删失截断情形下Weibull分布多变点模型的参数估计

通过添加缺失的寿命变量数据,得到了删失截断情形下Weibull分布多变点模型的完全数据似然函数,研究了变点位置参数和形状参数以及尺度参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的Bayes估计.详细介绍了MCMC方法的实施步骤.随机模拟试验的结果表明各参数Bayes估计的精度都较高.     

基于MCMC模拟方法的带变点的NHPP软件可靠性模型

本文主要讨论软件测试过程中NHPP模型参数发生变化的情形,并用Bayes方法对GGO模型进行变点分析,运用基于Gibbs抽样的MCMC方法模拟出参数后验分布的马尔科夫链,最后借助于BUGS软件包对软件故障数据集Musa进行建模仿真,其结果表明该模型在软件可靠性变点分析中的直观性和有效性。     

联合均值与方差模型的Bayes分析北大核心CSCD

研究联合均值与方差模型的Bayes分析,通过应用Gibbs抽样和MetropolisHastings(MH)算法计算模型未知参数的Bayes估计与Bayes数据删除影响诊断统计量.模拟研究和实例分析说明该方法的可行性.     

联合均值与方差模型的Bayes分析

研究联合均值与方差模型的Bayes分析,通过应用Gibbs抽样和MetropolisHastings(MH)算法计算模型未知参数的Bayes估计与Bayes数据删除影响诊断统计量.模拟研究和实例分析说明该方法的可行性.     

截断删失情形下泊松分布参数多变点的Bayes估计

通过添加数据得到截断删失情形下泊松分布的完全数据似然函数,研究变点位置和其它参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对参数进行估计,详细介绍MCMC方法的实施步骤.随机模拟试验的结果表明参数Bayes估计的精度较高.     

删失截断情形下失效率变点模型的Bayes参数估计

通过添加部分缺失寿命变量数据,得到了删失截断情形下失效率变点模型相对简单的似然函数.讨论了所添加缺失数据变量的概率分布和随机抽样方法.利用Monte Carlo EM算法对未知参数进行了迭代.结合Metropolis-Hastings算法对参数的满条件分布进行了Gibbs抽样,基于Gibbs样本对参数进行估计,详细介绍了MCMC方法的实施步骤.随机模拟试验的结果表明各参数Bayes估计的精度较高.     

对数稳定分布加速寿命试验的贝叶斯分析

对数稳定分布与对数正态分布相比具有厚尾等良好的特性,由于没有显式的密度函数,其参数估计有一定的困难.运用Gibbs抽样方法给出了对数稳定分布的Bayes参数估计,与对数正态分布参数估计进行了比较,并应用到恒加寿命试验数据的分析中.模拟研究说明了该方法的有效性,对数稳定分布作为新的寿命分布是合适的.     

带有不可忽略缺失数据的广义部分线性模型的贝叶斯分析

广义部分线性模型是广义线性模型和部分线性模型的推广,是一种应用广泛的半参数模型.本文讨论的是该模型在线性协变量和响应变量均存在非随机缺失数据情形下参数的Bayes估计和基于Bayes因子的模型选择问题,在分析过程中,采用了惩罚样条来估计模型中的非参数成分,并建立了Bayes层次模型;为了解决Gibbs抽样过程中因参数高度相关带来的混合性差以及因维数增加导致出现不稳定性的问题,引入了潜变量做为添加数据并应用了压缩Gibbs抽样方法,改进了收敛性;同时,为了避免计算多重积分,利用了M-H算法估计边缘密度函数后计算Bayes因子,为模型的选择比较提供了一种准则.最后,通过模拟和实例验证了所给方法的有效性.     

三参数Weibull分布参数的Bayes估计

给出了三参数Weibull分布参数Bayes估计的两种方法,其一基于Laplace数值积分法,其二基于Gibbs抽样方法.模拟例子说明了估计方法的有效性.     

NMAR机制下非线性均值方差模型的Bayes估计

讨论响应变量带有不可忽略缺失数据的非线性均值方差模型的Bayes估计问题.缺失数据机制由logistic回归模型来指定,运用Gibbs抽样及MH算法得到模型参数和缺失数据机制参数的联合Bayes估计,模拟研究和实例分析展示上述模型和方法的可行性.     

带有不可忽略缺失数据的半参数再生散度模型的贝叶斯分析

半参数再生散度模型是再生散度模型和半参数回归模型的推广,包括了半参数广义线性模型和广义部分线性模型等特殊类型.讨论的是该模型在响应变量和协变量均存在非随机缺失数据情形下参数的Bayes估计和基于Bayes因子的模型选择问题.在分析中,采用了惩罚样条来估计模型中的非参数成分,并建立了Bayes层次模型;为了解决Gibbs抽样过程中因参数高度相关带来的混合性差以及因维数增加导致出现不稳定性的问题,引入了潜变量做为添加数据并应用了压缩Gibbs抽样方法,改进了收敛性;同时,为了避免计算多重积分,利用了M-H算法估计边缘密度函数后计算Bayes因子,为模型的选择比较提供了一种准则.最后,通过模拟和实例验证了所给方法的有效性.     

