基于隐变量的有限混合模型对有序数据的Bayes聚类分析

本文基于隐变量的有限混合模型,提出了一种用于有序数据的Bayes聚类方法.我们采用EM算法获得模型参数的估计,用BIC准则确定类数,用类似于Bayes判别的方法对各观测分类.模拟研究结果表明,本文提出的方法有较好的聚类效果,对于中等规模的数据集,计算量是可以接受的.     

基于Dirichlet分布有限混合模型的Bayes聚类

本文基于Dirichlet分布有限混合模型,提出了一种用于成分数据的Bayes聚类方法.采用EM算法获得模型参数的估计,用BIC准则确定类数,用类似于Bayes判别的方法对各观测分类.推导了计算公式,编写出程序.模拟研究结果表明,本文提出的方法有较好的聚类效果.     

价值风险的非参数估计方法*

价值风险(VaR)模型是当今最流行的金融资产风险管理和控制的工具之一\bd 本文提出了用局部分位数回归的方法来估计某一投资组合的VaR值\bd 该方法可用于计算投资组合多持续期的VaR, 使得人们可以了解到该投资组合在一定持续期内的动态风险\bd 本文通过模拟和美国三个月到期国债利率数据的分析说明了该方法的具体执行情况, 并与J.P. Morgan的时间开方规则作了比较\bd 结果表明我们的VaR估计有令人满意的效果.     

对部分线性模型用惩罚最小二乘估计时最优光滑化的注记

部分线性模型也就是响应变量关于一个或者多个协变量是线性的, 但对于其他的协变量是非线性的关系\bd 对于部分线性模型中的参数和非参数部分的估计方法, 惩罚最小二乘估计是重要的估计方法之一\bd 对于这种估计方法, 广义交叉验证法提供了一种确定光滑参数的方法\bd 但是, 在部分线性模型中, 用广义交叉验证法确定光滑参数的最优性还没有被证明\bd 本文证明了利用惩罚最小二乘估计对于部分线性模型估计时, 用广义交叉验证法选择光滑参数的最优性\bd 通过模拟验证了本文中所提出的用广义交叉验证法选择光滑参数具有很好的效果, 同时, 本文在模拟部分比较了广义交叉验证和最小二乘交叉验证的优劣.     

散度偏大计数数据分布的贝叶斯估计

本文针对索赔次数数据的特点, 讨论了两类可导致散度偏大特征数据的分布类型: 零点膨胀分布与膨胀参数分布, 并根据Bayes理论与MCMC方法, 利用WinBUGS对其进行建模和抽样\bd 经过比较,给出了实现分布拟合的途径, 最后通过两个数值例子加以展示.     

多元$t$分布数据的局部影响分析

对于多元$t$分布数据, 直接应用其概率密度进行影响分析是困难的\bd 本文通过引入服从Gamma分布的权重, 将其表示为特定多元正态分布的混合\bd 在此基础上, 进而将权重视为缺失数据, 引入EM算法; 从而利用基于完全数据似然函数的条件期望进行局部影响分析\bd 本文进一步系统研究了加权扰动模型下的局部影响分析, 得到了相应的诊断统计量; 并通过两个实例说明了这种方法的有效性.     

���ڿ�ζ�Ƚϵļ���

本文用Bayes方法来检验两种药品之间的口味是否相同, 得到了与人们的直观感觉相吻合的结论\bd 设$(x_1,x_2,x_3)$服从参数为$(p_1,p_2,p_3)$的多项分布, 则检验口味的问题转为检验$H_i:(p_1,p_2,p_3)$ $\in\Theta_i\;\;i=1,2,3$三个假设的问题. 在使用Bayes方法时, 其关键是选择合理的先验分布, 这里选择相应的先验分布为无信息先验, 据此求出每个假设的后验概率, 从而得到结论\bd     

混合指数分布的参数估计

混合指数分布是寿命数据分析中一个非常重要的统计模型\bd 但是利用正规的统计方法如矩估计、极大似然估计等估计模型的参数往往比较困难\bd 本文应用EM算法详细研究了混合指数分布在正常工作条件下和在进行恒加应力加速寿命实验条件下, 在完全数据场合、I-型截尾和II-型截尾场合的参数估计问题\bd 模拟说明利用EM算法来估计混合指数分布是一种非常有效的方法.     

指数族非线性混合效应模型基于$Q$函数的数据删除度量

对指数族非线性混合效应模型, 本文基于$Q$函数(朱宏图, 2001)方法, 给出几种度量数据删除影响的统计量\bd 其主要思想是将随机效应视为缺失数据, 并利用EM算法来处理完全数据对数似然函数的条件期望\bd 一个实际例子说明我们方法是有效的     

关于有信用风险的期权定价的鞅方法

本文考虑了一个关于具有对方风险的衍生物的金融模型\bd 应用公司价值模型, 本文讨论了关于具有对方破产风险的衍生物的欧式期权定价问题\bd 应用鞅方法, 在高斯分布等的假设下本文得到并证明一个关于该期权的显式Black-Scholes定价公式\bd 该公式推广了Ammann在[1]中的相应结果.     

Gumbel分布的简单贝叶斯估计

在实际应用中,两参数Gumbel分布的贝叶斯估计往往需要预先知道Gumbel参数的二维联合先验分布。由于获取先验分布的主观性和统计推断的复杂性,目前有关Gumbel分布贝叶斯估计理论及其性质的讨论还比较少,更不要说获得较为简单的Gumbel分布的贝叶斯估计。本文基于Kaminskiy和Vasiliy提出的简单贝叶斯估计过程,利用可靠度函数估计的区间形式表示先验信息,从而得到两个参数Gumbel分布的简单贝叶斯估计。基于此先验信息,该估计过程构造了Gumbel参数的连续联合先验分布,给出了在给定任意时点的可靠度(或累积密度)及其标准差的后验估计,为可靠性与风险评估中简单快速的使用贝叶斯估计刻画极端事件提供了可能.     

