结合经验贝叶斯的极大似然方法

极大似然方法和贝叶斯方法是两种截然不同的统计方法 ,各有优缺点 .由于统计思想的不兼容 ,一般不结合起来使用 .本文根据统计学习理论的思想提出一种将两者结合使用的新方法 ,可以综合两者的优点 ,并以方差多变点问题为例给出了新的估计方法     

经验似然统计推断方法发展综述

本文在介绍经验似然方法的基础上，进一步介绍这一方法在统计推断中的应用，具体地介绍了这一方法在总体均值推断、线性模型推断、分位数推断、估计方程推断及利用辅助信息进行推断等几种重要统计推断中的应用，同时也介绍了这一方法最近在不完全数据中的应用及由此所提出的被估计、被调整及bootstrap经验似然方法。     

缺失数据均值推断的经验似然方法

研究了缺失数据的均值推断问题.在随机缺失及半参数模型的假设下,设计了基于影响函数理论的经验似然推断方法,证明了所构造的对数经验似然比检验统计量具有非参数Wilks性质.此外,该经验似然方法可以利用辅助协变量中提供的附加信息来提高检验的功效.在近邻备择假设下,计算了检验统计量的功效,并且通过一些模拟考察了该方法在有限样本下的表现.     

经验似然的冗余性

提出经验似然的冗余性和偏冗余性的概念,讨论了相应的冗余性等价条件,将GMM的冗余性结果推广到经验似然估计,同时模拟实验结果也证实了经验似然的冗余性和偏冗余性对估计的影响.     

缺失数据均值推断的经验似然方法

研究了缺失数据的均值推断问题.在随机缺失及半参数模型的假设下,设计了基于影响函数理论的经验似然推断方法,证明了所构造的对数经验似然比检验统计量具有非参数Wilks性质.此外,该经验似然方法可以利用辅助协变量中提供的附加信息来提高检验的功效.在近邻备择假设下,计算了检验统计量的功效,并且通过一些模拟考察了该方法在有限样本下的表现.     

稳健的惩罚经验似然方法及压缩估计

本文基于原有的经验似然函数,在经验似然的约束条件中的估计方程上加入Huber函数和权重函数,将经验似然方法和稳健估计方程相结合,再在目标函数中加上SCAD惩罚函数,提出一种稳健的变量选择和惩罚估计方法.通过数值模拟与最小二乘估计和普通的惩罚经验似然估计在变量选择和参数估计方面进行比较,显示本文所提出的基于惩罚稳健经验似然的压缩估计具有明显优势.     

弱相依数据中的分组经验Cressie-Read似然方法

本文考虑一般的弱相依数据, 提出了分组经验Cressie-Read似然方法. 得到了分组经验Cressie-Read似然参数估计的强收敛性、渐近正态性和其分组经验Cressie-Read统计量的渐近$\chi^{2}$性.     

调整经验欧氏似然及其性质

经验(欧氏)似然是近年来非常流行的非参数统计方法之一,但其存在凸包限制和计算复杂等不足之处.针对此不足,CHEN等人(2008)给出调整经验似然.本文借助此想法,给出调整经验欧氏似然方法,进而讨论其相应的统计性质.理论结果显示,调整经验欧氏似然有与经验欧氏似然完全类似的性质;模拟结果显示,在某些情况下(如二维情况),调整经验(欧氏)似然所得的区间估计具有较好的覆盖率.此外,调整经验欧氏似然的思想和计算都比较简单.从实用角度看,具有较高的推广价值.     

平衡增加的经验欧氏似然

经验(欧氏)似然方法是近年来非常流行的一种非参数统计方法.针对经验(欧氏)似然的凸包限制和计算复杂问题,本文借助Emerson和Owen (2009)所提出的平衡增加思想对经验欧氏似然进行修正,得到了平衡增加的经验欧氏似然.随后论文从理论和模拟两个方面进行了研究.理论上给出了该方法与经验欧氏似然检验函数之间的联系,即在固定的样本量n下随着添加点位置的连续变化,检验方法可以从简单的均值增加经验欧氏似然变化到经验欧氏似然检验;模拟结果显示,适当选取调整因子,平衡增加的经验欧氏似然相对于(调整)经验欧氏似然而言,在大多数情况下,其分布更接近于对应的极限分布.     

高维线性模型中的经验似然

研究高维线性模型中的经验似然推断．当协变量的维数随样本量增加时,常规的经验似然推断失效．在适当的正则条件下,对修正的经验似然比统计量给出了渐近分布理论．     

经验欧氏似然的大样本性质

本文讨论了强平稳 m相依样本半参数模型的经验欧氏分布函数的相合性及经验欧氏似然比统计量的渐近 χ2分布性 .     

三种两样本经验Euclidean似然方法及其比较

本文研究三种两样本经验Euclidean似然方法，基于两个无偏估计函数的经验Euclidean似然方法，基于一个无偏估计函数和一个历史经验估计的经验Euclidean惩罚似然方法，基于两个经验估计的加权和方法，我们研究了这些方法的强相合性，渐近正态性和渐近有效性，研究表明，这三种方法是同等渐近有效的。     

条件分位数的经验似然置信区间

本文利用经验似然思想分别讨论了不含附加信息和含附加信息时条件分位数的置信区间的构造,并考虑了一类检验问题,证明了检验的渐近功效随信息量的增加而非降．     

Logistic回归模型的经验似然诊断

经验似然方法已经被广泛用于许多模型的统计推断.基于经验似然对Logistic回归模型进行统计诊断.首先给出模型的估计方程,进而得到模型参数的极大经验似然估计;其次,基于经验似然研究了三种不同的影响曲率;最后通过实例分析,说明了统计诊断方法的有效性.     

二阶扩散模型的经验似然推断

本文利用经验似然方法得到了二阶扩散模型的漂移系数和扩散系数的经验似然估计量, 并研究这些估计量的相合性和渐近正态性. 进一步在经验似然方法的基础上给出了漂移系数和扩散系数的非对称的置信区间, 并且在一定的条件下证明了调整的对数似然比是渐近卡方分布的.     

混合样本下的经验似然估计

研究强平稳φ混合随机变量序列均值的经验似然估计问题,利用拉格朗日乘子以及一些重要概率不等式讨论均值有限且方差不等于零的强平稳φ混合序列,并给出其总体均值和M-泛函统计推断以及置信区间.     

分位数回归的光滑经验似然

对线性分位数回归模型参数的检验问题,文献证明了用最小绝对距离法(LAD法)及光滑经验似然法(SEL法)构造的检验统计量在原假设下都依分布收敛到x~2M.本文证明在局部备择假设下这两个检验统计量都依分布收敛到非中心卡方分布.文中用随机模拟比较了两种方法在局部备择假设下的表现,模拟结果表明在合理控制犯第一类错误的前提下,用SEL法构造的检验比用LAD法构造的检验更有效.     

区间数据均值的经验似然估计

本文提出了估计区间数据均值的经验似然方法,通过构造区间数据的无偏转换,导出了渐近服从χ2分布的对数经验似然函数,从而得到了均值的置信区间.通过若干模拟例子说明,用本文提出的方法得到的估计,优于用渐近正态法得到的估计.     

条件分位数的经验似然置信区间

本文利用经验似然思想分别讨论了不含附加信息和含附加信息时条件分位数的置信区间的构造,并考虑了一类检验问题,证明了检验的渐近功效随信息量的增加而非降.