基于先验的贝叶斯先验选择方法

在一个参数的可选先验类中选择一个合理的先验问题,类似于从参数空间中估计一个恰当参数的问题.基于这一观点,利用贝叶斯分析的后验分布理论,先得出先验的后验分布计算方法,再根据先验的后验分布确定出合理的先验,从而建立了一个基于先验的贝叶斯先验选择方法,它是ML-Ⅱ先验的一个拓广.     

二次损失函数下Poisson回归模型中参数的近似Bayes估计

针对Poisson回归模型中当给定参数的先验分布后, 其后验分布的具体形式较难得到的问题, 利用Γ分布的大样本性质, 给出了似然函数的近似形式, 并得到近似的后验分布. 模拟结果表明, 利用这种近似的后验分布进行统计推断, 得到的参数Bayes估计具有较好的稳定性及精度.     

不同先验分布下三阶Erlang分布参数的Bayes估计

在定数截尾场合下,分别取共轭先验,Jeffreys先验和无信息先验,给出了三阶Erlang分布参数的Bayes点估计和区间估计,用极大似然法得到超参数的估计,通过随机模拟得到参数估计的均值和均方误差.最后通过模拟得到该分布的一组随机样本并给出不同截尾样本下的参数的3种点估计和区间估计.     

统计流形上a-先验的存在性

从微分几何学的角度来讨论Jeffreys先验，并引入了先验分布的单参数族，称其为a-先验、论文给出了a-先验和Jeffreys先验之间的关系，讨论了当a≠0时在统计流形上a-先验的存在性．     

位置参数族的MLE与Bayes估计相等的关系

证明了位置参数族中位置参数的最大似然估计,一定存在一个先验分布,使其贝叶斯估计就是该最大似然估计的结论.     

完全极大似然估计

证明了关于完全极大似然估计的一个重要定理,说明当参数的2个不同的变换的某些分量完全相同时,它们的完全极大似然估计是相同的,另外,给定了正态分布和负指数分布的参数以一定的先验分布,在此基础上计算它们的完全极大似然估计,得到了与贝叶斯参数估计形式非常相似的结果。     

统计流形上α-先验的存在性

从微分几何学的角度来讨论Jeffreys先验,并引入了先验分布的单参数族,称其为a-先验、论文给出了a-先验和Jeffreys先验之间的关系,讨论了当a≠0时在统计流形上a-先验的存在性．     

基于后验概率的Markov逻辑网参数学习方法

通过介绍统计关系学习方法Markov逻辑网的理论模型和参数学习方法, 提出一种基于后验概率的参数估计方法, 该方法采用正态先验分布, 用伪似然概率替代似然概率, 通过最大化伪后验概率来学习模型参数. 实验结果表明, 该方法能够有效地学出模型参数, 且所得模型推理能力优于现有的参数学习方法.     

基于正态-混合对数正态共轭先验下时序趋势项的贝叶斯推断

系统地分析了AR(p)误差项的时间序列模型及条件似然函数,并根据似然函数的统计结构构造了模型参数的共轭先验分布,研究了正态-混合对数正态共轭先验下模型的贝叶斯推断理论,包括趋势项的核估计参数及先验参数的后验分布的统计推断.     

时间序列趋势项的贝叶斯估计

系统地分析了AR(p)误差项的时间序列模型的数学模型及条件似然函数,并根据似然函数的统计结构构造了模型参数的共轭先验分布,研究了正态-混合Γ先验下模型的贝叶斯推断理论,包括趋势项的核估计参数及先验参数的后验分布的统计推断.