参数的E Bayes估计法及其应用

提出了参数的一种估计方法—— E Bayes估计法 ,对寿命服从指数分布的产品 ,在失效率的先验分布为 Gamma分布时 ,给出了失效率的 E Bayes估计和多层 Bayes估计 ,并在此基础上给出了失效率和可靠度的 E Bayes估计的性质 .结合实际问题进行了计算 ,结果表明提出的 E Bayes估计法可行且便于应用 .     

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。     

不合格品率的一个估计方法

本提出了一种参数的估计方法——E Bayes估计法．对产品的不合格品率,给出了E Bayes估计的定义和E Bayes估计,并在此基础上给出了E Bayes估计的性质和多层Bayes估计。最后,给出了模拟计算,结果表明本提出的方法可行且便于应用。     

Learning continuous time Bayesian network classifiers

Streaming data are relevant to finance, computer science, and engineering while they are becoming increasingly important to medicine and biology. Continuous time Bayesian network classifiers are designed for analyzing multivariate streaming data when time duration of event matters. Structural and parametric learning for the class of continuous time Bayesian network classifiers are considered in the case where complete data is available. Conditional log-likelihood scoring is developed for structural learning on continuous time Bayesian network classifiers. Performance of continuous time Bayesian network classifiers learned when combining conditional log-likelihood scoring and Bayesian parameter estimation are compared with that achieved by continuous time Bayesian network classifiers when learning is based on marginal log-likelihood scoring and to that achieved by dynamic Bayesian network classifiers. Classifiers are compared in terms of accuracy and computation time. Comparison is based on numerical experiments where synthetic and real data are used. Results show that conditional log-likelihood scoring combined with Bayesian parameter estimation outperforms marginal log-likelihood scoring. Conditional log-likelihood scoring becomes even more effective when the amount of available data is limited. Continuous time Bayesian network classifiers outperform in terms of computation time and accuracy dynamic Bayesian network on synthetic and real data sets.     

A Bayesian network approach to making inferences in causal maps

The main goal of this paper is to describe a new graphical structure called ‘Bayesian causal maps’ to represent and analyze domain knowledge of experts. A Bayesian causal map is a causal map, i.e., a network-based representation of an expert’s cognition. It is also a Bayesian network, i.e., a graphical representation of an expert’s knowledge based on probability theory. Bayesian causal maps enhance the capabilities of causal maps in many ways. We describe how the textual analysis procedure for constructing causal maps can be modified to construct Bayesian causal maps, and we illustrate it using a causal map of a marketing expert in the context of a product development decision.     

Objective Bayesian probabilistic logic

This paper develops connections between objective Bayesian epistemology—which holds that the strengths of an agent's beliefs should be representable by probabilities, should be calibrated with evidence of empirical probability, and should otherwise be equivocal—and probabilistic logic. After introducing objective Bayesian epistemology over propositional languages, the formalism is extended to handle predicate languages. A rather general probabilistic logic is formulated and then given a natural semantics in terms of objective Bayesian epistemology. The machinery of objective Bayesian nets and objective credal nets is introduced and this machinery is applied to provide a calculus for probabilistic logic that meshes with the objective Bayesian semantics.     

结构系统识别不确定性分析的Bayes方法及其进展

受测试误差、建模误差、数值离散化以及环境变异等因素的影响,结构系统识别过程不可避免地存在不确定性,因此有必要引入概率统计方法来提高其鲁棒性,为工程结构安全监测提供更为可靠的结果.近年来,Bayes(贝叶斯)方法因为其诸多优势在系统识别领域受到了广泛关注.该文梳理了Bayes系统识别的历史脉络和研究进展.从Bayes系统识别的理论框架出发,分析了量化系统识别不确定性两类方法的适用条件与局限性.此外,文章综述了Bayes方法在模态参数识别、有限元模型修正以及结构损伤识别方面进行不确定性分析的理论、实现及其应用.最后对基于Bayes方法进行系统识别研究的发展趋势做出了展望.     

利用贝叶斯网络分析基因表达数据

利用基因表达数据提出一种新的网络模型—贝叶斯网络,发现基因的互作.一个贝叶斯网络是多变量联合概率分布的有向图模型,表示变量间的条件独立属性.首先我们阐明贝叶斯网络如何表示基因间的互作,然后介绍从基因芯片数据学习贝叶斯网络的方法.     

Forecasting seasonal time series data: a Bayesian model averaging approach

A flexible Bayesian periodic autoregressive model is used for the prediction of quarterly and monthly time series data. As the unknown autoregressive lag order, the occurrence of structural breaks and their respective break dates are common sources of uncertainty these are treated as random quantities within the Bayesian framework. Since no analytical expressions for the corresponding marginal posterior predictive distributions exist a Markov Chain Monte Carlo approach based on data augmentation is proposed. Its performance is demonstrated in Monte Carlo experiments. Instead of resorting to a model selection approach by choosing a particular candidate model for prediction, a forecasting approach based on Bayesian model averaging is used in order to account for model uncertainty and to improve forecasting accuracy. For model diagnosis a Bayesian sign test is introduced to compare the predictive accuracy of different forecasting models in terms of statistical significance. In an empirical application, using monthly unemployment rates of Germany, the performance of the model averaging prediction approach is compared to those of model selected Bayesian and classical (non)periodic time series models.