随机化回答模型中的贝叶斯方法

本文将贝叶斯方法应用到敏感性问题中的随机化回答调查法中,讨论了西蒙斯的一个样本的无关问题模型中的贝叶斯估计和最大后验估计,并给出了这两种估计的一种近似算法．     

二项选择敏感性问题调查的改进方法--随机化调查方法Ⅱ

本文介绍二项选择敏感性问题调查的几种改进的随机化调查方法,它们包括双无关问题模型,隐含的随机化回答模型,改进的随机化回答模型。     

双辅助信息随机化回答模型的两种估计量

随机化回答技术是进行敏感性问题调查和推算总体特征比例的一种有效方法.通过在随机化回答技术中使用辅助信息,可以提高估计量的精度,从而得到更为合理的调查结果.在随机化回答技术中引入两个辅助信息,提出比方法和比方法与回归方法组合的两种估计量,计算了这两种估计量的均方误差,并通过数值计算验证了两种估计量的合理性.     

敏感问题调查设计以及估计

对于多项选择敏感问题抽样调查,为了避开以往使用随机化调查时使用随机化装置带来的不便,提出一种间接问卷调查策略.结合问卷设计对个体隐私的保护度,对辅助信息的选择提出了的建议,并得到了敏感属性比例的极大似然估计和Bayes估计.数据模拟的结果显示,相比于极大似然估计,小样本时Bayes估计便有较高的精度.随着样本量的增加,两种估计结果趋于一致.提出的间接问卷调查策略,相比于以往的随机化调查技术,具有方便、省时等特点,可在实践中应用.     

一种双扰动数量特征随机化问答策略

本文给出一种双扰动随机化回答模型.理论上扰动变量的引入会降低随机化调查的效率,本文使用两个设计参数设计了一种合理的双扰动变量随机化问答技术,在不降低装置对个体保护度的情况下,得出的结论表明,使用两个扰动变量可以提高调查装置的效率.通过数值模拟验证了本文模型的效率优于Bar-Lev,Bobovitch和Boukai 2004年单扰动回答模型的效率.     

敏感性问题抽样调查的应用注记

本文对敏感性问题抽样调查在应用中发现的一些问题作了初步探索，考虑了同时调查多个敏感性问题时，用每个问题分别独立地随机化回答敏感性问题与之配对的另一问题的方法，此时估计每个敏感性问题的相关性，给出了极大似估估计及贝叶斯估计，另外，还考虑了用一次随机化回答几个敏感性问题或与之配对的另几个问题的情形。     

随机化策略的公平比较

采用随机化技术对敏感问题实施抽样调查，至今已有很多可供选择的随机化策略; 其中大多数策略是通过选择恰当的设计参数来达到改进效率的. 然而两种方案即使具有相同的设计参数值，但对个体的保护度也可能不同. 所以早期一些文献效率比较没有基于相同的对个体保护度， 因此那些比较是不公平的. 该文补充了这方面的理论。 在相同的保护度下，精确比较了这些已有的策略；得到的结果表明： 必须重新评价这些早期的随机化策略.     

二分总体中随机化调查法的一种新的估计量及协方差改进估计

本文在使用以正态分布作为随机化分布的随机化回答调查法的情况下;给出了二分总体中对一敏感性问题属于Ａ类所占比例的θ的一种新的估计量,并利用Ｆｒａｎｋｌｉｎ（１９９０）［１］及Ｃｈｕａ和 Ｃｈｉａｎｇ（１９９５）［２］给出的估计量构造了一种协方差改进估计,然后对这几种估计量进行了比较,最后给出了苦干定理的证明．     

二项选择敏感性问题调查的改进方法——随机化调查方法

本文介绍二项选择敏感性问题调查的几种改进的随机化调查方法 ,它们包括双无关问题模型 ,隐含的随机化回答模型 ,改进的随机化回答模型。     

随机截尾的Warner与Simmons模型

本文在随机截尾模型的基础上,为了提高回答者的合作程度,提出了两种改进的调查敏感性问题数量特征的随机化回答方法。     

����ɾʧ�»������Ӻ����IJ���ģ�͵�ͳ�Ʒ���

In collecting clinical data, data would be censored due to competing risks or patient withdrawal. The statistical inference for censoring data is always based on the assumption that the failure time and censoring time is independent. But in practice the failure time and censoring time are often dependent. Dependent censoring make the job to deal with censoring data more complicated. In this paper, we assume that the joint distribution of the failure time variable and censoring time variable is a function of their marginal distributions. This function is called a copula. Under prespecified copulas, the maximum likelihood estimators for cox proportional hazards models are worked out. Statistical analysis results are carried by simulations. When dependent censoring happens, the proposed method will do better than the traditional method used in independent situations. Simulation results show that the proposed method can get efficient estimations.     

Efficient parameter estimation via modified Cholesky decomposition for quantile regression with longitudinal data

It is well known that specifying a covariance matrix is difficult in the quantile regression with longitudinal data. This paper develops a two step estimation procedure to improve estimation efficiency based on the modified Cholesky decomposition. Specifically, in the first step, we obtain the initial estimators of regression coefficients by ignoring the possible correlations between repeated measures. Then, we apply the modified Cholesky decomposition to construct the covariance models and obtain the estimator of within-subject covariance matrix. In the second step, we construct unbiased estimating functions to obtain more efficient estimators of regression coefficients. However, the proposed estimating functions are discrete and non-convex. We utilize the induced smoothing method to achieve the fast and accurate estimates of parameters and their asymptotic covariance. Under some regularity conditions, we establish the asymptotically normal distributions for the resulting estimators. Simulation studies and the longitudinal progesterone data analysis show that the proposed approach yields highly efficient estimators.     