ARMAX时间序列模型异常点及异常点斑片的估计和检测

将通常的Gibbs抽样和自适应的Gibbs抽样算法用于带有外生变量的自回归移动平均时间序列(ARMAX)模型的Bayes分析,首先采用一些方法消除ARMAX模型中输入(外生变量)序列的影响,然后在前人工作的基础上给出了一种类似的挖掘相应时间序列中的异常点及异常点斑片的方法.说明了自适应的Gibbs抽样算法也能够有效地检测ARMAX模型中孤立的附加型异常点及异常点斑片.实际的和模拟的结果也显示这些方法可以明显减少掩盖和淹没现象的发生,这是对已有工作的推广和扩充.     

CE模型下Weibull分布序加试验的Bayes分析

序进应力加速寿命试验是一种最为有效而经济的寿命试验方法,随着其理论的日趋成熟,在实践中开始得到应用和推广．本文给出了逆幂律模型下Weilbull分布定时和定数场合序进应力加速寿命试验的一种Bayes统计分析,并利用Gibbs抽样方法解决了分布的形状参数取为连续先验时各参数的Bayes估计．这种先验意义更明确,实例表明这是一种非常有效的方法．     

指数分布场合恒加试验缺失数据的Bayes统计分析

主要讨论了当寿命分布是指数分布时恒定应力加速寿命试验中常见几类数据类型(完全样本,分组样本,删失样本)的Bayes统计分析方法.运用G ibbs抽样迭代算法成功解决了Bayes分析中极为复杂的后验边际分布的计算问题,得到了满足顺序约束的参数的Bayes估计.模拟结果表明各场合下此方法均较好.     

非线性再生散度模型的Bayes估计

非线性再生散度模型是指数族非线性模型、广义线性模型和正态非线性回归模型的推广和发展,唐年胜等人研究了该模型参数的极大似然估计及其统计诊断。本文基于Gibbs抽样和MH抽样算法讨论非线性再生散度模型参数的Bayes估计。模拟研究和实例分析被用来说明该方法的有效性。     

Weibull分布步进应力加速寿命试验的Bayes估计

本文研究了定时和定数截尾情形CE模型下Weibull分布场合步进应力加速寿命试验的Bayes估计.利用加速系数和加速方程将各种加速应力水平下的尺度参数换算为正常应力水平下的尺度参数,从而获得含正常应力下尺度参数的似然函数.在参数先验的选取时,尺度参数和加速系数分别取共轭先验和无信息先验,当形状参数m<1和m>1时分别取Beta分布和Gamma分布作为其先验.在平方损失下,利用Gibbs抽样和切片抽样给出了该模型参数的Bayes估计.最后,通过Monte Carlo模拟表明该Bayes估计是有效的.     

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。     

软件可靠性模型的Bayes推断及Gibbs算法

作为重要的软件可靠性模型,JM模型的研究具有重要意义.论文研究了JM模型Bayes估计及其Gibbs算法.在先验分布确定的情况下,给出了Bayes估计的Gibbs算法,并证明了其收敛性.最后通过模拟分析发现：在1≥100,k〉600时,所得到的参数Bayes估计与初始值几乎无关.从而说明Gibbs算法的可行性.     

基于Weibull寿命模型对工业中可靠度指标进行Bayes估计

主要研究了工业中可靠性指标R=P(Y X)的参数估计问题,其中X和Y是具有相同尺度参数但不同形状参数的Weibull分布的独立随机变量,计算得到了R的极大似然估计和近似的极大似然估计.进一步根据上述结果计算得到了相应的渐近分布,并用它来构造渐近的置信区间.同时考虑了非参数的Bootstrap置信区间.另外,提出了基于不同的Gibbs抽样方法的Bayes估计:Metropolis-Hastings和Adaptive Rejection Metropolis Sampling.最后,通过数值模拟和实际数据的分析来对比不同参数估计方法的性能.     

IIRCT下泊松分布参数多变点模型的贝叶斯估计

通过添加缺损的寿命变量数据得到了带有不完全信息随机截尾试验下泊松分布参数多变点模型的完全数据似然函数,研究了变点位置参数和其它参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样,把Gibbs样本的均值作为各参数的贝叶斯估计,并且详细介绍了MCMC方法的实施步骤.最后进行了随机模拟试验,试验结果表明各参数贝叶斯估计的精度都较高.