基于极大熵准则的先验分布确定方法

借助于熵的概念，讨论了用极大熵的思想来确定先验分布的几种情形，给出了在各种情形下先验分布的形式和结论，从而提供了确定先验分布的一种有效的方法。     

多级评分及其Bayes估计

对多级评分的测验题型 ,给出了其Bayes模型 ,在无信息先验分布或先验分布是Dirichlet分布情形下求出了参数的Bayes估计 ,并对后者在不同样本条件下给出了先验分布超参数的估计     

混合整数线性模型方差分量的Bayes估计

本文研究了混合整数线性模型方差分量在无信息先验分布和有信息先验分布下Bayes估计，给出了混合整数线性模型方差分量无信息和：有信息先验分布下的极大后验估计和最佳Bayes估计。     

截尾试验下指数分布的贝叶斯估计

在指数分布场合，定数或定时截尾试验，文[1]给出了参数λ在先验分布为Г(α，β)分布的假设下的Bayes估计．文[3]给出了在平方损失下的Bayes估计,本文讨论先验分布为B(a，b)分布时，参数λ的Bayes估计。     

截尾试验下指数分布的贝叶斯估计

在指数分布场合，定数或定时截尾试验，文［１］给出了参数λ在先验分布为Γ（α，β）分布的假设下的Ｂａｙｅｓ估计．文［３］给出了在平方损失下的Ｂａｙｅｓ估计．本文讨论先验分布为Ｂ（ａ，ｂ）分布时，参数λ的Ｂａｙｅｓ估计．     

无失效数据情形失效率的综合估计

对指数分布的无失效数据，提出了无失效数据情形失效率的综合估计法。在失效率的先验分布为截尾Gamma分布时，给出了失效率的多层Bayes估计。在引进失效信息后，在失效率的先验分布为截尾Gamma分布时，给出了失效率的多层Bayes估计和综合估计，并给出了可靠度的综合估计，结合实际问题进行了计算。     

位置参数分布族中Fiducial分布与后验分布的关系

本文考虑本质位置参数分布族中,参数的Fiducial分布与后验分布的等同问题．首先讨论了如何给出Fiducial分布,分析结果表明以分布函数形式给出Fiducial分布要比密度函数形式合理,同时,证明了所给的Fiducial分布具有频率性质．然后,研究在参数受到单侧限制时,Fiducial分布与后验分布等同的问题,给出的充要条件是分布族为指数分布族,此时,先验分布是一个广义先验分布,它不能被Lebesgue测度控制．最后,证明了在参数限制在一个有限区间内时,Fiducial分布与任何先验(包括广义先验分布)下的后验分布不等同．     

位置参数分布族中Fiducial分布与后验分布的关系

本文考虑本质位置参数分布族中,参数的Fiducial分布与后验分布的等同问题.首先讨论了如何给出Fiducial分布,分析结果表明以分布函数形式给出Fiducial分布要比密度函数形式合理,同时,证明了所给的Fiducial分布具有频率性质.然后,研究在参数受到单侧限制时,Fiducial分布与后验分布等同的问题,给出的充要条件是分布族为指数分布族,此时,先验分布是一个广义先验分布,它不能被Lebesgue测度控制.最后,证明了在参数限制在一个有限区间内时,Fiducial分布与任何先验(包括广义先验分布)下的后验分布不等同.     

几类随机线性规划模型及其先验分布的估计

本文研究了随机线发性规划问题的几类基本模型结构．分析了随机线性规划问题对先验分布的依赖关系，给出了解除这种依赖关系的充要条件．最后用“原点距”方法与“信息熵”方法分别对先验分布作出了估计．     

多源验前信息下先验分布的稳健融合方法

根据多种先验分布与似然函数尾部特性的比较,给出了多源验前信息下先验分布的稳健融合方法.讨论了由该方法得到的融合先验分布的后验稳健性问题.最后的数值例子表明,由该方法得到的融合先验分布具有较好的稳健性,进一步验证了该方法的有效性.     

先验分布的构造方法在无失效数据可靠性中的应用

本文给出了先验分布的构造方法——减函数法和增函数法在无失效数据可靠性中的应用。     

不同先验分布下的后验分布确定土力学参数

岩土工程中各土层参数的取值是根据现场及室内试验数据,采用经典统计学方法进行确定的,但这往往忽略了先验信息的作用。与经典统计学方法不同的是,Bayes法能从考虑先验分布的角度结合样本分布去推导后验分布,为岩土参数的取值提供一种新的分析方法。岩土工程勘察可视为对总体地层的随机抽样,当抽样完成时,样本分布密度函数是确定的,故Bayes法中的后验分布取决于先验分布,因此推导出两套不同的先验分布:利用先验信息确定先验分布及共轭先验分布。通过对先验及后验分布中超参数的计算,当样本总体符合N(μ,σ2)正态分布时,对所要研究的未知参数μ和σ展开分析,综合对比不同先验分布下后验分布的区间长度,给出岩土参数Bayes推断中最佳后验分布所要选择的先验分布。结果表明:共轭情况下的后验分布总是比无信息情况下的后验区间短,概率密度函数分布更集中,取值更方便。在正态总体情形下,根据未知参数μ和σ的联合后验分布求极值方法,确定样本总体中最大概率均值μ_max和方差σ_max作为工程设计采用值,为岩土参数取值方法提供了一条新的路径,有较好的工程意义。     