多元失效时间删失数据边际风险模型加权估计的渐近正态性

对于多元失效时间数据,可以根据工作独立的假定来估计边际风险模型中的未知参数,但工作独立方法通常会失去估计的效率.为了充分利用不同失效类型之间的潜在相关性,提高估计的效率,可以通过加权的方法给出参数的加权部分似然估计.然而由于多元失效数据是高维数的数据,选择最优权是困难的.因此,Fan,Zhou,Cai和Chen曾基于参数估计向量中每个元的方差提出了一些次优加权方法,然后从参数向量所有分量估计的角度出发,构造了未知参数的复合加权部分似然估计,但他们没有给出这些复合加权估计的渐近性质.本文将对复合加权部分似然估计进一步的研究,推导了这个估计的渐近正态性,并给出了该估计的协方差阵以及协方差估计.同时,将该方法应用于艾滋病临床试验的实际数据,给出了有意义的解释和说明.最后进行了相关估计的一些数值模拟计算.     

基于纵向数据的半参数变系数部分线性回归模型

纵向数据是数理统计研究中的复杂数据类型之一0,在生物、医学和经济学中具有广泛的应用．在实际中经常需要对纵向数据进行统计分析和建模．文章讨论了纵向数据下的半参数变系数部分线性回归模型,这里的纵向数据的在纵向观察在时间上可以是不均等的,也可看成是按某一随机过程来发生．所研究的半参数变系数模型包括了许多半参数模型,比如部分线性模型和变系数模型等．利用计数过程理论和局部线性回归方法,对于纵向数据下半参数变系数进行了统计推断,给出了参数分量和非参数分量的profile最小二乘估计,研究了这些估计的渐近性质,获得这些估计的相合性和渐近正态性．     

纵向数据边际模型非参数光滑方法的比较

对于纵向数据边际模型的均值函数, 有很多非参数估计方法, 其中回归样条, 光滑样条, 似乎不相关(SUR)核估计等方法在工作协方差阵正确指定时具有最小的渐近方差. 回归样条的渐近偏差与工作协方差阵无关, 而SUR核估计和光滑样条估计的渐近偏差却依赖于工作协方差阵. 本文主要研究了回归样条, 光滑样条和SUR核估计的效率问题. 通过模拟比较发现回归样条估计的表现比较稳定, 在大多数情况下比光滑样条估计和SUR核估计的效率高.     

Data-driven local bandwidth selection for additive models with missing data

This paper deals in the nonparametric estimation of additive models in the presence of missing data in the response variable. Specifically in the case of additive models estimated by the Backfitting algorithm with local polynomial smoothers [1]. Three estimators are presented, one based on the available data and two based on a complete sample from imputation techniques. We also develop a data-driven local bandwidth selector based on a Wild Bootstrap approximation of the mean squared error of the estimators. The performance of the estimators and the local bootstrap bandwidth selection method are explored through simulation experiments.     

时间序列中方差的结构变点的小波识别(英文)

本文给出了时间序列中方差的小波系数的两种估计:连续估计和离散估计.这两种估计可以用来检测时间序列中方差的结构变点.利用这两种估计我们给出了方差变点的位置和跳跃幅度的估计,并且显示出这些估计可达到最佳收敛速度.同时,我们还给出了这些估计的收敛速度以及检验统计量的渐进分布!     

Multivariate count data generalized linear models: Three approaches based on the Sarmanov distribution

Starting from the question: What is the accident risk of an insured individual?, we consider that the customer has contracted policies in different insurance lines: motor and home. Three models based on the multivariate Sarmanov distribution are analyzed. Driven by a real data set that takes into account three types of accident risks, two for motor and one for home, three trivariate Sarmanov distributions with generalized linear models (GLMs) for marginals are considered and fitted to the data. To estimate the parameters of these three models, we discuss a method for approaching the maximum likelihood (ML) estimators. Finally, the three models are compared numerically with the simpler trivariate Negative Binomial GLM and with elliptical copula based models.     

线性混合效应模型中方差分量的估计

本文首先研究了含三个方差分量的线性混合随机效应模型改进的ANOVA估计, 此估计在均方损失下一致优于ANOVA估计. 由于这些方差估计取负值的概率大于零, 对得到的估计在某非负点采用截尾的方法得到非负估计是一种常用的方法. 对文章中提出的估计, 研究了此估计在某非负点截尾之后得到的估计在均方损失意义下优于截尾之前的估计的充分条件, 同时给出ANOVA估计在截尾之后优于它本身的充分条件, 而且将得到的结论推广到更一般的线性混合随机效应模型.     

Improving efficient marginal estimators in bivariate models with parametric marginals

Suppose we have data from a bivariate model with parametric marginals. Efficient estimators of the parameters in the marginal models are generally not efficient in the bivariate model. In this article, we propose a method of improving these marginal estimators and demonstrate that the magnitude of this improvement can be as large as 100 percent in some cases.