基于离散观测的OU型过程的经验似然估计

基于离散观测样本,借助条件特征函数,提出了OU型过程参数的经验似然估计,并证明了最大经验似然估计的相合性和渐近正态性,同时证明了在适当的附加条件下,该估计是渐近有效的.当驱动Lévy过程具有某种特殊形式时,发现OU型过程的强度参数能够首先估计出来.在此特殊情形下,提出了OU型过程中其余参数的最大经验似然估计,并讨论了其相合性、渐近正态性和渐近有效性.基于经验似然比统计量,给出了参数检验和估计方程检验的似然比检验方法.模拟显示所提出的估计方法是准确和稳定的.     

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.     

Cox-Ingersoll-Ross模型的统计推断

本文研究了Cox—Ingersoll—Ross模型的统计推断问题.给出了CIR过程的平稳均值m与平稳方差v的矩估计,并利用m和v给出了CIR过程中尺度参数α与波动率β之间的关系,讨论了参数α的条件矩估计和渐近极大似然估计.并通过数值模拟对条件矩估计,渐近极大似然估计这两种方法作了比较.     

非线性模型中的拟似然估计和约束拟似然估计

该文证明了,在非线性回归模型中,若以均方误差或均方误差矩阵为标准,拟似然估计是正则广义拟似然估计类中的最优估计,并讨论了拟得分函数最优性与拟似然估计最优性的关系.为改进拟似然估计,该文提出了一种约束拟似然估计,并证明了约束拟似然估计比拟似然估计有较小的均方误差.     

一个简化的新Laplace AR(1)模型 参数估计及其渐近性质

研究了一个简化的新的Laplace AR(1)模型参数的条件最小二乘估计和最大拟似然估计,并讨论了它们的强相合性和渐近正态性.通过数值模拟和实际例子,说明了最大拟似然估计及模型的优越性.     

分数OU模型参数估计的大偏差

本文考虑了分数OU模型参数估计的大偏差,通过Laplace变换的技巧,得到了极大似然估计的大偏差.     

协方差结构分析中拟似然估计的对偶几何方法

本文应用几何方法研究了协方差结构分析中的拟似然估计.对于该模型引进了对偶几何,在此基础上得到了拟似然估计的二阶渐近性质.通过对偶曲率给出了拟似然估计的偏差、方差和信息损失,并且给出了反映拟观察信息和拟期望信息之间关系的一个极限定理     

协方差结构分析中拟似然估计的对偶几何方法

本文应用几何方法研究了协方差结构分析中的拟似然估计.对于该模型引进了对偶几何,在此基础上得到了拟似然估计的二阶渐近性质.通过对偶曲率给出了拟似然估计的偏差、方差和信息损失,并且给出了反映拟观察信息和拟期望信息之间关系的一个极限定理.     

离散抽样Gamma-OU过程的参数估计

平稳Gamma-OU过程是用于刻画金融资产波动的一类重要模型. 本文主要考虑基于离散观察的Gamma-OU过程的参数估计. 文中给出了强度参数λ的估计量及其收敛性，模拟显示这一估计是相当准确的. 在假设参数λ已被估计出来的条件下, 又研究了形状参数c和尺度参数α的最大似然估计, 其中关于这两个参数的似然函数是难于计算的. 通过Gaver-Stehfest算法, 我们构造了一个似然函数的具体估计序列, 它收敛于真实(但未知）的似然函数. 最大化这一序列可以得到收敛于真实最大似然估计的一列估计量, 并且这一估计序列具有与最大似然估计相同的收敛性. 模拟显示在大多数有关波动率的实际背景下, 我们的方法是非常准确的.     

自然联系函数下自适应设计广义线性模型的渐近性质(英文)

本文在一些弱的条件下,对自然联系函数和自适应设计下广义线性模型的极大拟似然估计渐近性进行研究,获得了极大拟似然估计的渐近存在性、弱相合性、收敛速度及渐近正态性.并通过蒙特卡罗数值模拟的方法对所得结果进行验证.     

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.     

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α-Stable过程的像集和图集的一致维数

研究了未必具有随机一致Holder条件的N指标d维广义α-stable过程的像集和图集的一致维数问题,并在一定条件下得到了N指标d维广义α-stable过程像集约一致Hausdorff维数和一致Packing维数的上、下界,图集的一致Hausdorff维数和一致Packing维数的上界,包含了多指标α-stable过程和广义布朗单相应的结果．     

一类GARCH-M模型的拟极大指数似然估计

由于可以用来刻画金融市场波动与收益之间的关系,GARCH-M模型自提出之后,就受到了广泛的研究.关于GARCH-M模型,传统的估计方法大多是基于拟极大似然估计.然而这类方法通常对矩条件的要求比较高,而实际数据未必能够满足这些条件.因此研究如何在较弱的矩条件下来估计GARCH-M模型就有一定的实际意义.本文研究了一类特殊的GARCHM模型.与传统GARCH-M模型不同的地方在于该类模型的条件方差决定于可观测的序列.通过拟极大指数似然估计的方法给出了模型参数的局部估计.在较弱的矩条件下给出了估计的渐近正态性证明.文章给出的模拟和实证研究表明该估计方法表现很好,有一定的应用价值.     

简单混合三参数一般均匀分布在地震发生间隔区间估计中的应用

本文首次介绍了一类一般均匀分布,包括单参数一般均匀分布、二参数一般均匀分布及三参数一般均匀分布,导出了三参数一般均匀分布的密度函数、数学期望、矩母函数及特征函数,获得了单参数及二参数一般均匀分布参数的矩估计和最大似然估计,通过结合最大似然估计法与矩估计法,从而获得了三参数一般均匀分布参数的二种最大似然型修正估计.文末,提出一个简单混合三参数一般均匀分布拟合地震发生时间间隔长度数据,用以预报一段时间内地震发生的概率.     

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).     

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。     

结构经济序列分析的状态空间方法

2.2状态空间模型参数的极大似然估计 在本文　1中我们建立了结构时间序列的状态空间模型(1.3),在该模型中状态转移阵Φ(其中的自回归项参数α1,α2。…,αp),状态噪声协方差阵Q(其对角线上的σξ2,σ 2n,αe2,αξ2)及量测噪声方差k都是待估计的.此外在进行Kαlmαn滤波时,状态及协方差阵的近值X(0/0), P(0,0/0)也是待估计的.我们将未知参数简记为 0=(Φ,Q,R,X(0/0),P(0,0/0)假定已得到观测数据我们通过极大化观测数据的似然函数来估计未知数. 观测数据的似然函数是上式中f是条件概率密度函数. 由状态空间的状态方程及量测方程(1.3)可得…     

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．     

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.