非正则位置参数模型中的拟极大似然估计

当分布密度的形式未知时，参数的极大似然估计没有明确的解析表达式，也不能通过设计算法由计算机运算得到。本文我们将从该分布中抽取的样本当作是来自另一个形式已知的分布密度的样本，该已知分布密度的选取依赖于未知的分布密度，但是具有与未知分布相似的边界性质。基于这两个分布族，我们提出了拟极大似然估计的概念，同时，对这种拟极大似然估计的渐近性质进行了讨论。结果表明拟极大拟然估计与极大似然估计有关相同的渐近性质，并且由于拟极大似然估计的获得不依赖于未知分布密度的形式，只与一已知的分布密度有关，使得通过计算机可以实现对其的求解。     

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.     

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.     

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.     

一类线性结构模型参数的极大似然估计及拟极大似然估计的渐近性质

不少作者探讨过参数的极大似然估计(以下简记为 MLE)的渐近性质.一些统计工作者还把极大似然估计方法用于估计部分参数.即在参数为θ=(θ′_1,θ′_2)′的模型中,当不易求出θ的 MLE,而我们的目的是估计 θ_2时,可将似然函数中其余的参数θ_1用它们的估计(?)来代替,然后极大化这个经代换后的似然函数来求得 θ_2的估计.这就是所谓拟极大似然估计(以下简记为 PMLE).     

半参数回归模型拟极大似然估计的渐近分布

用拟极大似然估计方法研究了误差为AR(1)时间序列的半参数回归模型,得到了参数及非参数的拟极大似然估计量,并研究了它们的渐近分布.     

多维GARCH模型的半参数有效估计

多元GARCH模型的估计一般采用拟极大似然法(quasi maximum likehood),对于这种方法估计的相合性及渐近正态性已经被很多学者证实,然而对于新息列的分布不是多元正态时,这种估计的有效性还没人研究,本文从拟极大似然估计得到的参数相合估计入手,提出用非参数方法估计多元新息列的分布.     

基于截断Poisson分布的Marshall—Olkin拓展分布

采用复合分布的方法,将一个参数λ和一个已有分布组合成一个新的分布的方法,研究新分布与原分布之间的DFR的继承性和似然序关系.在原分布分别取为指数分布和正态分布时,分析其密度函数和危险率函数的等统计特征.最后,用一组数据进行实证研究,利用极大似然估计估计出参数,分别用指数扩展分布和指数分布拟合进行比较.     

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.     

一个新的具有单调降失效率的寿命分布

本文由Pareto分布和Logarithmic分布"混合"生成两参数具有单调降失效率的新型寿命分布,研究了该分布的矩、熵、失效率函数、平均剩余寿命和参数的极大似然估计,应用EM算法求参数的极大似然估计,进行了数值模拟.     

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。     

一类加权可靠指数分布

本文研究了一种含有形状参数和尺度参数的加权可靠性指数分布.利用变量替换以及极大似然法,研究了在特定尺度参数下此分布的构造性表示,并导出了计算该分布两个参数极大似然估计的迭代解,同时还给出了估计参数的渐近分布形式.     

正态条件下带AR(1)-型方差结构GMANOVA-MANOVA模型极大似然估计的小样本特征

研究了一类带一阶自回归(AR(1))-型方差结构的广义多元方差分析-多元方差分析(GMANO VA-MANOVA)模型参数极大似然估计的小样本特征.对带AR(1)-型方差结构GMANOVA-MANOVA模型,文章在正态条件下给出了参数极大似然估计存在的一个充分必要条件,讨论了极大似然估计唯一的充分条件.在该充分条件下,文章证明了相关系数极大似然估计的精确分布只与相关系数有关,并依此给出了自相关系数简单假设H0:ρ=0v.s.H1:ρ≠0的一个不需要叠代计算估计的检验,同时模拟表明该检验为无偏检验且势函数与似然比检验势函数无太大差异.     

指数分布冷贮备系统产品的统计分析——转换开关指数型的情形

给出了全样本场合下指数分布冷贮备系统产品寿命分布中参数θ≠λ时的矩估计和极大似然估计,通过Monte-Carlo给出了参数矩估计的精度,考察了1000次满足条件时所需要的模拟次数,随着样本量的增大,矩估计存在的比率逐渐增大,而极大似然估计的结果与样本有关.同时给出了参数θ=λ时的矩估计、极大似然估计和逆矩估计,通过Monte-Carlo模拟考察了参数点估计精度,认为矩估计比较优.文章还给出了求参数区间估计的两种方法——精确方法和近似方法,通过Monte-Carlo模拟认为精确方法精度较高.     

缺失数据下半参数空间自回归模型的估计

本文研究了响应变量随机缺失时部分线性空间自回归模型的估计问题.结合B样条方法,我们给出了该模型参数部分和非数部分的极大似然估计的EM算法、伪限制极大似然估计的EM算法、以及边际极大似然估计算法,并通过数值模拟比较了三种估计和相应算法在不同的样本容量、缺失比例及空间权重矩阵下数值表现.最后,通过一个实际例子进一步验证三种方法的优良性.     

AR(p)模型中的变点分析

本文分别用极大似然法和Bayes方法研究了AR(p)模型中的变点问题.在数据矩阵不一定满秩的条件下,利用Moore-Penrose广义逆给出了模型参数的极大似然估计的统一表达式和变点位置的估计式.在假定自回归系数的先验分布服从多元正态,方差服从逆Γ分布的条件下,用Bayes方法给出了变点位置估计的显示表达式以及模型参数的Bayes估计.     

Pareto分布在逐步Ⅱ型区间删失下的参数估计

本文研究Pareto分布在逐步Ⅱ型区间删失的情形下参数的估计和性质,给出了参数的极大似然估计及其Newton-Raphson求解算法,并证明了在一定条件下极大似然估计的相合性及渐近正态性.     

上证股指极值模型估计和VaR计算

POT极值模型参数的准确估计是计算金融资产回报厚尾分布市场风险的关键.由n阶概率加权矩得到参数的二项式回归估计,而将参数的零,一阶概率加权矩估计予以推广.极大似然估计中.将极大化似然函转化为二元函数无条件极值问题·其他参数估计方法的结果作为迭代的初始值,通过它们的似然函数值和极大似然函数值的比较以及迭代次数判断方法的优劣.实证研究表明:参数的零、一阶概率加权矩估计较接近于真值,随着阶数的提高,二项式回归参数估计的误差很大.参数的极大似然估计优于非线性回归估计优于零、一阶概率加权矩估计.在此基础上计算上证A股指数vaR值.     

伽玛分布的尺度参数及自协方差估计

本文发现伽玛分布的尺度参数等于随机变量及其对数的协方差,并利用这一有趣性质构造伽玛分布参数的自协方差估计。此法计算简便,结果优于矩估计,与极大似然估计十分接近。鉴于极大似然估计的修偏问题未予解决,本文所建议的无偏自协方差估计可以在小样本情形下弥补极大似然估计有偏的不足,自协方差估计的相合性、渐近正态性等大样本性质也得到了讨论。给出的模拟试验结果基本符台论证。     

Gumbel分布参数估计及在水位资料分析中应用

本文利用Gumbel分布拟合某条河流三个观测站的历年最高水位资料.我们用分位数法、极大似然法、概率加权矩法对Gumbel分布中的参数进行估计,不仅从理论上而且利用蒙特卡洛方法讨论了三种估计方法的统计性质,并给出了三个观测站处的T年一遇的最高水位数据.我们认为极大似然法给出的估计量在各个方面都有好的且稳定的表现.