序贯k-out-of-n系统在序约束下参数的估计和算法

本文主要研究带有协变量的序贯k-out-of-n模型.我们假定给定协变量寿命的分布是指数分布,对指数分布的刻度参数建立了对数线性模型.研究了在序约束下模型参数的最大似然估计及最大似然估计量的性质,并且给出了最大似然估计的具体算法并进行了模拟.     

变系数混合模型的光滑样条推断

为了拟合纵向数据和其他相关数据,本文提出了变系数混合效应模型(VCMM).该模型运用变系数线性部分来表示协变量对响应变量的影响,而用随机效应来描述纵向数据组内的相关性, 因此,该模型允许协变量和响应变量之间存在十分灵活的泛函关系.文中运用光滑样条来估计均值部分的系数函数,而用限制最大似然的方法同时估计出光滑参数和方差成分,我们还得到了所提估计的计算方法.大量的模拟研究表明对于具有各种协方差结构的变系数混合效应模型,运用本文所提出的方法都能够十分有效地估计出模型中的系数函数和方差成分.     

部分线性混合效应模型中方差分量的稳健估计

部分线性混合效应模型中方差分量是我们感兴趣的参数, 文献中已经给出许多估计方法. 但是其中很多方法都可以归结为广义估计方程方法(GEE), 如: 最大似然估计(MLE), 约束最大似然估计(REMLE)等, 而GEE方法对异常点很敏感. 本文提出一组关于部分线性混合效应模型(PLMM)中均值和方差分量的稳健估计方程, 对均值和方差分量同时进行稳健估计; 并进行了随机模拟考察所提出稳健估计的有效性, 最后通过两个实例, 说明了所提方法的可行性.     

含方程误差的异方差重复测量误差模型参数估计

对于含测量误差的重复测量数据,协变量与响应变量真值之间可能不存在完全匹配关系,即存在方程误差.且变量真值的测量误差方差可能与样本的某种特征有关,即存在异方差性.以此类数据为驱动,讨论了含方程误差的异方差重复测量误差模型的建模和估计问题,基于EM算法给出了模型参数的显式极大似然迭代估计.最后通过模拟计算和实例分析,讨论了模型和估计方法的有效性.     

竞争风险下纵列持续数据随机效应模型的估计与模拟研究

本文论证竞争风险下纵列持续数据随机效应模型属于广义线性模型的范畴,推导出用于模型估计的等级似然函数,将等级似然估计的运用由单风险扩展到竞争风险,并进行了模拟研究。模拟结果表明,对于竞争风险下的随机效应模型,等级似然估计能够给出协变量系数相当精确的估计,克服了忽略异质性影响所导致的偏差;模拟研究还表明,本文提出的估计方法同样适用于区间观测数据。     

具有线性趋势的回归信度模型中的估计和检验

研究具有线性趋势回归信度模型的参数估计和检验. 对该模型的回归系数和随机效应的方差,利用正交变换法得到了它们的极大似然估计, 并得到了参数的无偏估计. 对随机效应和是否有线性趋势采用似然比检验, 得到了似然统计量较好的近似$P$值, 并对检验的功效进行了模拟研究.     

缺失数据下含几何分布的对数线性模型的EM算法

本文研究缺失数据下对数线性模型参数的极大似然估计问题.通过Monte-Carlo EM算法去拟合所提出的模型.其中,在期望步中利用Metropolis-Hastings算法产生一个缺失数据的样本,在最大化步中利用Newton-Raphson迭代使似然函数最大化.最后,利用观测数据的Fisher信息得到参数极大似然估计的渐近方差和标准误差.     

非线性Poisson-Gamma回归模型中存在偏大离差时离差参数的齐性检验

Poisson回归模型广泛地应用于分析计数型数据，但该模型往往存在偏大离差(overdispersion)问题．刻画Poisson回归模型的偏大离差性的两种方法是拟似然方法和随机效应法(Lee＆Nelder，2000)，已有许多作者利用随机效应法研究了Poisson模型的偏大离差的检验问题．但他们均假定随机效应是独立同分布的，本文对他们的假设进行检验．我们分别在组内效应一致和组内效应不一致的情形下，研究了存在偏大离差的Poisson-Gamma非线性随机效应模型中，随机效应方差(称为离差参数)的齐性检验问题，得到了离差参数齐性的score检验统计量．最后给出两个数值例子说明本文方法的应用．     

线性约束下异方差回归模型参数的极大似然估计

运用参数的极大似然估计法,给出在线性约束条件Hβ=C下异方差回归模型参数β和λ的极大似然估计,并讨论了估计参数的性质和模型的残差.利用得到的结论对线性约束下异方差回归模型的进一步研究和应用具有一定的理论和实际价值.     

泊松回归模型中协变量含误差的经验似然推断

在模型的协变量含有测量误差的情况下,考虑一类泊松回归模型的统计推断问题.通过巧妙地构造辅助随机向量,提出一个工具变量类型的经验似然统计推断方法.证明构造的经验对数似然比函数渐近服从标准卡方分布,进而给出了回归系数的置信区间.所提出的估计方法可以有效地消除测量误差对估计精度的影响,并且具有较好的有限样本性质.     

