感染人数期望值估计及新增确诊人数趋势预测的概率模型

新型冠状病毒肺炎自2019年12月初出现在武汉后,2020年1月中下旬开始暴发并迅速在全国肆虐,2020年2月中旬后又在几十个国家和地区蔓延,科学有效地掌握疫情发展对于疫情管控至关重要.感染人数是评估疫情形势的重要指标,可以辅助决策者及时制定疫情管控措施.现利用新增确诊人数和新增感染人数存在互相推算的关系,采用极大似然估计方法求解得到全国(除湖北省)每日新增感染人数期望值的估计值,并引入Bootstrap方法给出相应的置信区间,进一步推算现有感染(未确诊)人数并预测新增确诊人数变化趋势,为返城复工提供数据分析支撑.     

基于Gibbs抽样方法ARFIMA-GARCH模型的贝叶斯估计

近年来,ARMA、GARCH模型的研究一直是金融统计方向研究的热点。但是少有人研究ARFIMA-GARCH模型。因此本文提出ARFuNA(p,d,q)-GARcH(r,s)模型,该模型对r=O,s=O时退化为ARMA类模型,对p=O,q=O,d=O时就退化为GARCH模型,它囊括了时间序列的各种情形的。由于理论和实证表明对各种ARMA、GARCH类模型基于常用分布的似然函数得到的模型估计精度不高,故本文提出了基于贝叶斯方估计的MCMC方法来估计模型参数。这样就充分利用了样本信息和模型参数先验信息,因而具有更小的方差,能得到更精确的估计结果。最后本文以上证综合指数五分钟数据来进行仿真分析,建立了基于MCMC模拟方法的贝叶斯估计的ARFIMA(p,d,q)-GARCH(r,s)模型。数据分析中采用典型的Gibs抽样,基于MCMC模拟1500次,舍弃前100次,得到ARFIMA(1,d,1).GARCH(1,1)各参数的贝叶斯估计,并与传统EVIEWS估计得到的参数相比,发现贝叶斯估计更精确。     

考点37 抽样方法、总体特征的估计

1.(天津卷,6)从集合{1,2,3,…,11}中任选两个元素作为椭圆方程mx22+yn22=1中的m和n,则能组成落在矩形区域B={(x,y)x<11且y<9}内的椭圆个数为().(A)43(B)72(C)86(D)902.(湖北卷,11)某初级中学有学生270人,其中一年级108人,二、三年级各81人,现要利用抽样方法抽取10人参加某项调查,考虑选用简单随机抽样、分层抽样和系统抽样三种方案.使用简单随机抽样和分层抽样时,将学生按一、二、三年级依次统一编号为1,2,…,270;使用系统抽样时,将学生统一随机编号为1,2,…,270,并将整个编号依次分为10段.如果抽得号码有下列四种情况:17,34,61,88,115,14…     

发展速度和增长率的抽样估计理论与方法

本文根据抽样理论提出了发展速度和增长率的几种抽样估计方法,并给出了发展速度和增长率估计的相应统计性质。     

集团抽样不等概方法的均值估计及其性质

在集团抽样调查中，[1]和[2]给出了一般抽样方法及均值估计和它性质的论述，但未考虑各集团在总体中的地位对估计结果的影响，本文给出了集团抽样的不等概方法和均值的无偏估计，同时也给出了这种估计的方差及方差的无偏估计。     

集团抽样不等概方法的均值估计及其性质

在集团抽样调查中，［１］和［２］给出了一般抽样方法及均值估计和它性质的论述，但未考虑各集团在总体中的地位对估计结果的影响．本文给出了集团抽样的不等概方法和均值的无偏估计，同时也给出了这种估计的方差及方差的无偏估计．     

基于局部多项式回归的模型校准抽样估计研究

在抽样估计中,当研究变量与辅助变量之间呈非线性关系时,传统的校准估计方法效果较差,基于非参数回归方法的模型校准估计量则可以很好地解决这一问题。首先,建立描述研究变量和辅助变量之间关系的超总体回归模型,使用非参数中的局部多项式方法得出模型参数的拟合值,并结合校准估计得出局部多项式模型校准估计量,同时给出其方差和方差估计量公式,证明了该估计量具有渐近无偏性、一致性和渐近正态性等优良的统计性质。然后,使用仿真模拟的方法证明在研究变量与研究变量之间呈非线性关系时,该估计量有良好的估计效果。最后,对该估计量在我国政府统计中的应用进行简单的介绍。     

二阶抽样总体比率的估计

本文研究二阶抽样下总体比率的估计问题, 就若干种情形给出总体比率的几种可行的估计量,讨论了它们的统计性质.     

