鞍点逼近下相关差的置信区间构造

相关差是医学中常用的重要指标,慢性病发病常用Poisson分布来拟合.使用鞍点逼近方法构造了相关差的置信区间,同时与传统的4种置信区间的构造方法,利用Monte Carlo模拟进行比较,最后用于实际数据分析.结果表明,鞍点逼近方法在大多数情况下,覆盖率较接近名义水平;在覆盖率差别不大时,鞍点逼近方法构造的区间长度较短;尤其在小样本下,鞍点逼近方法表现最好.所以鞍点逼近是统计量置信区间构造的一个好方法,可在各个领域内进行推广.     

二项抽样下基于鞍点逼近方法的流行病相对风险置信区间构造

相对风险是流行病学研究中的重要指标之一,它是度量一种暴露因素是否与某病的致病有联系的统计指标.以该指标的数值大小来表明这一暴露因素对某病的发生具有何种影响及影响的大小,体现了暴露与疾病的关联程度.精确地得到相对风险指标的区间估计,对病因推断具有重要意义.但是由于相对风险指标的估计量是两个概率值的估计量的比值,要得到其精确分布一般而言是很困难的,因此已有研究成果大都采用渐近方法估计相对风险的置信区间,这在小样本情况下表现不佳.在二项抽样条件下,对相对风险的点估计、置信区间估计一直被人们所关注.在二项采样下利用鞍点逼近的方法构造相对风险的置信区间,并通过实例与蒙特卡洛模拟,与传统的置信区间构造方法对比,模拟结果显示其优点,尤其是在小样本量条件下估计效果比较好.     

基于鞍点逼近的二项抽样下优势比的置信区间构造

优势比通常用来分析疾病与暴露因素的关联强度,在医学研究中有非常重要的临床意义。对于优势比而言,得到其一个区间估计往往比得到一个点估计更加重要。实际数据分析中,优势比作为一个未知参数其估计量比较复杂,要得到其精确的分布是很难实现的,因此一般都寻求其一个渐近的置信区间。文中,我们采用四种方法来构造二项抽样下优势比的渐近置信区间,分别为Delta方法、Woolf方法、基于似然比检验的方法以及鞍点逼近方法,每种方法都各有其优缺点,其中鞍点逼近方法构造优势比的置信区间,是本文的一个创新点。我们通过蒙特卡洛模拟来比较这四种区间估计方法的优劣,对于模拟结果的评价准则主要基于区间对优势比真值的覆盖率与置信水平的接近程度和平均区间长度这两个指标。最后,本文通过两个实证案例来直观展示四种区间估计方法的不同特点。     

逆抽样下流行病发病率的逼近与渐近置信区间

流行病研究的重要任务之一就是较为精确地估计出疾病的流行程度.疾病的流行性通常用发病率来表征.由于置信区间估计是一种体现对发病率估计好坏的途径,所以它是估计边限的重要提示物.作者在逆抽样条件下探究了7种流行病发病率的逼近与渐近的置信区间估计.通过蒙特卡罗方法,广泛地比较了这些方法的表现性能.为了方便今后进一步应用此结果,制做了许多相应的表格.这些表格清楚地表明为了构造出具有指定期望值的置信区所需要的最小病例数.模拟的结果表明:就流行病发病率的区间估计的覆盖率与区间大小的稳定性而言,逼近与渐近方法要优越于精确方法.更多的研究表明:鞍点逼近型置信区间就控制覆盖率和平均区间长度而言表现得最好,因此,在实际应用中如果能得到,建议尽量使用它.     

负二项抽样下需处理数置信区间构造方法的改进

负二项抽样因其在发病率很低的情况下的优良表现而被广泛应用于流行病学及其它学科之中."需处理数"是一种度量药物疗效的重要指标,它常常用来评价那些结果是二值变量的临床试验所研究的药物的疗效.在实际应用中,通常希望得到需处理数的置信区间,但是目前已有的需处理数的置信区间构造方法都存在一个应用上的难题:区间上限过大以至于不可靠.文章旨在解决需处理数区间上限估计过大的问题,为此提出了需处理数的最短区间构造方法并运用蒙特卡洛模拟方法比较其相对传统方法的优劣,还给出了实际应用的例子.模拟结果表明:改进后的方法能够在控制置信系数的情况下极大地减小区间上限,具有重要的实际价值.     

