构建高可用的数字校园公共服务平台

本文阐述了高可用数字校园公共服务平台的基本内涵,并从数字校园运行、维护层面论述了构建高可用的数字校园公共服务平台所应考虑的几个问题.     

一种高维空间中中位数距离的证明

在统计学习理论中,最近邻法是一种非常直观,重要的学习方法,但是在高维空间中由于"维数灾难"问题,该方法将失效,一种重要的表现形式就是稀疏抽样使得所有样本点都靠近样本的边沿,而不是最近邻样本点.文献[1]中定义的一种中位数距离可以给出它的一个量化的度量,文章从统计的角度对该距离进行了阐述和证明.     

基于均衡7×2交叉验证的模型选择方法

交叉验证策略广泛应用于分类问题的模型比较和模型选择中．文章提出一种均衡7×2交叉验证并给出了相应的构造方法．文章以分类回归树（CART）为考察模型,对比了采用均衡7×2交叉验证、组块3×2交叉验证、标准5折和10折交叉验证在模型选择中的性能．模拟结果表明,在小规模数据集上,均衡7×2交叉验证方法选择到真模型的概率明显高于其余三种交叉验证的选择方法．     

泛化误差的三种交叉验证估计方法的比较

在泛化误差（GeneralizationError）的估计中,交叉验证（Cross—validation）是最常用的方法．基于均方误差准则下,采用生物信息数据比较了泛化误差的5折、10折交叉验证和组块3×2交叉验证估计,实验证明组块3×2交叉验证比5折、10折交叉验证方法更好．     

无重复因析试验中散度效应的截断估计及其性质

在无重复因析试验的散度效应分析中,常常对残差平方取对数来建立散度效应模型,但是当拟合位置模型后得到的残差绝对值很小或者近似为0时,直接对残差平方取对数建立散度效应模型显然是不合适的.基于此,文章提出了一种新的散度效应估计方法--截断估计,并且考虑了该估计的渐近性质,给出了它的渐近期望和渐近方差.     

无重复因析试验中散度效应的对称截断MH估计

在无重复因析试验中,拟合模型得到的残差绝对值为0时,这种情况下,散度效应的MH估计不再适用,为此,文章提供了一种基于截断残差的散度估计方法,给出了当散度效应模型中只有一个显著散度效应时,散度参数的对称截断MH估计是无偏的,并通过模拟验证了此估计的优良性.     

二水平正交饱和设计中零效应搜索法的进一步研究

文[4]中提出的零效应搜索法是分析饱和设计的一个新的有效的方法.利用次序统计量期望的另一个性质,用零效应搜索法的思想构造出了相应的检验统计量,对此统计量的性质进行了研究.模拟结果显示,文章的检验统计量也能很好的识别出饱和设计中的显著因子,对误差方差的估计效果也很好.     

无重复因析试验中一种散度效应的估计方法

在无重复因析试验的多个散度效应分析中,现有的许多方法都存在错误识别的现象,即两个显著的散度效应可能在它们的交互列上产生一个错误 的(spurious)散度效应.为了解决这种模棱两可性,文章提出了一种基于闭的位置效应集合残差的改进H方法(称为AH方法),证明了AH的估计的无偏性,并通过一个基于实例的模拟验证了此方法.     

带有截尾数据的无重复因子试验的位置效应与散度效应分析

考虑带有截尾数据的位置效应和散度效应模型,在改进Hamada和Wu(1991)位置效应分析方法的基础上,将Brennerman和Nair(2001)散度效应分析的MH方法融入其中,对带有截尾数据的无重复因子试验给出了模型选择以及同时估计位置效应和散度效应的迭代算法,拓展了Hamada和Wu的方法,使其也可以鉴别和估计散度效应.模拟结果表明该方法可行,且在均方误差(MSE)意义下,位置效应的估计精度优于Hamada和Wu方法.最后用此算法对Hamada和Wu文中的实例进行了进一步分析.