与广义相关系数的关系,得到KI(J)与KI(I)的上下界;最后用实例说明了W K统计量在影响分析时的有效性.     

对数幂广义威布尔回归模型的全局影响分析

基于幂广义威布尔模型,文章给出了对数幂广义威布尔回归模型并研究了相应的参数估计．同时利用数据删除方法详细探讨了该回归模型全局影响问题,得到了数据删除模型中参数估计的一步近似和相应的广义Cook距离、似然距离和WK统计量．最后。通过数值实例验证了文章中给出的诊断方法的有效性．     

随机向量间的线性相关性度量

相关分析是描述两个或两个以上变量间关系密切程度的统计方法.本文主要讨论随机向量间的相关性,重点地讨论了总体简单相关系数、复相关系数和典型相关系数的计算过程,以及广义相关系数与上三者之间的关系.     

一种样点缺失条件下的跳频信号参数估计方法

在样点随机缺失条件下研究跳频信号参数估计问题具有现实意义。 针对样点缺失条件下线性时 频分析方法失效的问题, 提出了一种基于正交匹配追踪(orthogonal matching pursuit, OMP) 和卡尔曼滤波 (Kalmanfilter,KF) 的跳频信号参数实时估计方法。 该方法对信号加滑动窗, 将窗内样点随机缺失建模为 一个信号稀疏表示问题, 傅里叶正交基作为过完备字典, 利用 OMP 直接估计窗内信号频率而不需要恢复信 号。 KF 针对估计得到的信号频率进行平滑, 当频率跳变时, KF 的频率预测值将严重偏离历史值和频率估 计值, 偏离程度作为跳变时刻估计的依据。 仿真结果和对比实验表明, 在样点没有缺失时, 该方法具有更优 的跳频信号参数估计性能, 在滑动窗长足够并满足信号稀疏度要求时, 即使在样点缺失的条件下, 依然可以 获得有效的跳频信号参数估计结果。     

样本缺失情况下的雷达目标自适应检测

雷达信号自适应检测问题中,参考数据中部分样本丢失会导致常规检测器性能显著下降。在无先验信息条件下,采用期望最大算法获得杂波协方差矩阵的最大似然估计,得到基于期望最大算法的自适应匹配滤波器。利用探测环境的先验信息,在贝叶斯框架下,采用Gibbs抽样获得杂波协方差矩阵的后验均值估计,得到基于马尔科夫链蒙特卡洛自适应匹配滤波器。计算机仿真分析表明,这2种检测器可以在样本缺失情况下具有较好的检测性能。当杂波协方差矩阵先验信息较少时,EM-AMF与MCMC-AMF检测性能相当;当有先验信息可供利用时,MCMC-AMF的检测性能可以得到进一步提升。     

条件平差与间接平差的相互关系

条件平差和间接平差是测量平差的两大基础。在各种有关测量平差的文献和教程中，这两种方法都是作为一种独立的方法被各自提出，而两者之间的关系尚无人论及。作者曾在文^[2]中利用泛函分析原理推导了条件方程与误差方程系数矩阵之间的关系，但对于条件平差和间接平差之间整体关系的认识还很不够。本文从条件平差原理和间接平差原理入手，利用矩阵分析理论，发现并论证了条件平差与间接平差整体上的相互关系。并给出了相应的实例，从根本上解决了这两大平差基础之间的关系问题。     

基于多相关分组的HMM训练算法

在用多观察序列训练HMM理论的基础上，提出了一种基于对多观察序列按多相关系数分组的HMM训练算法(简称基于多相关分组的HMM训练算法)。该算法避免了直接计算条件概率的困难，与传统的Baum—Welch算法相比，既考虑了训练序列之间的相关性，又不增加计算量。     

数据部分缺失情况下的均值估计

某随机变量的观测值出现部分缺失时,辅助变量的存在常常可以有利于该随机变量的统计分析,该文针对辅助变量和目标随机变量没有明确函数关系,但它们存在一定的相关性的情况,提出了目标随机变量均值的一种新的估计方法,并利用随机模拟将它和完全记录分析所得的估计量进行了比较.     

带有缺失数据的估计方程

给出了一种解决估计方程中的缺失数据问题的新方法：用一种观测数据的函数来调整缺失数据的函数.当我们对于缺失机制的信息知道的越多,由此种方法得到的估计的效越高.     

顾及起始数据误差和系统误差影响的动态平差模型

变形监测中所得到的观测数据,可能同时含有随机误差和系统误差,因此处理这类观测数据时,顾及这种误差的影响是必要的。同时监测网中起始数据也含有误差,因此,也需顾及这种误差的影响。为此,本文讨论并提出了处理观测数据时同时顾及这两类误差影响的动态平差模型。并就它对移动参数影响作了分析。     

面向多维特性数据的缺失值检测及填补方法对比

针对传统缺失值检测方法缺少对多维特性数据全面立体的分析及难以从众多缺失值填补算法中选择合适方法的问题，通过设计缺失值检测方法，在目前常见的数据点缺失度基础上，首次提出数据总体缺失度和加权数据总体缺失度的概念，实现对数据集缺失程度的全面检测，进而通过实验对比分析不同缺失值填补方法性能。实验结果表明，在不同缺失度的情况下，不同缺失值填补算法的性能不同，所提出的方法可为缺失值填补算法的选择提供有效依据。     

缺失数据比率和处理方法对非随机缺失数据能力参数估计准确性的影响

探讨了IRT背景下非随机缺失数据的合适处理方法.采用IRTLAB模拟产生50批500个被试在20个0-1记分项目上的反应数据,产生了不同比率的MNAR; 再用IN、NP、FR、CM、MI和EM共6种方法分别处理MNAR,使用BILOG-MG软件估计被试的能力参数,并计算在不同条件下各种方法的BIAS、BIAS_abs、R_(θ,θ^∧)和RMSE.研究发现:随着缺失比率的增加,参数误差越来越大; FR会导致IRT参数估计产生较大的误差,且不稳定,而MI与EM算法则相对稳定; 综合BIAS和RMAE等几个指标,NP在处理MNAR时产生的误差较小也更稳定.因此,在IRT背景下估计被试能力参数时,应选择NP、MI或EM方法处理缺失数据     

政府公信力失范行为分析

自20世纪下半叶开始,政府行政改革认为政府应成为社会向前发展的＂掌舵者＂而非＂划桨者＂,政府应当以实现人民的最大利益为其宗旨,是一个＂公民本位＂的服务型政府,特别是基于公共管理的＂效率与公平＂的理念,从思想上树立＂满足公民所需＂、＂尊重公民意愿＂和＂重视公民参与＂的政府行政观念。然而,无论政府承担何种职能,公众对政府公信力的评价才是至关重要的＂一杆秤＂。