全样本几何分布串-并联系统产品的统计分析

针对几何分布串-并联系统产品，在全样本场合下给出了参数的矩估计、极大似然估计和近似区间估计，从理论上证明了矩估计和极大似然估计的唯一性，同时还通过大量Monte-Carlo模拟分别考察了参数的点估计和近似区间估计的精度，从中可以看到参数的矩估计和极大似然估计的精度相差无几。     

全样本指数分布并-串联系统产品的统计分析

文章对指数分布并一串联系统产品在全样本场合下给出了参数的矩估计、极大似然估计、精确的区间估计和近似区间估计,并通过Monte-Carlo模拟考察了参数点估计和区间估计的精度,得出矩估计和极大似然估计的效果没有太大差异,但精确区间估计的效果要优于近似区间估计.     

几何分布冷贮备产品的统计分析

文章给出了全样本场合几何分布冷贮备系统产品在开关寿命为几何型且开关失效时产品不立即失效的情形下参数的矩估计和极大似然估计,并通过大量Monte-Carlo模拟考察点估计的精度得到极大似然估计优于矩估计.     

逐次定数截尾下Pareto分布参数的逆矩估计

基于逐次定数截尾样本下,讨论了Pareto分布的参数估计,得到了两参数的逆矩估计,并通过数值模拟与极大似然估计进行比较,结果表明逆矩估计优于极大似然估计.     

Cauchy分布的统计分析方法研究

文章在刻度参数λ已知的情形下,给出了位置参数μ的分位数估计与逆矩估计,通过模拟比较发现分位数估计更加精确.同时还给出了参数μ的区间估计,考察了区间估计的精度;在位置参数μ已知的情形下,给出了刻度参数λ的极大似然估计,考察了点估计的精度;在参数μ,λ都未知的情形下,给出了参数μ,λ的点估计,通过模拟认为位置参数μ的点估计取样本中位数,而刻度参数λ的点估计取极大似然估计(依赖于μ的估计)较为精确.     

Lindley分布的统计分析

文章在全样本场合下,比较了两种求参数区间估计的方法,通过Monte-Carlo模拟比较了区间估计的精度.其次在定数截尾样本场合下,给出了参数的极大似然估计与逆矩估计,通过模拟比较认为逆矩估计比较精确,同时还给了求参数区间估计方法,通过模拟发现方法是可行的.     

几种q-分布的参数估计方法

由Tsallis提出的非广延统计力学在当今已经有了越来越广泛的应用,并且由此得到的概率分布,即q-分布,也被用来解决各种领域方面的问题,尤其是在交叉学科复杂系统中的运用。文章分别采用矩估计、极大似然估计的方法来推导几种常见q-分布的参数;进一步通过对NBA进球数据进行实证分析,采用不同的估计方法得到参数的估计值,并根据均方误差原理得知极大似然估计方法要优于矩估计方法。     

广义指数分布的统计推断

文章利用逆矩法估计广义指数分布的未知参数,并与最大似然估计作了模拟比较,模拟结果表明逆矩估计量更好.同时,我们也给出了构造尺度参数区间估计的方法.     

FIGARCH模型的参数检验与估计

本文在FIGARCH模型的基础上介绍了其参数的检验方法,然后重点阐述了其参数的估计方法即极大似然估计方法(QMLE),并在QMLE中对算法进行了创新,提出了混合梯度算法。通过Monto-Carlo模拟实践中证明,混合矩梯度算法优于其它算法。     

广义矩方法及其在金融领域的应用

文章讨论了广义矩估计的统计思想,并将其与最小二乘估计和极大似然估计方法相比较,说明了普通最小二乘估计是广义矩估计的一个特例,在密度函数满足一定的条件下,广义矩估计和极大似然估计是一致的,最后对广义矩估计在金融资产定价方面的应用进行了研究。     

平滑转移空间随机前沿模型的贝叶斯估计

经济数据常存在空间相关性,忽略空间相关性会引发内生性问题,导致相应估计量有偏且不一致。空间随机前沿模型在随机前沿模型的基础上考虑了生产单元的空间相关性,更利于效率测算。然而现有空间随机前沿模型的生产函数形式单一,适用性较差,实证分析存在局限性。文章在空间随机前沿模型中引入平滑转移效应,构建了平滑转移空间随机前沿模型,该模型同时考虑了空间相关性和个体异质性,适用性较佳。为丰富估计方法,同时采用极大似然方法和贝叶斯方法估计模型,其中极大似然估计的核心在于推导对数似然函数、对数似然函数的最优化以及使用JLMS法估计技术效率,贝叶斯估计的核心在于推导未知参数的后验分布及执行MCMC抽样。数值模拟结果显示：（1）极大似然估计和贝叶斯估计的估计精度均较高,其中贝叶斯估计的估计精度略高于极大似然估计;增加样本容量,贝叶斯估计和极大似然估计的估计精度更高。（2）若忽略空间效应或者平滑转移效应,则估计精度较低。     

