考虑空间效应的贝叶斯分层模型与索赔频率预测

在非寿险索赔频率预测中,使用最为广泛的是广义线性模型.但是,如果观察数据呈现出明显的零膨胀特征,或者包含空间协变量,或者某些协变量之间具有分层结构,则广义线性模型的拟合优度往往欠佳.在零膨胀分布假设下,建立了考虑空间效应的贝叶斯分层模型,并将其应用于索赔频率预测.在模型中,用惩罚样条函数描述连续型协变量的非线性效应,用高斯马尔科夫随机场描述相邻地区在索赔频率上的空间相依性,用随机截距项描述不同地区在索赔频率上的分层关系和差异性.实证研究结果表明,考虑空间效应的贝叶斯分层模型的拟合优度明显优于传统的广义线性模型.     

基于广义回归估计的校准加权设计效应模型研究

校准是最常用的加权调整方法,然而传统加权调整设计效应模型只考虑有差异权数导致的精度损失,忽略使用辅助信息后的精度改进,因此应用于设计效应计算时存在一定的缺陷。本文在Spencer模型的基础上进行拓展,引入反映辅助变量和调查变量相关关系的广义回归估计量,构建了校准加权设计效应的一般模型。数值分析结果显示,校准加权设计效应模型的效果优于传统加权调整设计效应模型;尤其在调查变量与辅助变量高度相关的情形下,校准加权设计效应模型能够准确地估计出不等概率抽样设计和校准调整的综合效率。     

分层混合效应模型迭代广义最小二乘估计的大样本性质

在许多领域中,我们常常需要处理具有分层结构的数据.对于这类数据,分层混合效应模型通过对回归系数进一步建模来刻画出同一层内变量之间的相关性.模型中随机部分比较复杂,这使得协方差矩阵的估计方法成为大家关注的问题.Goldstein(1986)提出了迭代广义最小二乘估计,并将它应用于一类特殊的分层模型——方差成分模型中,本文对其进行推广,对更一般的分层混合效应模型给出迭代广义最小二乘的具体表达形式,并运用到经济实例的分析中.     

中位数回归的贝叶斯变量选择方法

当数据呈现厚尾特征或含有异常值时,基于惩罚最小二乘或似然函数的传统变量选择方法往往表现不佳.本文基于中位数回归和贝叶斯推断方法,研究线性模型的贝叶斯变量选择问题.通过选取回归系数的Spike and Slab先验,利用贝叶斯模型选择理论提出了中位数回归的贝叶斯估计方法,并提出了有效的后验Gibbs抽样程序.大量数值模拟和波士顿房价数据分析充分说明了所提方法的有效性.     

基于贝叶斯分层混合模型的大脑FMRI图像分割

功能性磁共振成像(FMRI)是通过探索神经元活动的生物特性来揭示大脑功能的空间和时间信息的神经影像技术,自问世以来迅速应用于医学和脑神经科学的研究。本文针对目前大脑FMRI图像分割方法必须事先给定分割数目的问题,将完备数据似然方法、分层先验和可识别先验引入混合模型,建立一种对先验弱依赖的贝叶斯分层混合模型,采用可逆跳马尔可夫链蒙特卡罗算法对模型参数进行估计,实现在可变维参数空间的跳跃式抽样。对人类大脑FMRI图像的实例分析中,抽样得到的组织成分数与图像强度特征相一致,抽样分割结果图与原始图像相吻合。数据分析结果说明,贝叶斯分层混合模型方法能较好地体现FMRI图像的实际特征,实现大脑FMRI图像的自动分割     

两部分因子分析模型的贝叶斯推断

半连续数据在经济和社会科学调查中普遍存在.在分析该类数据时,经典两部分回归模型经常被用来刻画协变量对响应变量可变性的影响.然而,包含协变量并不能完全解释响应变量的可变性.忽略未被观测的数据异质性将导致方差的剧烈波动.在本文中,我们将两部分回归模型推广到两部分因子分析模型.多变量半连续数据未观测的异质性由潜在因子部分来解释.此外,通过引入潜在性因子,多重变量间的相依性也以线性组合方式通过共享因子变量得到刻画.在贝叶斯框架内,我们运用马尔可夫链蒙特卡洛(MCMC)方法来进行后验分析.GIBBS采样器被用于从后验分布中抽取样本.基于模拟的随机样本,未知参数估计和模型评价等统计推断问题获得解决.随机模拟和可卡因使用数据分析等实证结果显示了该方法的有效性和实用性.     

多目标调查的MPPS平衡抽样方法研究

平衡抽样是广受关注的利用辅助信息改善样本结构的抽样方法.MPPS抽样在多目标调查中采用的与多变量规模成比例的入样概率,可以在平衡抽样中精确满足.基于MPPS抽样和平衡抽样的性质,文章提出多目标调查下的MPPS平衡抽样,该方法主要思想是将多个调查变量的辅助信息在确定入样概率和随机抽样过程中同时使用,提高HT估计量精度.模...     

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.     

灰建模在条件价值法数据处理中的应用

采用三江平原湿地调查问卷结果作为原始数据,探讨了灰建模方法在条件价值法数据处理中的应用.在对问卷数据进行聚类分析的基础上,采用传统的GM(1,1)模型,得到了合理有效的灰色模型,改进了条件价值法数据建模中仅将支付与抗议支付作为两个基本变量的模型,得出了多分类模型.     