Reliability analysis for Weibull distribution with homogeneous heavily censored data based on Bayesian and least-squares methods

The reliability for Weibull distribution with homogeneous heavily censored data is analyzed in this study. The universal model of heavily censored data and existing methods, including maximum likelihood, least-squares, E-Bayesian estimation, and hierarchical Bayesian methods, are introduced. An improved method is proposed based on Bayesian inference and least-squares method. In this method, the Bayes estimations of failure probabilities are focused on for all the samples. The conjugate prior distribution of failure probability is set, and an optimization model is developed by maximizing the information entropy of prior distribution to determine the hyper-parameters. By integrating the likelihood function, the posterior distribution of failure probability is then derived to yield the Bayes estimation of failure probability. The estimations of reliability parameters are obtained by fitting distribution curve using least-squares method. The four existing methods are compared with the proposed method in terms of applicability, precision, efficiency, robustness, and simplicity. Specifically, the closed form expressions concerning E-Bayesian estimation and hierarchical Bayesian methods are derived and used. The comparisons demonstrate that the improved method is superior. Finally, three illustrative examples are presented to show the application of the proposed method.     

Bayesian Inference for the RC(m) Association Model

Describing the structure in a two-way contingency table in terms of an RC(m) association model, we are concerned with the computation of posterior distributions of the model parameters using prior distributions which take into account the nonlinear restrictions of the model. We are further involved with the determination of the order of association m, based on Bayesian arguments. Using projection methods, a prior distribution over the parameters of the simpler RC(m) model is induced from a prior of the parameters of the saturated model. The fit of the assumed RC(m) model is evaluated using the posterior distribution of its distance from the full model. Our methods are illustrated with a popular dataset.     

多重线性回归模型的贝叶斯预报分析

多重线性回归模型的贝叶斯预报分析是贝叶斯线性模型理论的重要组成部分。通过模型系统的统计结构，证明了矩阵正态-Wishart分布为模型参数的共轭先验分布；利用贝叶斯定理，根据模型的样本似然函数和参数的先验分布推导了参数的后验分布；然后，从数学上严格推断了模型的预报分布密度函数，证明了模型预报分布为矩阵t分布。研究结果表明：由于参数先验分布的作用，样本的预报分布与其原统计分布有着本质性的差异，前服从矩阵正态分布，而后为矩阵t分布。     

变分不等式的极大熵函数方法

利用极大熵函数方法将不等式组及变分不等式的求解问题转化为近似可微优化问题,给出了不等式组及变分不等式问题近似解的可微优化方法,得到了不等式组和变分不等式问题的解集合的示性函数.     

不等式组与变分不等式的极大熵函数方法

利用极大熵函数方法将不等式组及变分不等式的求解问题转化为近似可微优化问题，给出了不等式组及变分不等式问题近似解的可微优化方法，得到了不等式组和变分不等式问题的解集合的示性函数．     

Arc refractor methods for adaptive importance sampling on large Bayesian networks under evidential reasoning

Approximate Bayesian inference by importance sampling derives probabilistic statements from a Bayesian network, an essential part of evidential reasoning with the network and an important aspect of many Bayesian methods. A critical problem in importance sampling on Bayesian networks is the selection of a good importance function to sample a network’s prior and posterior probability distribution. The initially optimal importance functions eventually start deviating from the optimal function when sampling a network’s posterior distribution given evidence, even when adaptive methods are used that adjust an importance function to the evidence by learning. In this article we propose a new family of Refractor Importance Sampling (RIS) algorithms for adaptive importance sampling under evidential reasoning. RIS applies “arc refractors” to a Bayesian network by adding new arcs and refining the conditional probability tables. The goal of RIS is to optimize the importance function for the posterior distribution and reduce the error variance of sampling. Our experimental results show a significant improvement of RIS over state-of-the-art adaptive importance sampling algorithms.     

Asymptotic Corrections for Multivariate Posterior Moments with Factored Likelihood Functions

Abstract

Asymptotic corrections are used to compute the means and the variance-covariance matrix of multivariate posterior distributions that are formed from a normal prior distribution and a likelihood function that factors into separate functions for each variable in the posterior distribution. The approximations are illustrated using data from the National Assessment of Educational Progress (NAEP). These corrections produce much more accurate approximations than those produced by two different normal approximations. In a second potential application, the computational methods are applied to logistic regression models for severity adjustment of hospital-specific mortality rates.     

Weibull过程将来第k次失效时间的Bayes预测区间

具Weibull强度函数的非齐次Poisson过程经常被用来分析可修系统的失效模式.基于极大似然估计,Engelhardt ＆ Bain(1978)导出了Weibull过程将来第k次失效时间的经典预测区间.在本文中,我们用无信息联合验前分布,根据Weibull过程的前n次失效时间,给出了建立将来第k次失效时间的Bayes预测区间的方法,并说明了如何应用这些方法。