基于不完全数据的敏感生产品可靠性的综合评定1

敏感性产品是在某种可以度量的刺激下的一次性作用产品，一般采用成败型数据或序惯试验所得不完全数据来估计其可靠度。前在高可靠性要求下，所需样本量太大；后虽需要较少的样本量，但是造成的外推误差太大。本将这两种数据结合起来，经过一定的纠偏后给出了敏感性产品的综合可靠性估计。蒙特卡洛模拟表明，这样的综合评估方法是一种可行的方法。     

右删失时间序列AR模型参数估计

通过Kaplan-Meier估计和Nelson-Aalen估计得到了平稳时间序列被另一平稳序列右删失下.AR模型的参数估计.首先,通过与完全数据下的参数估计进行对比,说明了两种估计方法的效果.然后,根据计算机模拟的样本量以及删失率的不同,对比了两种估计的优劣,并且模拟结果表明两种估计是有效的.     

分层抽样下定量特征敏感性随机化模型的比估计法

基于定量特征敏感性随机化模型中的Eichhorn and Hayre模型,运用分别比估计法和联合比估计法对其总体均值作估计,并对两种方法下的估计量进行效率比较.结果表明:若各层的样本量比较大,各层的比估计比较有效,则分别比估计法的精度要优于联合比估计法.     

估计敏感特征比例和敏感指标均值的问卷调查技术

提出了一种敏感性问题问卷调在技术.在相同的样本量下,提出的问卷调查技术可以获得调查者所关心的两项敏感指标(敏感比例π_x和敏感指标均值μ_x).此外,还定义了关于敏感指标的极大似然估计形式,给出一种问卷调查装置对个体隐私保护的度量方法.利用Monte Carlo方法模拟计算了在简单随机有放回抽样设计方案下估计量的精度和装置的保护度.     

POT模型中GPD估计方法选择及金融风险测度

极大似然、矩、概率加权矩估计是GPD参数估计的主要方法.用蒙特卡罗模拟技术产生大量GPD数据,用三种方法估计参数.通过BIAS和RMSE判断估计方法优劣,研究其随样本量和形状参数变化的差异,得到估计方法选择的标准.     

定时截尾下指数分布产品可靠性抽样检验方案

本文给出了制订定时截尾下指数分布产品可靠性抽样检验方案的统计方法.检验统计量是平均寿命倒数的极大似然估计.提出了一种选择截尾时间的方法.利用分布分位数的Cornish-Fisher展开近似地确定了样本量和接收常数.模拟结果表明,本文给出的方法是可行的.     

删失数据下医药费用的经验似然估计

生存时间数据删失问题是医药费用统计推断的一大难点,本文针对可以获得费用历史信息的情形,提出了在删失数据下医药费用的经验似然估计方法,给出在一定置信水平下感兴趣参数的置信区间.通过模拟,比较了在不同样本量下本文提出的方法与已有方法的表现,结果是我们的方法得到的置信区间更短,估计效果更好.同时,我们也针对一项心脏病实验的实际数据进行了相关分析和比较,得到满意的结果.     

大数据下广义线性模型的参数估计算法

在大数据下,全样本量很大,未知参数极大似然估计的计算变得十分困难.文章主要对于广义线性模型参数的极大似然估计研究一种有效的计算方法.首先证明了随机抽样算法下的估计量的渐近正态性,由此提出了入样概率的选取准则及两步随机抽样算法.模拟研究表明,绝大部分情况下,运用文章提出的方法所得到广义线性模型极大似然估计量的均方误差低于与之对比的简单随机抽样.     

双侧截断回归模型的变量选择

在回归分析中,当因变量存在双侧截断时,已有的统计方法会使得回归模型的系数估计与变量选择产生偏差.本文提出一种适用于双侧截断回归模型的系数估计与变量选择方法,且该方法允许回归模型中自变量的个数随着样本量增大并趋于无穷而趋于无穷.该方法的主要思想是,提出一种Mann-Whitney型的损失函数来进行纠偏,随后加入自适应最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)惩罚项来进行变量选择.本文同时设计一种迭代算法来实现损失函数的优化;且证明了所提出估计量的相合性与渐近正态性,还给出所提出变量选择方法的神谕性(oracle property).本文通过随机模拟展示所提出方法在有限样本量下的表现,并使用所提出方法分析一个天文学领域的实际数据集.     

病例队列研究下带约束的Cox模型中参数的一种加权估计方法

许多大型队列研究的主要预算和成本通常来自昂贵的关键协变量的采集与测量.在有限的预算或者时间下,观测大型队列中所有研究对象的昂贵协变量往往是不可行和低效的.因此,研究人员一直致力于寻找和使用能节约成本并能达到预设效率的抽样设计方法.对于生存数据,病例队列设计正是这样一种具有成本效益的有偏抽样机制.进一步,在病例队列研究中,为了利用更多的数据先验信息来提高研究的效率,可以在统计建模过程中对模型参数进行合理的假设和约束.本文研究病例队列设计下带约束的Cox模型中参数的估计方法.我们提出了一种加权约束估计的方法,并建立了所提出估计的渐近理论.发展了一种新的约束MM算法来实现所提出的加权约束估计的数值计算.通过统计模拟研究评估了所提出方法在有限样本量下的表现.分析了一个肾母细胞瘤的实际数据来展示所提出方法的实际应用价值.     

