结构经济序列分析的状态空间方法

2.2状态空间模型参数的极大似然估计 在本文　1中我们建立了结构时间序列的状态空间模型(1.3),在该模型中状态转移阵Φ(其中的自回归项参数α1,α2。…,αp),状态噪声协方差阵Q(其对角线上的σξ2,σ 2n,αe2,αξ2)及量测噪声方差k都是待估计的.此外在进行Kαlmαn滤波时,状态及协方差阵的近值X(0/0), P(0,0/0)也是待估计的.我们将未知参数简记为 0=(Φ,Q,R,X(0/0),P(0,0/0)假定已得到观测数据我们通过极大化观测数据的似然函数来估计未知数. 观测数据的似然函数是上式中f是条件概率密度函数. 由状态空间的状态方程及量测方程(1.3)可得…     

非线性再生散度随机效应模型似然函数的Laplace逼近

首先提出用Lap lace逼近方法对非线性再生散度随机效应模型的边缘对数似然函数进行近似,然后基于近似的边缘对数似然函数利用F isher'sscoring迭代算法得到了模型参数的极大似然估计.模拟研究和实例分析表明了该算法的可行性.     

变点统计分析简介 (Ⅲ)极大似然法、累计次数法、Bayes法

本篇主要结合一个重要的变点问题──概率变点问题,来介绍几个常用的方法:极大似然法,累计记数法和Bayes法。 一、极大似然法. 这与熟知的极大似然估计法相似,即通过求似然函数(密度或概率之积)极大值去估计有关参数.此处变点本身是一个参数,且似然函数对它的依赖关系很复杂,因此在施行上要涉及更多的计算.我们来看几个例子: 1.正态分布的均值变点,变点前后的方差可以不同。 问题的模型是:样本X1,…,X_(n) 独立,且 Xi～N(α1,σ12),i=1,…,m—1;Xi～N(α2,σ22),i=m,…,n这里m,α1,α2),a;’,a。‘都未知.只在a;4a。时,m才算作是变点.似…     

多重Ⅱ型删失数据的近似似然函数及应用

多重Ⅱ型删失数据是一种很常见的数据删失类型，处理起来也非常困难，本文获得了多重Ⅱ型删失数据的一种近似似然函数，并证明了在大样本场合下，这种近似与似然函数是等价的。基于该近似似然函数，求得了参数的近似极大似然估计与近似Bayes估计，并讨论似极大似然估计的性质。     

随机截断模型下的中心极限定理

在流行病学,生物统计学和天文学中常遇到随机截断数据.在随机截断下,人们关心的随机变量X被另一个随机变量y干扰.只有当X≥y时,才能观测到X和Y.在这个模型下,人们需要用截断数据估计X的分布函数F.本文证明,F的非参数最大似然估计Fn在下述意义下服从中心极限定理.对任何可测函数g(x),√n∫f9(x)[dFn(x)-dF(x)]依分布收敛到均值为零方差为σ2的正态分布.从这个结果可以得出F的各种矩,特征函数等估计的渐近正态性.作为推论,还可以得到Fn在整个直线上的依分布收敛.我们的结果不要求X和Y的分布函数连续,得到的方差公式是简明的.     

随机截断模型下的中心极限定理

在流行病学,生物统计学和天文学中常遇到随机截断数据.在随机截断下,人们关心的随机变量X被另一个随机变量Y干扰.只有当X≥Y时,才能观测到X和Y.在这个模型下,人们需要用截断数据估计X的分布函数F.本文证明,F的非参数最大似然估计Fn在下述意义下服从中心极限定理.对任何可测函数g（x）,n~（1/2）∫g（x）[dFn（x）-dF（x）]依分布收敛到均值为零方差为σ2的正态分布.从这个结果可以得出F的各种矩,特征函数等估计的渐近正态性.作为推论,还可以得到Fn在整个直线上的依分布收敛.我们的结果不要求X和Y的分布函数连续,得到的方差公式是简明的.     

序约束下ARCH(0,2)模型参数估计与检验

本文研究了平稳ARCH（0，2）模型未知参数α的极大似然估计及有序约束时α的极大似然估计的渐近性质，给出了参数序关系（α1≥α2）的检验方法，并得出了似然比检验统计量的渐近分布。用二次规划的算法，给出求各种情况下参数α的极大似然估计的数值算法。     

定数截尾两参数指数——威布尔分布形状参数的Bayes估计

在不同的损失函数下,本文研究了两参数指数—威布尔分布(EWD)形状参数的Bayes估计问题.基于定数截尾试验,当其中一个形状参数α已知时,给出了另一个形状参数θ在三种不同损失函数下的Bayes估计表达式,并求得了可靠度函数的Bayes点估计.最后运用随机模拟方法,将Bayes估计和极大似然估计进行了比较.结果表明,LINEX损失下Bayes估计的精度比极大似然估计高.     