逐步增加的Ⅱ型截尾下Lomax分布形状参数的估计

文章在逐步增加的Ⅱ型截尾下,给出了Lomax分布形状参数θ的极大似然估计;由“平均剩余寿命”的概念得到了形状参数的逆矩估计,在平方损失函数和对称熵损失函数下,针对不同的先验分布给出了参数θ的Bayes估计;最后通过随机模拟对几个估计进行了比较,说明了在相同的损失函数下,取共轭先验分布较无信息先验分布的精度要高.     

Poisson-Gumbel复合极值分布的参数估计

本文对Poisson-Gumbel复合极值分布的现实意义进行了拓展,分别应用极大似然法(MLE)、复合矩法(CME)和概率权矩法(PWM)对Poisson-Gumbel复合极值分布中的参数进行估计,并在理论上运用蒙特卡洛方法模拟,对三种参数估计方法的统计性质进行讨论,最后给出在汇率分析中的一个应用实例。结果表明:三种方法中,极大似然法效果最好且表现最稳定。     

EM算法在删失数据分布和混合分布参数估计中的应用

EM算法是一种迭代算法,主要采用后验分布的众数或极大似然估计,广泛的应用于删失数据,截尾数据,成群数据,带有讨厌参数的数据等。文章介绍EM算法,并对删失数据的对数正态分布参数估计和混合正态分布参数的极大似然估计进行了模拟,模拟结果表明对删失数据分布的参数估计和复杂的极大似然估计,EM算法是有效的,估值精度满足要求。     

分组数据在指数分布下的近似极大似然估计

基于指数分布下的分组数据,文章研究了步加试验中参数的近似极大似然估计方法,最后通过蒙特卡罗模拟,说明方法是可行且有效的.     

基于KL-距离的双参数指数分布的参数估计

文章考虑双参数指数分布的参数估计问题,在KL-距离最小化原则下,给出了一种参数估计的方法.得到的结果是一般情况下参数估计与矩估计相同;特别地,当位置参数为0时,通过数值模拟,并与极大似然估计进行比较,证明了这种估计的可行性.     

混合样本下双因素误差模型的参数估计

考虑到面板数据的选择性偏误、不响应、样本流失及轮换面板数据的高成本，在实际应用中，根据研究的需要和两种样本各自的特征，有时将两种样本结合使用，从而得到普通面板数据和轮换面板数据的混合样本。文章提出了混合样本下双因素误差面板回归模型的迭代极大似然估计方法，得到了未知参数的迭代公式。使用蒙特卡罗模拟方法分析了面板数据和混合样本下参数估计的平均绝对偏差和均方误差，结果显示：与面板数据下的极大似然估计量相比，混合样本下迭代极大似然估计方法整体上降低了估计量的平均绝对偏差和均方误差，优于面板数据下的极大似然估计量。     

高维参数多项Logistic模型的估计方法

高维参数多项Logistic模型的参数估计,用极大似然法估计很困难.文章给出一种新的估计方法:基于逆回归,给出参数单位向量的估计,从而高维参数得到降维;用极大似然法估计参数向量的模,最后得到参数的估计.且是相合估计.     

一类近似因子模型的GMM估计及其统计性质研究

对于一类异质性误差项存在截面相关性的近似因子模型,本文首先提出了估计共同因子向量和因子载荷矩阵的广义矩估计方法（GMM）,该方法推广了Doz等（2012）的极大似然估计方法;其次,分别研究了模型参数广义矩估计的渐近性质和有限样本的统计性质,在适当的条件下,证明了参数的GMM估计是具有渐近正态分布的一致估计;最后,利用近似因子模型对我国各类上市公司增长性的共同驱动因素及其差异性进行了实证分析。     

不同损失下指数-威布尔分布参数的Bayes估计

文章在对称和非对称损失函数下研究了两参数指数一威布尔分布(EWD)形状参数的Baves估计问题.当其中一个形状参数α已知时,给出了另一个形状参数θ在三种不同损失函数下Baves估计表达式及极大似然估计:运用随机模拟方法产生不同容量的样本对三种不同形式的Baves估计及极大似然估计的精确度进行了比较.模拟结果说明,要提高估计的精确度,应根据样本数选取损失函数.