概化理论方差分量置信区间估计方法的比较

概化理论又称为方差分量模型,其方差分量估计受限于抽样,不同的抽样样本估计的方差分量可能不一样.为了降低估计的误差,应该重视考察方差分量的变异量(如置信区间).Bootstrap方法是一种有放回的再抽样方法,可用于估计概化理论的方差分量置信区间.文章采用蒙特卡洛模拟技术,比较Bootstrap的PC和BCa方法估计概化理论方差分量置信区间的性能.结果发现:(1)与未校正的方法相比,校正的Bootstrap的PC和BCa方法估计概化理论的方差分量置信区间更为可靠;(2)校正的Bootstrap的BCa方法估计概化理论的方差分量置信区间,要优于校正的Bootstrap的PC方法.     

概化理论两侧面设计方差分量及其变异量估计方法比较

文章针对正态分布数据,对比Traditional方法、Bootstrap方法和MCMC方法在两侧面交叉设计(p×i×h)和两侧面嵌套设计(p×(i:h))下各个方差分量的估计精度,为实际应用提供参考。使用R软件模拟1000批数据,并在R软件上实现三种方法的方差分量及其变异量估计。结果表明:(1)相较于Traditional方法和MCMC方法,相同条件下,Bootstrap方法估计的方差分量及其变异量结果更为理想;(2)对于两侧面交叉设计和两侧面嵌套设计,在正态分布数据下,建议优先使用Bootstrap方法。     

概化理论方差分量及其变异量估计:Jackknife方法与Traditional方法比较

文章生成概化理论p×i、p×i×h、p×(i:h)三种不同设计下的正态数据、多项数据和二项数据,用Jackknife方法和Traditional方法估计数据的方差分量、标准误和置信区间,并比较这两种方法的性能。结果表明:(1)Jackknife方法在方差分量估计和标准误估计上都较为准确;(2)相较于Traditional方法,Jackknife方法在方差分量置信区间估计上略有不足。(3)相较于Traditional方法,Jackknife方法估计的准确性不随数据类型、研究设计和方差分量的不同而产生波动,具有更强的稳健性。     

广义双曲线分布在概化理论偏态数据方差分量估计中的应用

心理与教育测量的应用领域发生了较大变化,被测群体的知识和能力等特质在一定程度上不再服从偏度为0的分布.文章利用广义双曲线分布性质,模拟生成一定偏度的偏态分布数据,探讨数据不同偏度对概化理论方差分量估计的影响.结果表明:利用广义双曲线分布性质可以有效模拟生成概化理论所需要的偏态分布数据；广义双曲线分布模拟的偏态分布数据对概化理论各种方法估计方差分量有影响.     

利用M-H算法求解Logistic回归模型参数的贝叶斯估计

文章以航天飞机在不同温度下发射密封圈的失效数据为例,采用随机游动与变量变换M-H算法获得Logistic回归模型参数的后验分布样本并进行贝叶斯分析.同时,进行蒙特卡洛模拟,通过样本轨迹图、直方图、自相关系数图等考查M-H算法的抽样表现,并讨论每种抽样方法的优缺点与提高措施.结果表明:先验分布的选取直接影响贝叶斯估计效果,有先验信息的M-H算法估计的标准差比无先验信息的M-H算法要精确,但随着样本容量增大,趋势在减少,适当的建议分布与变量变换可大大提高M-H算法的抽样效率.     

概化理论方差分量置信区间估计Bootstrap方法比较

使用Monte Carlo模拟技术生成多项分布数据,比较四种Bootstrap方法估计概化理论方差分量置信区间的性能,四种Bootstrap方法分别是Bootstrap-PC、Bootstrap-t、Bootstrap-BCa和Bootstrap-ABC方法.结果表明:(1)从整体上看,四种Bootstrap方法估计方差分量置信区间的包含率,校正的Bootstrap方法要优于未校正的Bootstrap方法;(2)校正的Bootstrap-PC和Bootstrap-t方法相当,校正的Bootstrap-BCa与Bootstrap-ABC方法相当,校正的Bootstrap-BCa和Bootstrap-ABC方法要优于校正的Bootstrap-PC和Bootstrap-t方法.     

结构分量模型选择与稳健性研究

本文的主要工作是对季节调整中结构分量模型的选择及稳健性问题进行研究。通过构造备选模型、引入正态先验分布及对MCMC抽样方案进行重新设计,本文提出了能同时有效地辨别出分量个数和分量随机性与否的模型选择方法。将该方法应用于对中国季度GDP序列的季节调整建模分析中。分析结果显示,本文所提出的模型选择方法具有较高的筛选能力,并且对先验分布超参数值的变动也具有很好的稳健性。     

线性混合模型方差分量的谱分解估计

文章把文献[8]关于含有两个方差分量的线性混合效应模型的谱分解估计推广到一般线性混合效应模型,基本思想是通过把所研究的模型转化为含有两个方差分量的线性混合效应模型。首先研究如何构造含有三个方差分量的线性混合模型的谱分解估计,给出谱分解估计的无偏估计类。然后把所得到的结论推广到一般线性混合效应模型中。     

一种异方差模型的两阶段估计

在异方差线性回归模型中,当模型误差项的协方差阵未知时,对异方差模型进行估计目前还没有比较好的方法。基于此,提出一种异方差模型的两阶段估计—基于异方差一致协方差阵估计,该方法将异方差一致协方差阵估计HC5m和广义最小二乘估计法结合起来,综合使用全部样本的信息,并对异方差模型进行估计。通过大量的蒙特卡洛数值模拟和实证分析,结果表明该方法具有一定的可行性和有效性。     

方差分量的改进估计

对含两个方差分量的一般线性混合模型,对其随机效应方差分量的组合谱分解估计进行改进.在正态假设下,考虑了一个不变估计类,证明了在均方误差意义下,在该估计类中不存在一致最优估计,但在一个重要子估计类中,找到了一致最优估计,并用截断方法得到了优于组合谱分解估计正部的正估计.     

