基于统计深度函数的G-Q检验

G-Q检验是一种简单、有效的异方差检验方法,但该方法只适用于一个自变量,在多变量情况下,文献[1]利用主成分对样本数据进行排序,得到了G-Q检验的推广.众所周知,主成分分析是一种有效的降维方法,但其在降维的同时伴随着信息的损失,统计深度函数可作为多元数据排序的有效工具.本文基于统计深度函数得到了推广了的G-Q检验,并应用于实例。     

关于拟合优度检验的EDF统计量的若干评注

拟合优度检验是建立统计模型的一个重要手段，很多检验统计量用一个理想样本能达到它们自己的极值，但ＥＤＦ统计量做不到，这无疑会影响检验的势，在本文中，我们将提出某些调整型ＥＤＦ统计量，它们具有这些性质，并改进了ＥＤＦ检验，蒙得卡罗模拟表明，调整型ＥＤＦ统计量在很多场合要必ＥＤＦ具有更高的优势，特别对重尾的备选分布更是这样，我们还考察了检验的形态与它们的极值点之间的关系。     

列联表信息相关系数的统计检验

针对度量列联表行列变量相关强度的信息相关系数,本文利用信息相关系数的概率函数,提出了信息相关系数P值法的理论检验方法,由于该方法计算量大,在实际应用中需要用简单的方法来取代。对简单的四格表,通过理论分析和计算机模拟,验证了P值法可用确切概率法取代,而确切概率法又可用简单的X~2法来取代。在此基础上,将X~2检验法推广到一般列联表的信息相关系数的检验,从而较好地解决了列联表相关系数从检验到计算的问题。     

二次回归正交组合设计回归计算与统计检验软件设计

本文用ＢＡＳＩＣ语言编制了在ＩＢＭ—ＰＣ及其兼容机上运行的二次回归正交组合设计试验的回归计算及统计检验软件．运行本软件时，只需输入试验因素个数，中心试验点重复试验次数和每个试验点的试验结果，就能迅速得到所有回归系数和统计检验的各种参数值，解决了这一优良的试验设计方法所存在的计算繁冗和容易出错的问题．     

基于统计检验与机器学习的全基因组关联研究框架

采用统计检验和机器学习的方法来研究SNP或基因与疾病(可测性状)的关联性.先对SNP选择合适的数值编码方式,并设计了相应的统计检验流程,随后通过P值初步筛选出了与疾病或性状相关联的位点.在此基础上,对筛选出的位点,采用随机森林,XGBoost等机器学习方法,从样本外预测的角度判断SNP与疾病或性状的关联度.相关结果,显示发现运用该分析框架能较好地筛选出与疾病或性状关联的SNP(基因).并且框架由于考虑了多种分类模型,有着稳健性高,计算开销较小以及可以交叉比对等优势.框架未来在还可在金融,社交网络等方面发挥作用.     

线性模型中F-检验的稳健性

本文讨论了一般线性模型中关于均值参数β的线性假设基于广义最小二乘估计的F-检验统计量的稳健性问题.主要研究了当误差的协方差矩阵含有参数时,设计阵可以列降秩情况下的F-检验统计量的稳健性,得到了F(V(θ))为该假设下F-检验统计量的误差协方差矩阵的最大类.并讨论了分块线性模型中,关于分块参数的线性假设的F-检验统计量的稳健性.     

图像小波域局部统计模型的拟合优度检验

提出了一种图像小波域局部统计模型的拟合优度检验方法, 构造了一个检验的统计量, 其分布为$\chi^2$-分布. 模拟结果表明, 不同分块下的拟合优度检验结果不同, 即从理论上给出了基于小波域局部统计模型的最优分块方法.     

VaR的统计检验

根据VaR的基本原理,对VaR的有效性进行了讨论.关于VaR提出了一个基于二点分布的检验模型,证明了存在一致最优检验,并给出了检验的表达式和拒绝域,同时鉴于金融数据的庞大性,又提出了基于渐近正态分布的检验模型,给出了检验的表达式和拒绝域.     

一般均值漂移模型的Score检验统计量

本文研究了一般均值漂移模型中漂移量的存在性检验问题.利用Score函数和Fisher 信息阵,获得了检验的Score统计量.     

经典的用回归模型进行统计控制中的问题

利用回归模型进行统计控制,在实际工作中一直得到广泛应用。通常采用的方法是利用回归模型y^=a+bx进行逆估计,即根据回归模型的变换x=(y^-a)/b,由应变量Y的取值范围反推自变量X的取值范围。本文指出这种方法是很不合理的;进一步提出二种相对合理取代的统计方法。     

对一个统计控制问题的再探讨

本文对利用回归模型进行统计控制的问题进行了进一步研究,发现已有的方法有值得改进之处,并为此提出了一种新的求解控制阈值的方法。模拟和实例研究表明我们的方法适用于一般的误差分布情形,而且在误差分布为非正态时优于已有的方法。     

刀具问题的单策略最优解及灵敏度分析

本文以单策略检验方式为基础 ,对 CMCM-99A题中的检验方案问题建立连续的数学模型 ,利用此模型 ,分别给出了问题第一问、第二问的不等间距检查方案下的最优解     

负相伴样本情形线性指数分布参数的经验Bayes检验问题

讨论了负相伴样本情形线性指数分布参数的经验Bayes(EB)单侧检验问题.利用概率密度函数的核估计构造了参数的经验Bayes单侧检验函数,在适当的条件下证明了所提出的经验Bayes检验函数的渐近最优(a.o.)性并获得了其收敛速度.最后给出一个有关主要结果的例子.     

均值已知的条件下方差的统计推断

充分利用总体的信息，讨论了正态总体均值μ已知的条件下，方差σ^2的统计推断问题．     

负相伴样本情形线性指数分布参数的经验Bayes双侧检验问题

本文讨论了负相伴样本情形线性指数分布参数的经验Bayer(EB)双侧检验问题,利用概率密度函数的核估计构造了参数的经验Bayes检验函数,在适当的条件下证明了所提出的经验Bayes检验函数的渐近最优(a.o)性并获得了它的收敛速度,最后,给出一个有关本文主要结果的例子。     

基于模糊粗糙样本的统计学习理论的理论基础

介绍模糊粗糙理论的基本内容;提出模糊粗糙经验风险泛函,模糊粗糙期望风险泛函,模糊粗糙经验风险最小化原则等概念;最后证明基于模糊粗糙样本的统计学习理论的关键定理并构建学习过程一致收敛速度的界.     

单边截断分布族参数的经验Bayes检验：NA样本情形

本文运用同分布NA样本密度函数的核估计,构造一类单边截断型分布族参数的经验Bayes检验,讨论它的渐近最优性,建立其收敛速度,在适当的条件下,证明了该收敛速度可以任意接近于1,最后给出适合定理条件的一个例子。     

连续型单参数指数族参数的经验Bayes估计问题:NA样本情形

对连续型单参数指数族在平方损失下导出了参数的Bayes估计,利用同分布负相协(NA)样本构造了经验Bayes(EB)估计量,并在适当条件下获得了EB估计的收敛速度.文末给出一个满足定理条件的例子.