左截断右删失剩余寿命分位数的置信区间构造

在医学领域、可靠性分析和人寿保险市场中,剩余寿命是重要的研究范畴之一.因此,剩余寿命分位数区间的精确估计有着重要的意义.但是,在左截断和右删失同时存在的临床数据下,样本量通常很小,传统的置信区间构造方法多数不理想,而且涉及到的估计量方差的计算非常繁琐.为了避免上述困难,文章利用Jackknife-d方法构造了左截断右删失剩余寿命分位数的置信区间.同时,通过蒙特卡罗模拟和实例分析对Jackknife-d方法和传统的4种方法进行评价.模拟结果表明:小样本下,Jackknife-d方法得到的置信区间长度最短且覆盖率在大多数情况下都接近于名义水平,是剩余寿命分位数置信区间构造的一种很好的方法.     

慢性病发病率置信区间的构造

在流行病研究中,发病率是一个重要指标,该指标反映的是特定人群中某种疾病的发病程度.因此,对它的置信区间的构造在判别疾病发病程度上具有重要的医学意义.对于一些慢性疾(如癌症或心血管等),由于其发病周期长,发病率低,Poisson抽样下要比二项抽样,逆项抽样更符合事实.利用四种方法研究了泊松分布下慢性病发病率的置信区间构造,并通过Monte Ca·lo模拟对四种方法的表现性能进行比较.模拟结果表明:当发病率较高时,枢轴量方法无论在区间长度还是覆盖率上都袁现最佳:当发病率相对较低时,枢轴量方法在区间长度上略次于Wald统计量方法和得分方法,但是在覆盖率上袁现最佳.因此,枢轴量方法整体上表现的很好.     

基于流图模型的矩生成函数的计算及鞍点逼近

介绍了流图模型的矩生成函数的计算及其鞍点逼近问题.给出了矩生成函数的另一种推导方法并利用Maple计算相关方程.利用矩模拟的方法进行参数估计,得到了概率密度函数、生存函数和危险函数的鞍点逼近.结果表明鞍点逼近算法能较好地捕捉实际函数曲线的动态演变,且达到了估计误差小和逼近精度高的预期目标.     

右删失情形下平均生存时间的加权Bootstrap推断

在右删失情形下,基于一类合成数据,采用加权Bootstrap方法获得了平均生存时间的加权Bootstrap估计及其加权Bootstrap分布,并就权重是否独立两种情形,证明了此估计的相合性及此分布近似的有效性.基于此,构造了平均生存时间的置信区间.在数值模拟中,取权为Dirichlet(n;1,…,1),并从覆盖概率和区间长度角度,比较了加权Bootstrap和渐近正态逼近产生的置信区间.     

Logistic响应分布分位数的鞍点近似置信区间

论文基于响应数据，应用鞍点近似方法，给出构造Logistic响应分布分位数的近似置信区间的方法. 论文还对这种置信区间进行了模拟，并将该方法应用于QD8电雷管. 模拟和实例结果表明，当样本量较小时，该方法能够较好地推断Logistic响应分布的分位数     

基于鞍点逼近的投资组合极端风险贡献度测度

在当今金融市场资产价格高波动的背景下,度量投资组合中各资产对总体风险的风险贡献度对探析投资组合风险波动不定的深层次原因有重要意义。关于风险贡献度的测算,目前运用较广泛的是历史数据法,其主要适用于存在大量数据样本且持续期较短的情况。特别地,极端情况下的风险贡献度估计主要由处于分布尾部的少量观测值决定,因此历史数据法估计的准确性此时较难保证,为此,本文对鞍点逼近模型优化并考察上述情形。通过对中国股市进行实证分析发现,与传统历史数据法相比,鞍点逼近模型呈现下列优点:投资组合分布函数简洁、风险贡献度计算效率和准确性较高,压力测试表明该方法具有较好的稳健性。因此该方法有望对投资组合的风险预警与防范起到决策支持作用。     