随机波动模型贝叶斯估计效率研究

讨论了四种不同MCMC抽样方案在SV模型贝叶斯估计中的适应性和稳健性问题。蒙特卡洛模拟结果显示,随机误差项的近似处理方式和波动变量抽样结构直接影响SV模型的贝叶斯估计效率。具体来说,波动变量的"成块"抽样比"逐分量"抽样的效率更高;随机误差项有限混合近似比正态近似的估计精度更优。四种抽样方案中,正态近似和FFBS算法的收敛速度和运算时间最快,有限混合近似和FFBS算法的估计精度最优。     

抽样调查中样本容量的确定方法

确定样本容量是抽样调查中重要的环节,直接关系到抽样估计的精确度及调查的成本和效益。单位标志变异程度、抽样极限误差、抽样推断的可靠度、抽样类型和方法等影响到样本容量的确定。文章提出,样本容量的确定可以根据由抽样误差、抽样极限误差和概率度推算出来的公式计算,也可以根据经验法则来确定。     

空间滞后模型的贝叶斯估计

本文采用Bayes方法对空间滞后模型进行全面分析。在构建模型的贝叶斯框架时,对模型系数与误差方差分别选取正态先验分布和逆伽玛先验分布,这样以便获得参数的联合后验分布和条件后验分布。在抽样估计时,文章主要使用MCMC方法,同时还设计了一个简单随机游动Metropolis抽样器,以方便从空间权重因子系数的条件后验分布中进行抽样。最后应用所建议的方法进行数值模拟。     

方差推断时样本容量的确定

方差是一个十分常用的统计特征数字,人们要了解产品加工过程中工序的稳定性,经济活动中的风险水平,像测算股票价格波动、汇率变化的风险等,一般都要计算方差.文章根据频率统计的基本原理,对方差估计和假设检验时所需要的样本数目问题进行了讨论,包括单总体方差推断时的样本容量,两总体方差比推断时的样本容量.     

论属性总体方差估计

计算抽样平均误差需要总体方差，总体方差通常未知，可以用样本方差代替总体方差。用样本方差替代属性总体方差是一个经常遇到的问题。文章阐述了在简单随机抽样时，因抽样方法不同，属性总体方差的无偏估计量是三种不同的形式，而一般理论书籍叙述的属性总体方差的无偏估计量是一种形式。用样本方差估计总体方差，只有样本调整方差才是总体方差良好的估计量，特别是在小样本的条件下比使用样本方差更为合理     

重权数在复杂调查的方差估计中的应用

 方差估计是抽样调查的重要组成部分,重抽样方法是常用的方差估计方法。重权数方法与重抽样方法类似,也是利用计算机的优势通过重复获得大量不同的子样本的重权数估计目标参数的估计量和方差估计量,是一种稳健、通用、有效的方差估计方法。本文主要介绍重权数在复杂抽样调查的方差计算中的理论和应用。     

Weibull分布下基于MCMC的贝叶斯恒加试验数据评估

本文基于贝叶斯生存分析理论,在参数的有信息先验假设条件下,通过运用基于Gibbs抽样的马尔可夫链蒙特卡罗(MCMC)方法动态模拟出相关参数后验分布的马尔可夫链,给出恒加试验模型中各参数的贝叶斯估计;利用BUGS软件包对文献[6]中的实例进行建模分析,并将两种假设条件下MCMC具有显著差异的计算结果与传统BLUE结果进行比较,发现BLUE的计算结果近似等于将产品截尾数据当作失效数据时MCMC的处理结果;进而再次揭示出传统BLUE方法的不足,并证明了该模型在可靠性应用中的直观性与有效性。     

放回抽样下HT估计量的性质及应用

放回抽样下传统的估计方法是采用Hansen-Hurwitz估计。而放回抽样下HH估计量并不是一致最小方差无偏估计,本文提出了另一种估计方法,即采用Horvitz-Thompson估计,并论证了放回抽样下HT估计量的三条定理,及与HH估计量的比较。然后以放回简单随机抽样和PPS抽样为例,通过理论公式、计算机模拟以及具体案例,进行更具体的分析。说明在一定条件下,HT估计量相对更优。在实际应用中,本文也提出了通过比较方差估计作为选取估计量的准则。     

POT模型在巨灾损失预测中的应用——基于MCMC方法的估计

极值统计学主要研究随机事件极端情况的统计规律性。运用POT模型拟合中国暴雨损失数据,确定损失超出量的分布形式。实证分析表明,借助POT模型对巨灾风险损失分布进行估计是较为合理的,但当数据量较小时,使用基于Gibbs抽样的MCMC方法估计POT模型的参数,可以解决样本数据不足导致的极大似然估计中误差增大的问题。     

一种车险先验风险分布的参数估计方法

采用全体车险保单组合的风险损失数据(即先验信息)作为定价的信度补充,是车险精算定价的主流方法;而得到风险损失的先验分布或特征信息是经验费率定价的基础.文章引入过程和结构方差分析方法对车险索赔过程的先验分布参数进行估计;并提出了针对索赔频率和索赔额模型的参数估计方法.该方法能快速近似估计多参数分布模型,优于传统参数估计方法.