椭球等高矩阵分布关于非奇异矩阵变换的不变性

本文首先将矩阵F分布和矩阵t分布的定义推广到左球分布类,其密度函数与产生它们的左球分布或球对称分布的密度均无关.然后讨论了椭球等高分布关于非奇异矩阵变换的不变性问题,包括矩阵Beta分布、逆矩阵Beta分布、矩阵Dirichlet分布、逆矩阵Dirichlet分布、矩阵F分布和矩阵t等分布.在非奇异变换下,这些分布的密度不但与产生它们的左球分布的密度函数无关,而且与非奇异变换矩阵无关.     

多重线性回归模型的贝叶斯预报分析

多重线性回归模型的贝叶斯预报分析是贝叶斯线性模型理论的重要组成部分。通过模型系统的统计结构，证明了矩阵正态-Wishart分布为模型参数的共轭先验分布；利用贝叶斯定理，根据模型的样本似然函数和参数的先验分布推导了参数的后验分布；然后，从数学上严格推断了模型的预报分布密度函数，证明了模型预报分布为矩阵t分布。研究结果表明：由于参数先验分布的作用，样本的预报分布与其原统计分布有着本质性的差异，前服从矩阵正态分布，而后为矩阵t分布。     

椭球等高矩阵分布的条件分布

本文给出了椭球等高矩阵分布的条件分布的随机表示,证明了椭球等高矩阵分布的条件分布仍是椭球等高分布。     

几何分布时间序贯检验的贝叶斯推断

设有统计模型｛ｘ,Ｂｘ,Ｐθ｝,θ∈（０,１）,其中Ｐθ为几何分布：Ｐθ（Ｘ＝ｋ）＝（１－θ）θ＾ｋ－１ｋ＝１,２,…。考虑检验问题：θ＝θｏ ｖｓ． θ＝θ１（０〈θ０〈θ１〈１）本文对一种依次试验的时间序贯样本,给出了上述检验问题的贝叶斯停止判决法则,其中损失函数为试验费用和误判损失之和,贝叶斯停止判决法则由后验概率的两组界（上界和下界）所给出。     

椭球等高分布族下的非中心Cochran定理

本文在椭球等高分布假定下,讨论了二次型X′AX(A为对称阵)的非中心Cochran定理。主要结果如下: 若X～EC_n(μ,L_n;g),g(x)>0为x的连续函数,且X有有限的2n阶矩。A_i,i=1,2,…,m为n×n对称阵。A=∑A_i,λ_1,…,λ_k互不相同且非零。考虑下面的条件: (a) X′A_iX■sum from j=1 to k λ_jy_(ij),(y_(i1),…(y_(ik))′～Gχ~2(n_(i1),…,n_(ik);δ_(i1)~2,…,δ_(ik)~2;g)j=1,…,m。 (b) (X′A_1X,…,X′A_mX)■(sum from j=1 to k λ_jz_j…,sum from j=(m-1)k 1 to mk λ_(j-(m-1)k)z_j)(z_1…,z_(mk))′～Gχ~2(n_(11),n_(1k),n_(21)…,n_(mk);δ_(11)~2,…δ_(1k)~2,δ_(21)~2,…,δ_(mk)~2;g) (c) X′AX(?)sum from j=1 to k λ_jy_j,(y_1,…,y_k)′～Gχ(n_1,…,n_k;δ_1~2,…,δ_k~2;g) (d) r(A)=∑r(A_i)=∑∑r(A_iE_j),A=∑λ_jE_j,E_j~2=E_j,E_jE_(j′)=0,j≠j′=1,…,k, (e) k个等式n_j=∑n_(ij)中至少有k-1个成立。则 (Ⅰ) (a),(b)■(c),(d),(e), (Ⅱ) (a),(c),(e)■(b),(d), (Ⅲ) (b),(c)■(a),(d),(c), (Ⅳ) (c),(d)■(a),(b),(c)。     

定时截尾场合双参数威布尔分布的贝叶斯推断

给出了定时截尾下,双参数威布尔分布中参数及可靠性指标的Bayes估计,并且给出了未来观测值的贝叶斯预测问题.     

潜伏期变化的随机流行病模型及其贝叶斯推断

本文讨论了潜伏期和传染期均服从威布尔分布、易感性随机变化的一类随机流行病模型,并利用M CM C算法对潜伏期、传染期的参数和易感性的超参数作了贝叶期推断.这种分析方法比以往各种方法更适用于各类疾病.     

基于贝叶斯推断的TAR模型的门限非线性检验

在正态分布的假定下,变点问题按照均值和方差的变化有四种情形.本文把TAR模型门限非线性的检验问题,看作是对应均值变化,方差不变情形下的变点问题.然后利用可逆跳马尔可夫蒙特卡罗模拟(RJMCMC)方法计算两个比较模型(AR和TAR模型)的后验概率.后验概率的结果支持TAR模型表明门限非线性的存在.模拟实验的结果说明基于贝叶斯推断的检验方法可以很好的区分AR和TAR模型.     

从偏态Pearson Ⅶ分布生成的新的多元偏态t分布

一般而言,偏态的椭球等高分布是一类分布族,有相当一部分的分布都是积分形式,且此类积分不易求出,而偏态的正态、偏态的正态尺度混合、偏态的PⅦ型、偏态的PⅡ型的分布却有着很好的结构,偏态t分布属于偏态PⅦ型分布,因此,本文在偏态PⅦ型分布的基础上着重研究新的偏态t分布,给出它的背景、定义、两种随机表示及其等价性.     