Ⅰ型双删失下逆Rayleigh分布的统计分析

在Ⅰ型双删失样本下,用极大似然法得到了逆Rayleigh分布尺度参数估计的迭代公式.根据遗失信息原则计算出了Fisher信息矩阵,由极大似然估计的渐近正态性得到了参数的置信区间.取共轭先验分布,在平方损失函数下,求得了未知参数、可靠度函数的贝叶斯估计和参数的等尾置信区间.根据后验预测密度函数,得到了预测值的估计.通过Monte Carlo随机模拟,得到了多种估计值,并进行了比较,结果表明在小样本场合贝叶斯估计要优于极大似然估计.     

指数分布族参数的渐近最优与可容许的经验Bayes估计的再探讨

文献[1]在平方损失及超参数α服从伽玛分布且X1′,…Xn′(历史样本)和X(当前样本)独立同分布的条件下,构造了指数分布族{f(x|λ)=λe-λx,λ>0,x>0}的参数λ的渐近最优与可容许的经验Bayes估计.本文在超参数α分别服从伽与分布与指数分布且当前样本由X扩充为X1,…,Xm的情况下,重新构造了指数分布族参数λ的渐进最优与可容许的经验Bayes估计,从而将文献[1]的结果进行了推广.     

Lomax分布极大似然估计的两点研究

本文研究了Lomax分布参数极大似然估计的存在性和估计量的收敛性问题.利用严格的分析法和中心极限定理,获得了Lomax分布极大似然估计的存在性和估计量的渐近正态分布的结果,进一步推广到了有缺失数据的两个Lomax总体中,参数的极大似然估计有强相合性和渐近正态性.     

Pareto分布环境因子的估计及其应用

给出了Pareto分布环境因子的定义,讨论了在定数截尾样本下Pareto分布环境因子的极大似然估计和修正极大似然估计,并尝试把环境因子用于可靠性评估中.最后运用Monte Carlo方法对极大似然估计,修正极大似然估计和可靠性指标的均方误差(MSE),进行了模拟比较,结果表明修正极大似然估计优于极大似然估计且考虑环境因子的可靠性评估结果较好.     

线性混合模型中方差分量的估计与QR分解

在线性混合模型中, 极大似然估计是一种很重要的估计方法, 但是它常常需要通过迭代求解. 应用设计阵的QR分解, 可以把设计阵变换成上三角矩阵. 这样可以降低参与迭代运算的矩阵的阶数, 还可以减少参与运算的数据量, 从而提高运算的速度. 本文讨论了QR分解在EM算法中的应用, 并用模拟的方法验证了QR分解可以极大的提高运算的速度. 本文同时讨论了QR分解在另外一种估计方法, 即ANOVA估计中的应用.     

正态AR(1)模型参数极大似然估计的精确解

本文对正态ＡＲ（１）模型，当Ｒ０已知，且时，证明了极大似然估计存在，但不唯一，这与Ｒ０，Ｒ１两个参数整体求极大似然估计的结果有本质上的不同，同时还研究了极大似然估计（）的数学特性与解析表达式．     

Optimal estimation of a signal perturbed by a sub-fractional Brownian motion

We consider the problem of optimal estimation of the vector parameter θ of the drift term in a sub-fractional Brownian motion. We obtain the maximum likelihood estimator as well as Bayesian estimator when the prior distribution is Gaussian.     

有限混合Laplace分布回归模型局部估计的EM算法

本文研究了一类有限混合Laplace分布回归模型的局部极大似然估计问题. 利用核回归方法和最大化局部加权似然函数的EM算法, 获得了参数函数的局部极大似然估计量, 并讨论了它们的渐近偏差, 渐近方差和渐近正态性. 推广了有限混合回归模型下局部非参数估计的结果.     

竞争失效产品加速寿命试验的统计分析

本文讨论了指数分布场合竞争失效产品恒定应力加速寿命试验和步进应力加速寿命试验的参数估计。对常用的最大似然估计作了改进，并用大样本结果和模拟比较说明了改进的有效性。     

混合双重广义线性模型的参数估计

在实际应用中,不同类别的数据统计特性存在差异,所以对异质总体的研究非常有必要.基于总体一,二阶矩存在,利用双重广义线性模型对异质总体的不同子类数据的均值和散度同时建模,研究提出了混合双重广义线性模型.然后,利用EM算法构造了模型参数的最大扩展拟似然估计和最大伪似然估计.最后,通过随机模拟和实例研究,结果表明模型和方法的有效性和有用性.     

单参数Pareto分布变点估计研究

研究单参数Pareto分布存在变点时的估计问题,分别利用极大似然估计法和贝叶斯方法对单参数Pareto分布的变点进行估计,并运用Matlab软件进行随机模拟,随机结果表明贝叶斯方法与极大似然估计相比,估计值更接近真值.     

Statistical Inference for the Parameter of Pareto Distribution Based on Progressively Typ e-I Interval Censored Sample

In this paper, the estimation of parameters based on a progressively typeI interval censored sample from a Pareto distribution is studied. Different methods of estimation are discussed, which include mid-point approximation estimator, the maximum likelihood estimator and moment estimator. The estimation procedures are discussed in details and compared via Monte Carlo simulations in terms of their biases.