模型辅助条件下广义最优回归抽样估计方法研究

在抽样估计中,当超总体模型为非线性形式时,广义回归估计量和最优估计量的估计效果均有待提高,而非参数回归估计量虽然能在一定程度上提高估计精度,但需要获得全部总体单位的辅助变量值,这在实际调查中往往难以满足。本文基于传统的广义回归估计量和最优估计量,借鉴非参数回归中局部多项式的估计思想,对原始辅助变量信息进行扩展,得到原始辅助变量多次方形式的新辅助变量,进而研究提出广义最优回归估计量。该估计量可以克服广义回归估计量、最优估计量和非参数回归估计量的缺陷,并证明其满足渐近无偏性和一致性。在不同超总体模型下,通过数值模拟方法比较了各类回归抽样估计方法的估计效果,模拟结果显示:在线性模型下,除了π估计量的精度较差,其余各类估计量的估计精度基本相同;但在非线性模型下,最优估计量和广义回归估计量的估计精度明显下降,而广义最优回归估计量和非参数的局部多项式回归估计量的估计精度都较好。     

基于Gibbs抽样的随机前沿面半参数模型的估计

本文对文献[1]提出的随机前沿面半参数模型的参数估计作了进一步研究,利用基于Gibbs抽样的技术,成功构造出了随机前沿面半参数模型的参数估计,并给出了生产技术有效性测算的方法及其证明,提高了随机前沿面半参数模型的应用价值.     

大规模数据下子抽样模型平均估计理论

随着信息时代的来临,如何从海量数据中快速、有效地挖掘有用信息是目前面临的新挑战.子抽样方法作为大规模数据分析的有效工具,已经受到国内外学者的广泛关注.不过,传统的子抽样方法通常没有考虑到模型的不确定性.当模型假设不正确时,后面的统计推断将会出现偏差,甚至导致错误的结论.为了解决该问题,文章利用频率模型平均的方法构建了子抽样模型平均估计(简称SSMA估计).理论上,文章证明了SSMA估计是全部数据下模型平均估计的一个渐近无偏且相合的估计.另外,我们基于Hansen (2007)的Mallows模型平均方法提出了SSMA估计的权重选择准则,并证明了方差已知和未知时权重估计的渐近最优性.在这些理论性质的研究中,文章同时考虑了模型和抽样设计带来的双重随机性.最后,数值分析进一步说明了所提出方法的有效性.     

新型冠状病毒肺炎疫情预测预报的非线性回归方法

本文介绍几种累计新型冠状病毒肺炎(COVID-19)疫情预测预报中的非线性增长曲线,并说明Richards增长曲线在这次COVID-19疫情预测预报中的合理性和可行性;在此基础上,建立累计COVID-19疫情预测预报中的非线性回归点模型,并给出参数估计方法;对全国COVID-19疫情进行即时跟踪预测预报,包括数据校准、整体和分时间段的预测预报,同时获得全国COVID-19疫情随时间的预测预报结果,为进一步的疫情防控打下良好基础.     

抽样与重抽样:一个有效的刀切法方差估计的近似

本文所考察的问题是如何减少一般的去d刀切法的计算。已被证明:对线性模型中的方差使用去d刀切法所得的估计量具有稳健性和其它一切渐近性质,而这些性质在传统的去1刀切法场合是不具有的。由于去d刀切方差估计量的计算量是很大的,假如从所有的■中随机地选出部分,组成的刀切抽样方差估计(JSVE),保持了一般去d刀切方差所具有的一切渐近性质,在小样本模拟试验也显示出一些良好性质。     

基于有序抽样样本的参数的极大似然估计的性质

有序抽样是一种新的抽样方法 ,与简单随机抽样方法相比它具有很多很好的性质 .本文讨论了在有序抽样样本下的参数的极大似然估计的性质 .     

大数据下基于体积抽样的异常点诊断及估计问题

处理大规模数据集时,抽样是一种很受欢迎的有效方法。体积抽样作为一种联合抽样的方法,它是按照与矩阵平方的行列式成比例进行抽样。该方法在线性回归模型背景下能得到参数的无偏估计。然而也容易受到异常点的影响,本文感兴趣的是体积抽样受异常点影响的程度。基于数据删除模型和均值漂移模型构建统计量进行异常点诊断,结果发现体积抽样方法在某些情况下极易受异常点影响。但是在给定损失的条件下,比独立同分布抽样所需的子样本量更小,在此基础上,提出样本量的自适应选择方法。作为体积抽样的扩展,杠杆值体积抽样同样可以得到普通最小二乘线性模型参数的无偏估计,一个有趣的发现是使用杠杆值体积抽样,等权最小二乘估计结果比非等权最小二乘估计效果好。     

基于Brewer抽样的不放回样本追加策略下域的估计

本文研究了基于Brewer抽样的不放回追加策略,给出单元的前两阶包含概率的具体计算公式,并构造联合设计下的Horvitz-Thompson估计,同时给出了模拟结果。根据模拟结果可以看出,在联合设计下域总量估计的精度比基本设计和追加设计下估计量的精度高。     

聚类抽样情形下基于广义线性模型的风险比估计

Liu等人在聚类抽样的情形下基于贝塔二项分布模型讨论了风险比的区间估计问题.本文以他们的研究为背景,建立了一类聚类抽样样本的广义线性模型,并采用拟似然方法导出相应的广义估计方程,从而获得风险比的直接估计.这种方法不需要假定分布的具体形式,因而比Liu等人的方法具有更好的适用性.最后在一定正则条件下证明了估计的相合性和渐近正态性质.     

为PPS抽样而进行双重抽样的方法

本文把双重抽样技术用于ＰＰＳ抽样，给出了该方法下总体总值的无偏估计量，估计量的方差及方差的无偏估计公式。