多元比例响应数据的贝叶斯推断及其应用

多元比例响应数据具有有界性、归一性以及分量取值稀疏性等特点。本文在多项分布拟似然框架下基于贝叶斯方法研究多元比例数据的估计及其推断问题。通过引入Polya-Gamma分布的潜在变量,得到了易于后验抽样的Gibbs抽样算法。新方法具有估计稳健性、计算量小、推断效率高等特点,且不需要事先对响应数据作近似或变换。大量的数值模拟分析和两个实例分析验证了所提方法的有效性。     

线性回归模型的Bayes统计推断

Bayes方法虽融合了样本信息和先验信息，但利用的先验信息都是有历史经验和专家估计所得，因此可靠度不高。该文研究了正态线性回归模型：Y=Xβ＋e，e—N（0，σ^2。L），其中σ^2已知，β为未知参数向量，对传统的Bayes方法进行了改进，即把Bayes方法中的后验信息作为改进Bayes的无验信息并融合样本信息进行统计推断，在二次损失函数下得到了β的改进的Bayes估计。由于改进的Bayes方法的先验信息中有样本信息，因此其准确度比传统的Bayes方法准确度更高。     

Bayesian Nonparametric Modeling for Causal Inference

Researchers have long struggled to identify causal effects in nonexperimental settings. Many recently proposed strategies assume ignorability of the treatment assignment mechanism and require fitting two models—one for the assignment mechanism and one for the response surface. This article proposes a strategy that instead focuses on very flexibly modeling just the response surface using a Bayesian nonparametric modeling procedure, Bayesian Additive Regression Trees (BART). BART has several advantages: it is far simpler to use than many recent competitors, requires less guesswork in model fitting, handles a large number of predictors, yields coherent uncertainty intervals, and fluidly handles continuous treatment variables and missing data for the outcome variable. BART also naturally identifies heterogeneous treatment effects. BART produces more accurate estimates of average treatment effects compared to propensity score matching, propensity-weighted estimators, and regression adjustment in the nonlinear simulation situations examined. Further, it is highly competitive in linear settings with the “correct” model, linear regression. Supplemental materials including code and data to replicate simulations and examples from the article as well as methods for population inference are available online.     

中国经济随机前沿模型效率的贝叶斯统计推断

基于扩展的随机生产前沿模型,研究了区域生产效率的差异和其影响因素的作用效果,应用贝叶斯统计方法对中国各省份2010-2017的年度数据(不包含港澳台地区,下同)进行了实证研究.研究发现:生产效率总体呈逐渐下降的趋势,地区间生产效率有一定的差异,高等教育规模对生产效率具有显著的直接影响.人力资本能有效促进东部和中部地区的经济增长,西部地区主要依靠资本促进经济增长.环境污染对中部地区的经济增长具有一定的负向作用.     

Robust Bayesian Inference for Seemingly Unrelated Regressions with Elliptical Errors

Bayesian inference is considered for the seemingly unrelated regressions with an elliptically contoured error distribution. We show that the posterior distribution of the regression parameters and the predictive distribution of future observations under elliptical errors assumption are identical to those obtained under independently distributed normal errors when an improper prior is used. This gives inference robustness with respect to departures from the reference case of independent sampling from the normal distribution.     

具有椭球等高分布误差的半参数回归模型参数的Bayes估计

本文给出了具有椭球等高分布误差的半参数回归模型中参数的Ｂａｙｅｓ估计．     

服从Dirichlet分布的成分数据的贝叶斯分析

本文研究了Dirichlet分布总体的参数和其他感光趣的量的贝叶斯估计。在参数的有实际意义的函数上设置均匀的先验分布，对适当变换后的参数用Metropolis算法得到马尔可夫链蒙特卡罗后验样本，由此即得参数和其他感兴趣的量的贝叶斯估计。     

基于贝叶斯推理的突发水污染事件水质预测模型参数估计

参数的精确性是准确构建突发水污染事件水质预测模型的前提与保障。论文首先根据有限差分法和贝叶斯推理构建水质预测模型参数估计模型,然后通过Metropolis-Hasting抽样方法得到较为合理的参数,最后以发生在某段明渠的突发水污染事件为例,讨论了恒定流与非恒定流两种情景下不同观测噪声对参数估计结果的影响,并与采用有限差分-单纯形法得到的结果进行对比。结果表明:有限差分-贝叶斯方法具有较强的适用性和良好的抗噪声能力,采用该方法能获得较高精度的参数值。该研究为突发污染事件预测模型的构建提供一条新途径。     

基于DNA微阵列数据分析的分级Bayes模型

如何分离出少量区别不同组织类型的特异性基因是DNA微阵列数据分析中的主要问题,特别是构建恰当的统计模型来刻画这些不同组织类型的DNA表达形式尤为重要.为此,基于基因DNA微阵列数据的特点,我们假定对数变换后的微阵列数据服从混合正态分布.我们采用分级Bayesian先验刻画不同基因的相关性,利用分级Bayesian方法构建模型,给出了刻画不同组织基因表达的差异的一个标准,用MCMC迭代计算该标准.模拟计算表明我们的模型具有较好的识别能力.