δ冲击模型中截尾数据的统计推断

本文研究了δ-冲击模型中参数δ的统计推断问题，该模型具有参数为λ的Poisson冲击，系统在当两个连续的冲击时间间隔小于δ时失效，失效的时间记为T．首先，我们给出了在δ小于平均冲击间隔时间(即1／λ)的情况下，失效时间T的密度函数的性质；然后我们给出了截尾数据的损失信息补偿的方法；借助Class-K方法，给出了δ的无偏、一致估计以和区间估计．最后，由Edgeworth展开和Boostrap方法，我们得到了δ的精确度更高的区间估计．     

不确定环境下定期人寿保险的破产概率区间的计算

针对实际问题存在的不确定因素,研究了含不确定参数的定期人寿保险的破产模型,其中死亡率和净年保单数分别用区间数和随机参数刻画.推导了破产概率区间的计算公式,且用泊松分布近似时得到其近似计算方法.该模型的建立既考虑了初始准备金的利息积累和任何时刻的新投保人的加入,并采用了新的分组方式,又考虑了实际问题中的不确定因素,因而能够更加真实地刻画了实际过程,比传统模型更具实用性.     

对数正态分布基于恒加试验的参数估计

讨论对数正态分布场合有非常数尺度参数恒加试验的参数估计,由最小均方误差准则导出基于完全样本恒加试验的点估计和近似区间估计.     

Reliability analysis of repairable systems from in–service failure count data

Point maximum likelihood estimators for parameters, mean number of failures, and failure rate in a non–homogeneous Poisson process are derived, when only count data from k identical processes are available. Approximate confidence intervals based on the parametric bootstrap technique are considered. The performances of both the point and interval estimation procedures are assessed via Monte Carlo simulation.     

Sequential Estimation for a Functional of the Spectral Density of a Gaussian Stationary Process

Integral functional of the spectral density of stationary process is an important index in time series analysis. In this paper we consider the problem of sequential point and fixed-width confidence interval estimation of an integral functional of the spectral density for Gaussian stationary process. The proposed sequential point estimator is based on the integral functional replaced by the periodogram in place of the spectral density. Then it is shown to be asymptotically risk efficient as the cost per observation tends to zero. Next we provide a sequential interval estimator, which is asymptotically efficient as the width of the interval tends to zero. Finally some numerical studies will be given.     

Likelihood Based Confidence Intervals for the Tail Index

For the estimation of the tail index of a heavy tailed distribution, one of the well-known estimators is the Hill estimator (Hill, 1975). One obvious way to construct a confidence interval for the tail index is via the normal approximation of the Hill estimator. In this paper we apply both the empirical likelihood method and the parametric likelihood method to obtaining confidence intervals for the tail index. Our limited simulation study indicates that the normal approximation method is worse than the other two methods in terms of coverage probability, and the empirical likelihood method and the parametric likelihood method are comparable.     

半参数两样本密度比率模型估计问题的一点注记

In this paper,a semiparametric two-sample density ratio model is considered and the empirical likelihood method is applied to obtain the parameters estimation.A commonly occurring problem in computing is that the empirical likelihood function may be a concaveconvex function.Here a simple Lagrange saddle point algorithm is presented for computing the saddle point of the empirical likelihood function when the Lagrange multiplier has no explicit solution.So we can obtain the maximum empirical likelihood estimation (MELE) of parameters.Monte Carlo simulations are presented to illustrate the Lagrange saddle point algorithm.     

Asymptotic theory of simultaneous estimation of Poisson means

The Poisson distribution is often a good approximation to the underlying sampling distribution and is central to the study of categorical data. In this paper, we propose a new unified approach to an investigation of point properties of simultaneous estimations of Poisson population parameters with general quadratic loss functions. The main accent is made on the shrinkage estimation. We build a series of estimators that could be represented as a convex combination of linear statistics such as maximum likelihood estimator (benchmark estimator), restricted estimator, composite estimator, preliminary test estimator, shrinkage estimator, positive rule shrinkage estimator (James-Stein type estimator). All these estimators are represented in a general integrated estimation approach, which allows us to unify our investigation and order them with respect to the risk. A simulation study with numerical and graphical results is conducted to illustrate the properties of the investigated estimators.