弱外生性条件下双固定效应模型估计方法的优化

固定效应模型是排除其他干扰因素以确定因果机制的有效工具,在企业面板数据分析等领域得到广泛应用。由于企业个体异质性等原因,普通固定效应方法无法解决估计的冗余参数问题。本文沿着折刀法的思路逐步修正低阶偏差和高阶偏差,在弱外生性条件下构建Half-Panel Jackknife方法,并将适用范围拓展到短面板线性模型,弥补了现有方法的不足。最后,采用企业并购重组和政府补助影响企业创新的两个实例,研究发现,对半面板折刀法在双固定效应模型中能较好地控制企业数据的抽样特征与个体异质性。     

无指导的中医证候诊断数据的隐变量分析

本文探讨中医临床诊断得到的"望"、"闻"、"问"、"切"的四诊数据的统计分析方法。在没有中医专家的证候诊断结果(即无指导)的情况下,利用含隐变量的结构方程模型(SEMs),进行中医证候诊断的方法。本文提出证候诊断和病势诊断的两层隐结构模型和两步估计方法.本研究收集了433例脑动脉硬化症患者的临床诊断数据,利用本文提出的方法进行数据分析,得到了与传统中医诊断理论相当吻合的结果.在没有中医专家诊断指导的情况下,本文提出的无指导诊断方法为客观评价中医辨证理论提供了数据分析基础.     

非随机缺失机制下基于模型的参数似然估计方法研究

在纵向抽样调查活动中,常出现变量数据缺失的情况,如何对含缺失的数据集进行总体参数估计是一个热点话题。目前已有方法主要适用于随机缺失机制下的缺失数据分析问题,常采用插补法生成完整数据集,基于此进行参数估计。本文在非随机数据缺失机制下,研究了几种基于模型的参数似然估计方法,包括模式混合模型法和选择模型法,对单调缺失模式下含缺失纵向调查数据给出了参数估计范例,进而引入随机效应参数,将两种方法加以推广。     

住户调查中户内样本抽样方法的比较研究

抽样调查是获取社会经济调查数据的主要手段,其抽样设计一般采用分层多阶段不等概的抽样设计。但是,在抽样设计和实际抽样中,人们往往忽视末端样本个体的抽样,本文主要基于中国家庭动态跟踪调查数据对末端样本的概率抽样方法进行比较研究。     

Topology Optimization Design of Heat Convection Problems With Variable-Density Cells北大核心CSCD

为获得优异的散热结构设计,发展了一种基于腐蚀-扩散算子的变密度胞元层级结构设计方法.通过腐蚀-扩散算子得到了一系列拓扑相似但体积分数不同的变密度微结构,计算并拟合得到变密度微结构等效热传导系数曲线.在此基础上,采用移动渐近线法更新宏观设计变量,将变密度微结构植入相应体积分数的宏观单元中完成装配.通过数值算例对不同优化方法下温度场的热柔顺度、平均温度、方差等参数进行了比较分析,结果表明,变密度胞元层级结构比传统单尺度胞元结构和周期胞元结构具有更好的散热性能.     

双无回答层抽样的三重抽样比率估计量

无回答在抽样调查中经常出现,无回答层再抽样是解决无回答的常用方法.当辅助变量总体均值未知时,本文讨论了双无回答层抽样的三重抽样方法,给出了三重抽样的分层汉森-赫维茨估计量和比率估计量,以及它们的方差和估计方差.给出满足事前给定总调查费用约束的三重抽样过程的最优设计参数,以及比率估计量的方差估计.给定总调查成本,三重抽样的分层汉森—赫维茨估计量与比率估计量进行模拟比较,演示比率估计量的优良性.     

NMAR机制下非线性均值方差模型的Bayes估计

讨论响应变量带有不可忽略缺失数据的非线性均值方差模型的Bayes估计问题.缺失数据机制由logistic回归模型来指定,运用Gibbs抽样及MH算法得到模型参数和缺失数据机制参数的联合Bayes估计,模拟研究和实例分析展示上述模型和方法的可行性.     

中国人民银行城镇户调查抽样方案的设计

本文采用多级、分层、ＰＰＳ与等概率相结合的混合抽样方法，在考虑实际条件和限制的情况下，尽可能地使抽样的科学性和可操作性得到较好的结合，为中国人民银行的全国城镇储户调查设计了切实可行的抽样方案     

屏蔽数据下指数分布两部件串联系统多变点模型的贝叶斯估计

通过引入潜在变量得到了截尾情形屏蔽数据下指数分布两部件串联系统交点模型较简单的似然函数.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数进行了抽样.基于Gibbs样本对参数进行估计.随机模拟的结果表明估计的精度较高.     

删失混合效应模型的分位回归及变量选择

纵向数据常常用正态混合效应模型进行分析.然而,违背正态性的假定往往会导致无效的推断.与传统的均值回归相比较,分位回归可以给出响应变量条件分布的完整刻画,对于非正态误差分布也可以给稳健的估计结果.本文主要考虑右删失响应下纵向混合效应模型的分位回归估计和变量选择问题.首先,逆删失概率加权方法被用来得到模型的参数估计.其次,结合逆删失概率加权和LASSO惩罚变量选择方法考虑了模型的变量选择问题.蒙特卡洛模拟显示所提方法要比直接删除删失数据的估计方法更具优势.最后,分析了一组艾滋病数据集来展示所提方法的实际应用效果.     

分位数变系数模型基于核光滑的变量选择

分位数变系数模型是一种稳健的非参数建模方法.使用变系数模型分析数据时,一个自然的问题是如何同时选择重要变量和从重要变量中识别常数效应变量.本文基于分位数方法研究具有稳健和有效性的估计和变量选择程序.利用局部光滑和自适应组变量选择方法,并对分位数损失函数施加双惩罚,我们获得了惩罚估计.通过BIC准则合适地选择调节参数,提出的变量选择方法具有oracle理论性质,并通过模拟研究和脂肪实例数据分析来说明新方法的有用性.数值结果表明,在不需要知道关于变量和误差分布的任何信息前提下,本文提出的方法能够识别不重要变量同时能区分出常数效应变量.