高频金融数据的高维积分波动率矩阵估计

高维积分波动率矩阵是资源配置和风险管理的重要统计量,对其估计是金融统计和风险度量中的热点和核心问题之一.本文在带有市场信息的微观结构噪声下,考虑了高频金融数据大量资产的积分波动率矩阵估计问题.在多资产价格观察不同步下,当资产数和样本量都趋向于无穷时,本文利用不重叠区间方法和稀疏性特征提出了高维积分波动率矩阵估计,证明了该估计量具有相合性,较在加性噪声下的估计具有更快的收敛速度,其收敛速度可以达到已存在高维积分波动率矩阵估计在无噪声下的最快收敛速度.对所提出的估计与现有的高维积分波动率矩阵估计进行模拟比较,结果表明本文提出的估计方法具有优良的性质.最后将提出的估计应用于上海证券指数数据的实证研究中.     

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.     

大数据背景下基于expectile回归模型的分布式优化方法研究

随着大数据时代的到来,运用统计的思维和方法挖掘隐藏在数据里的价值成为大数据领域的热门研究方向.数据挖掘的常用方法是回归分析,最小二乘回归只对因变量均值做出估计,而expectile回归可以估计因变量的整体分布.本文以大数据为背景,在expectile回归模型下,提出分布式存储数据的思想,并通过构造全局损失函数的一个替代损失函数,设计Proximal-ADMM算法对模型中的参数进行估计.达到了仅使用局部样本就可有效评估全局损失函数的目的,解决了大数据中样本量大导致的计算成本昂贵的问题.     

序贯抽样在计算机辅助电话调查中的应用

样本量的确定是抽样设计中的关键问题,传统方法利用总体方差和调查费用的有关信息来确定样本量可能产生两种结果,一种是样本量过低,无法保证希望的估计精度要求;一种是样本量过高,导致调查经费的浪费。计算机辅助电话调查中即时的数据运算和管理功能为序贯抽样的应用奠定了基础。利用前期抽取样本的计算结果,可以规定进一步需抽取的样本量,最终样本量是对真正期望样本量的一个最佳近似,它比传统方法更能保证以最少的费用满足预先设定的精度要求。     

病例队列设计下加性风险回归分析及其在乳腺癌数据中的应用

本文研究了如何应用加性风险模型拟合由病例队列设计获取的生存数据的问题.利用参数的一种加权估计方法并综述其渐近性质.通过模拟研究获得了这种方法在有限样本量下的优良表现,并评估了病例队列设计相较于简单随机抽样设计的有效性.本文推广简单随机抽样至病例队列设计,并将此种方法应用于一个实际的乳腺癌数据,展示其在实际中的应用价值和...     

基于处理效应模型的评估方法改进及应用研究

处理效应模型广泛应用于教育、医学和公共政策研究中,模型估计结果依赖于处理对象的选择,特别是当样本量较小时,估计结论缺乏稳健性.在这种情形下,排序集抽样是一种经济有效的方法.基于排序集样本研究了改进的平均处理效应估计模型,对改进后估计量的无偏性和渐进性进行了证明,建立了估计量精度与回归系数估计精度之间的关系.结果 表明,...     

正态分布在不同先验下的Bayes估计及风险比较

本文讨论在均值未知,方差已知的正态分布情况下通过在共轭先验以及Jeffreys先验二种先验下的Bayes估计问题,在平方损失函数下和线性损失函数下Bayes风险的比较.数据计算可以看出,在Jeffreys先验下的Bayes风险要比在共轭先验下的Bayes风险要大,但是当样本量增大时,两者的后验风险越来越靠近.     

Marshall-Olkin威布尔分布的贝叶斯分析（英文）

Kundu与Gupta~([1])提出用重要抽样法来计算Marshal-Olkin两元威布尔分布参数的贝叶斯估计,然而我们发现在样本量变大的情况下,重要抽样算法的参数估计效果却不理想.在这篇文章中,我们引入潜在变量来简化似然函数,并且提出利用MCMC算法实现对该模型未知参数的估计.为了评价我们提出方法的有效性,我们将提出的贝叶斯方法与极大似然估计数据模拟结果作对比,可以发现:即使在样本量很小的情况下,提出的贝叶斯方法的参数估计效果更理想.实例分析也说明了这一点.     

失效率的综合E-Bayes估计

该文提出了可靠性参数的一种新估计方法综合E-Bayes估计法.在无失效数据情形下给出了失效率的E-Bayes估计的定义,并给出了失效率的E-Bayes估计。在引进失效信息后，给出了失效率的E-Bayes估计，并在此基础上给出了失效率和其它参数的综合E-Bayes估计。最后，结合实际问题进行计算，结果表明该文提出的方法可行且便于应用。     

拉普拉斯分布参数的近似贝叶斯估计

拉普拉斯分布是刻画尖峰厚尾数据的重要分布之一.本文提出拉普拉斯分布两参数具有显式解的线性近似贝叶斯估计,通过理论证明和数值模拟验证了线性近似贝叶斯估计相比其他估计的优越性,并考察了线性近似贝叶斯估计随着样本量增加的渐近性质.