指令性抽样下总体均值和方差的估计及其应用

指令性抽样下的样本往往不具有代表性,因此仅用它们来推断总体将是不适合的,这篇文章基于观察信息,利用概率统计方法将没有发出调查指令的样本信息补充出来,然后利用观察信息和补充信息一起来对总体进行推断.具体我们给出了总体均值和方差参数估计的迭代公式,并给出它们在经济犯罪调查和流行病调查中的应用.     

抽样调查的设计与分析(Ⅰ)

本文讨论抽样调查实践中有关设计和数据分析的若干问题．第一部分主要涉及设计问题．     

嵌套病例对照研究中的两步估计方法（英）

本文讨论嵌套病例对照研究中相对危险率的估计问题，引入了相对危险率的两步估计，并在一般嵌套病例对照抽样的假设下讨论了相对危险率的两步估计的相合性问题，最后给出了几个例子。     

可变抽样区间的非参数控制图

最近几年一些学者研究了可变抽样区间的质量控制图。Amin等提出了可变抽样区间(VSI)的非参数控制图———符号 (Sign)统计量图〔1〕。本文在此基础上研究位置VSI符号控制图的制定方法 ,并设计离散VSI符号控制图。符号控制图的优点是对非正态总体亦可应用 ,并且不需要过程方差的信息。本文将所设计的VSI符号控制图同固定抽样区间 (FSI)的常规图作比较 ,并举实例说明符号控制图的应用     

金融市场间波动溢出效应研究——基于Gumber的二维CARR模型和生存Copula-CARR模型

基于Gumber的二维指数分布,建立了Gumber的二维CARR模型,采用极大似然估计的两步法,以上证极差序列和深证极差序列为样本,考查了在极端情形下金融市场之间的波动溢出,并与CCC-GARCH模型进行比较,发现Gumber的二维CARR模型的估计更符合实际,能捕捉在极端情况下的波动溢出效应。利用蒙特卡洛方法进行了模拟和分析,进一步证实Gumber的二维CARR模型能合理有效地测度波动溢出效应。最后,对Gumber的二维CARR模型进行了扩展,在CARR模型中引入生存Copula函数,构建了生存Copula-CARR模型,进而建立了一种新的刻画金融波动溢出效应的多维CARR模型。     

基于非参数贝叶斯方法的随机波动建模与应用

本文利用非参数贝叶斯方法进行随机波动建模。通常的参数随机波动模型适用于证券市场中的综合指数数据,而对个股数据和小范围指数数据的拟合效果较差,主要原因是其收益率数据的变化规律更为复杂、具有更厚的尾部行为,而非参数贝叶斯方法的随机波动模型无需进行分布假设,具有很强的灵活性。本文利用SV-DPM模型对IBM的股票价格数据和上证50指数数据进行建模,研究发现非参数随机波动模型能拟合参数随机波动模型难以扑捉到的数据特征,实证表明有充分的依据支持非参数贝叶斯随机波动模型。论文的研究有助于捕捉金融资产的时变波动性质,能更好的揭示金融市场的运行规律,为期权定价和金融风险管理提供依据,对于防范与控制金融风险有着重要意义。     

多阶连续抽样设计下广义加权回归估计方法研究

在抽样调查领域中,关于抽样方案设计的研究应用较为充分和完整,但关于抽样估计的研究应用却较为缺乏和滞后。本文首先总结了国外相关研究成果,研究了基于广义加权回归的抽样估计方法,同时证明其满足渐近设计无偏和最小化渐近期望方差的理论条件。同时,本文以各类常见的抽样设计为基础,通过模型组和模型水平将现有的超总体回归模型进行扩展,基于复杂的多阶连续抽样调查,建立各种类型的超总体回归模型进行模型辅助的广义加权回归抽样估计,给出了具体的回归估计步骤和结果,最终形成一套关于广义加权回归抽样估计的理论方法体系,为抽样估计方法在我国政府统计部门中的有效应用奠定理论基础。     

一种新的中位数排序集抽样下的对总体均值的Horvitz-Thompson估计

排序集抽样(RSS)是一种著名的抽样技术,它有许多变体,中位数排序集抽样(MRSS)就是其中一种.与简单随机抽样(SRS)相比,RSS在估计总体均值方面具有优势.然而,RSS及其变体的局限性在于,当给定样本大小n时,抽样过程中每次SRS的规模m只能是n或者n的因子.介绍了一种改进的中位数排序集抽样方法MRSS(m),它比原方法在抽样过程上有更多的选择.实验表明,采用新的抽样方法MRSS(m),可以提高Horvitz-Thompson(HT)估计量的估计效率,同时还降低了抽样成本.     

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.     

基于极大似然的异方差多正态总体均值的参数Bootstrap检验

本文考虑了异方差下多正态总体均值的检验问题。传统检验方法多为近似分布检验,且受总体数目及其样本量的影响较为严重,只有在总体数目较少、样本量适中或较大时才能很好的控制第一类错误。较近提出的参数bootstrap检验有效解决了在总体数目较多时检验的任意性,但在总体样本量都较小时,检验控制第一类错误倾向保守,或总体中存在个别样本量较少时犯第一类错误概率上升。本文从极大似然的角度推导出具有修正权重的极大似然检验统计量,并与bootstrap方法有效的结合,得到新的参数bootstrap检验方法。通过Monte Carlo模拟第一类错误和检验的势与Welch检验和广义F检验进行比较,结果表明本文提出的极大似然参数bootstrap检验在总体数目较多和存在小样本量时,均能很好地控制第一类错误,同时且有较好的势,适用范围更加广泛。