带协变量的负二项回归模型中离散参数估计的研究

针对带协变量的负二项回归模型中离散参数估计问题,推广了极大似然估计和Bootstrap极大似然估计方法,并在绝对偏差的意义下,通过模拟研究和实际数据分析研究了估计的优良性.研究结果表明协变量和样本量均对离散参数估计有影响.     

Partial linear single index models with distortion measurement errors

We study partial linear single index models when the response and the covariates in the parametric part are measured with errors and distorted by unknown functions of commonly observable confounding variables, and propose a semiparametric covariate-adjusted estimation procedure. We apply the minimum average variance estimation method to estimate the parameters of interest. This is different from all existing covariate-adjusted methods in the literature. Asymptotic properties of the proposed estimators are established. Moreover, we also study variable selection by adopting the coordinate-independent sparse estimation to select all relevant but distorted covariates in the parametric part. We show that the resulting sparse estimators can exclude all irrelevant covariates with probability approaching one. A simulation study is conducted to evaluate the performance of the proposed methods and a real data set is analyzed for illustration.     

随机设计非线性混合模型的统计分析

本文研究了个体观察次数为随机的非线性 混合效应模型中参数的点估计以及区间估计. 在仅给出适当的矩条件下, 给出了固定效应、随机效应的方差阵以及误差方差的矩估计, 并证明了估计量的相合性及渐近正态性. 为给出误差方差以及随机效应方差分量的置信区间, 本文也给出了误差及随机效应的四阶矩估计. 随机模拟说明了方法的有效性.     

Pareto�ֲ�����II������ɾʧ�µIJ�������

??In this paper, we concern with the estimation problem for the Pareto distribution based on progressive Type-II interval censoring with random removals. We discuss the maximum likelihood estimation of the model parameters. Then, we show the consistency and asymptotic normality of maximum likelihood estimators based on progressive Type-II interval censored sample.     

半参数线性混合效应模型的联合变量选择

多数基于线性混合效应模型的变量选择方法分阶段对固定效应和随机效应进行选择,方法繁琐、易产生模型偏差,且大部分非参数和半参数的线性混合效应模型只涉及非参数部分的光滑度或者固定效应的选择,并未涉及非参变量或随机效应的选择。本文用B样条函数逼近非参数函数部分,从而把半参数线性混合效应模型转化为带逼近误差的线性混合效应模型。对随机效应的协方差矩阵采用改进的乔里斯基分解并重新参数化线性混合效应模型,接着对该模型的极大似然函数施加集群ALASSO惩罚和ALASSO惩罚两类惩罚,该法能实现非参数变量、固定效应和随机效应的联合变量选择,基于该法得出的估计量也满足相合性、稀疏性和Oracle性质。文章最后做了个数值模拟,模拟结果表明,本文提出的估计方法在变量选择的准确性、参数估计的精度两个方面均表现较好。     

Estimation of covariance matrices in fixed and mixed effects linear models

The estimation of the covariance matrix or the multivariate components of variance is considered in the multivariate linear regression models with effects being fixed or random. In this paper, we propose a new method to show that usual unbiased estimators are improved on by the truncated estimators. The method is based on the Stein–Haff identity, namely the integration by parts in the Wishart distribution, and it allows us to handle the general types of scale-equivariant estimators as well as the general fixed or mixed effects linear models.     

BLUP estimation of linear mixed-effects models with measurement errors and its applications to the estimation of small areas

The linear mixed-effects model （LMM） is a very useful tool for analyzing cluster data. In practice, however, the exact values of the variables are often difficult to observe. In this paper, we consider the LMM with measurement errors in the covariates. The empirical BLUP estimator of the linear combination of the fixed and random effects and its approximate conditional MSE are derived. The application to the estimation of small area is provided. Simulation study shows good performance of the proposed estimators.     

A simulation study for a class of central composite designs with nested sub-experiment

This article introduces a class of central composite designs with nested sub-experiment, which allow for the estimation of both response surface effects (fixed effects of crossed factors) and variance components arising from nested random effects. An iterated least squared method using sufficient statistics is given for obtaining maximum likelihood estimates of the parameters in a mixed model. Simulation results show that advantages for unbalanced designs are greatest when error variance is small.     

Small sample properties of generalized logit model estimators with bootstrap

The generalized logit model of nominal type with random regressors is studied for bootstrapping. We assess the accuracy of some estimators for our generalized logit model, using a Monte Carlo simulation. That is, we study the finite sample properties containing the consistency and asymptotic normality of the maximum likelihood estimators. Also, we compare Newton Raphson algorithm with BHHH algorithm.     

Estimation of Wishart mean matrices under simple tree ordering

For Wishart density functions, we study the risk dominance problems of the restricted maximum likelihood estimators of mean matrices with respect to the Kullback-Leibler loss function over restricted parameter space under the simple tree ordering set. The results are directly applied to the estimation of covariance matrices for the completely balanced multivariate multi-way random effects models without interactions.