简单中介模型下的间接效应估计

因果中介分析是通过中介变量识别解释自变量和因变量之间关系的机制。在单中介变量的因果模型下,通过中介变量建立起了自变量与因变量之间的结构方程,利用极大似然方法获得结构方程中参数估计以及间接效应估计,并由delta方法获得间接效应估计量的渐近正态分布。在有限样本下处理了模拟研究,模拟研究的结果表明我们提出的估计表现良好。最后,应用提出的方法通过DNA甲基化位点分析社会经济指数对体重指数的影响。     

EM-CDKF算法及其SINS初始对准应用

针对非线性捷联惯导系统噪声先验统计信息未知问题,基于中心差分卡尔曼滤波基本算法,采用极大似然准则构造极大期望最速下降梯度算法展开系统未知噪声统计特性在线估计计算研究,构建一类捷联惯导系统初始对准极大期望自适应中心差分最优滤波算法.该算法利用极大似然准则构造系统噪声统计特性对数似然函数,采用极大期望最速下降梯度法把系统噪声统计特性估计转化为对数似然函数期望最大值计算,获得系统过程噪声和观测噪声在线递推估计的自适应极大期望中心差分卡尔曼算法.经过大方位失准角捷联惯导系统初始对准仿真实验,与中心差分卡尔曼滤波基本算法相比,自适应极大期望中心差分卡尔曼算法能够有效解决基本算法在系统噪声先验知识未知情形下的滤波精度下降甚至发散问题,并且能够实现系统噪声统计特性的在线递推估计.     

已知连架杆三对对应位置优化设计四杆机构

当给定连架杆三对对应位置时，为提高机构传动特性，提出优化目标为，在传动范围内其传动角的最小值为最大；建立解析方程，优化设计四杆机构；举例说明了此优化方法的可行性。该方法可推广到类似的其它连杆机构课题上去。     

基于Copula的回归预测

针对回归预测问题,分别引入Copula回归函数和Copula τ分位数来对因变量进行点预测和区间预测,相应的通过均方误差和区间的平均长度作为预测准确性的评价指标,最后通过实证研究并与线性回归预测做比较表明：基于Copula的回归预测方法效果更好.     

信号检测通道特性标定方法的研究

在控制系统中,经常需要对模拟量系统前向通道的特性进行标定.传统的手工标定方法测试时间长、准确度低及效率低下;而具有强大数据处理功能的微机不仅可以完成对标定测试数据自动、高速的处理,还能够提供操作人员一个良好的人机交互界面,控制整个标定的过程.文章阐述了采用最大似然估计的参数估计思想获得信号检测通道特性参数的原理,并提出了两种基于最小二乘法的标定测试数据处理方法.经实践检验,该方法简便易行,并能满足精度要求.     

不完全数据情形下指数分布参数的极大似然估计

处理生存分析观测数据使用的参数估计方法有很多,极大似然估计法是最常见的一种估计方法。当寿命分布为指数分布时,给出了定时截尾数据、定数截尾数据情形的极大似然估计,以及随机右删失下参数极大似然估计的一般表达式。此外,还提出了分组数据场合参数极大似然估计的图解求法。     

Stampacchia型和Minty型似变分不等式解的性质

在实n维欧式空间Rn中利用上Dini方向导数构造了Minty型似变分不等式的间隙函数G(x),并在此基础上讨论了Stampacchia型和Minty型这两类似变分不等式的解与G(x)的关系,得到了2类似变分不等式解集相等的1个充分条件.     

新型Bola两亲分子作为基因治疗药物输递载体的研究

为检测新型Bola两亲分子(Orn-C16-G)用作基因载体的性能,制备了Bola与siRNA的复合物(Bolaplexes),用原子力显微镜观察其在不同复合比下的形貌;并转染Hela细胞,用CCK-8检测Bolaplexes的细胞毒性,用荧光显微镜、流式细胞仪表征Bolaplexes的细胞内吞效果。实验结果显示,复合比1∶1条件下,Bola分子可以有效地压缩siRNA分子形成较小尺寸的复合物(100～200 nm)。Bolaplexes可高效地进入Hela细胞,并且毒性低于商售转染试剂,有较好的应用前景。本研究为下一步Bola两亲分子用于基因治疗的临床研究奠定了基础。     

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.     

不完全数据集上的半参组群差异检测

组群差异检测广泛应用于医药、社会网络等领域.现有的组群差异检测都是建立在数据集没有缺失的情况下,因此讨论并给出了在数据集缺失的情况下进行组群差异检测的方法.首先,使用一种新颖的缺失数据填充方法填充缺失数据,然后在半参环境下使用经验似然方法对得到的完全数据集估计出置信区间,进而进行组群差异检测.