非线性回归模型中的约束拟似然

在非线性回归模型中,拟得分函数是一类线性无偏估计函数中的最优者(GodambeandHeyde(1987),朱仲义(1996)),而由拟得分函数得到的拟似然估计在由线性无偏估计函数得到的估计类中具有渐近最优性(林路(1999)).本文则研究非线性回归模型中的有偏估计函数理论,构造了参数的约束拟似然估计,得到了约束拟似然的局部最优性,局部改进了拟似然估计,从而扩充了线性模型中的有偏估计理论.     

非线性模型中拟似然估计的若干性质

本文主要讨论拟得分函数在广义正则线性无偏函数类中的性质,并证明拟似然估计在泛似拟然估计类中的渐近最优性。     

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。     

广义线性模型参数的自适应拟似然估计

对广义线性模型参数的一种拟似然估计的理论给予了彻底的处理. 在该估计中,响应变量的未知的协方差阵是通过样本去估计的.证明了所定义的估计量具有下述意义上的渐近有效性：当样本量n→∞时, 该估计有渐近正态性,且其极限分布的协方差阵重合于当响应变量的协方差阵完全已知时,拟似然估计的极限分布的协方差阵.     

带自适应设计的拟似然非线性模型中极大拟似然估计的强相合性

在带自适应设计的拟似然非线性模型中,在响应变量的矩条件尽可能弱和其它正则条件下,证明了以概率为1,当n充分大时,拟似然方程有一个解βn,它收敛于参数真值β0.     

拟似然非线性模型中MQLE的弱相合性的充分条件

拟似然非线性模型包括广义线性模型作为一个特殊情形.给出了拟似然非线性模型中极大拟似然估计的弱相合性的一些充分条件,其中矩的条件要弱于文献中极大拟似然估计的强相合性的条件.     

相依非线性回归系统中的附加信息Bayes拟似然

对多个相依统计模型的研究,现有成果主要集中在相依线性回归系统.本文则首次提出多个相依非线性回归系统中的附加信息Bayes拟似然,给出误差相关信息和先验信息在拟似然中的迭加方法,在较弱的条件下得到附加信息Bayes拟似然的一些性质,在Bayes风险准则下。讨论了其估计函数和参数估计的最优性,证明了附加信息Bayes拟似然的渐近 Bayes风险随着相依信息的增力。而逐步减少.     

广义线性模型中极大拟似然估计的强相合性

假定在一个具有一般联系函数的广义线性模型中, q×1响应变量y_i是可观测的, p×q协变量Z_i是固定设计的, 以记的最小特征根. 在(对某个α>0), sup_i≥1E||y_i||r <∞(对某个r>1/α)和其他正则条件下, 证明了以概率为1, 当n充分大时, 未知回归参数向量的拟似然方程有一个解, 它收敛于参数真值. 这一结果是对文献中的相应结果的实质性改进.     

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.     

广义线性回归拟似然估计的渐近正态性

研究了形如n∑i=1xi(yi-μ(xi′β))=0拟似然方程,在一定的条件下证明了拟似然估计βn的渐近正态性;并进一步证明了可用于β0大样本统计推断的渐近正态性结果．     

具有测量误差的非线性模型的Bayes估计

测量中大量的函数模型都是非线性回归模型．当回归变量含有一定的测量误差时，我们得到非线性测量误差模型．本讨论了这种模型中未知参数具有正态先验分布时的参数Bayes估计方法，并对这种估计进行了影响分析，证明了删除模型与均值漂移模型中参数的Bayes估计相同，利用Cook统计量给出了删除模型下参数的Bayes估计的影响度量．     

回归系数的广义岭型主相关估计及其优良性

在回归系数的主相关估计基础上提出一种新的降维估计——广义岭型主相关估计,并讨论它的优良性.     

基于参数估计线性回归模型选择的研究

关于线性回归模型选择 ,[1 ]中介绍了许多方法 ,他们均基于残差平方和下建立的选择准则 .本文试基于参数估计的理论给出一种方法 ,从参数估计的优良性质上来说 ,我们认为是合理的 .同时给出了计算方法及应用实例 .     

右删失数据下非线性回归模型的经验似然推断

考虑随机右删失数据下非线性回归模型,提出了模型中未知参数的调整的经验对数似然比统计量.在一定的条件下,证明了.所提出的的统计量具有渐近χ~2分布,由此结果构造了兴趣参数的置信域.通过模拟研究,对经典的经验似然、调整的经验似然和非线性最小二乘方法在有限样本下进行了比较,并对氯离子浓度试验数据进行了分析.     

半相依非线性回归方程组中的近似得分函数和拟近似得分函数

本文定义了半相依非线性回归方程组中的近似得分函数和拟近似得分函数．这些函数利用了样本信息和附加信息，在均方误差准则下改进了独立得分函数和拟独立得分函数．     

非线性EV回归模型中参数的经验似然置信域

本文考虑非线性EV回归模型，构造了未知参数的经验对数似然比统计量．此外，为了克服计算困难，提出了一个基于模拟的经验对数似然比统计量．在适当条件下，证明了所提出的这两种统计量都具有渐近X^2分布，所得结果可以用来构造未知参数的置信域。     

Efficient Mean Estimation in Log-Normal Linear Models with First-Order Correlated Errors

In this paper, we propose a log-normal linear model whose errors are first-order correlated, and suggest a two-stage method for the efficient estimation of the conditional mean of the response variable at the original scale. We obtain two estimators which minimize the asymptotic mean squared error (MM) and the asymptotic bias (MB), respectively. Both the estimators are very easy to implement, and simulation studies show that they are perform better.     

基于直觉模糊化的广义模糊时间序列预测模型

本文在传统广义模糊时间序列预测模型数据模糊化的基础上,引入直觉模糊集理论对其进行扩展。首先,在隶属度和非隶属度函数中增加犹豫度因子对样本数据进行直觉模糊化,更加细腻的反映数据不确定性本质。然后,用记分函数描述样本数据对模糊集的隶属情况,简化模型的复杂度。随后以传统广义模型为框架,构建基于直觉模糊化的广义模糊时间序列预测模型。最后利用典型的Alabama大学入学人数为实验数据,对比分析本文建立模型与传统广义模型的预测结果,验证直觉模糊化的广义模糊时间序列模型的可行性和优越性。     

带机会约束的警务调度模型及其解法

研究在紧急情况发生时,城市中不同交巡警服务平台的警务人员封锁指定区域的最优调度问题.把交巡警服务平台到达指定要道的时间视为满足正态分布的随机变量,从而建立了满足机会约束的警务调度模型并将该模型等价地转化为极小极大模型.给出了模型的求解算法及其计算复杂度.最后,通过一个数值例子来说明算法的有效性.