逐次定数截尾下Pareto分布的可靠性分析

基于逐次定数截尾模型,文章选取未知参数的先验分布为无信息先验分布,分别在平方损失和LINEX损失下,讨论了Pareto分布的形状参数,失效率以及可靠度函数的Bayes估计。最后运用Monte Carlo方法对Bayes估计和极大似然估计的MSE,进行了模拟比较。结果表明在LINEX损失下的Bayes估计更优。     

广义线性混合模型框架下的信度模型分析

尝试在广义线性混合模型的框架下构建信度模型。在广义线性混合模型框架中,假定被解释变量服从指数簇分布,假定自然参数先验分布为相应的自然共轭先验分布簇,按照Bayes理论,通过特殊构造,给出推论:对随机效应的估计满足经典信度公式。参数估计部分,利用自然共轭先验分布簇参数子列上下极限的性质找出先验分布参数的含义和关系,使用伪似然方法给出信度估计公式。并以特例形式讨论Tweedie模型,对模型进行变形,得到特例的Bühlmann-Straub信度和经典的Bühlmann信度。该模型同时考虑先验信息与后验信息,对整合分类费率与个体经验费率提供一定参考。     

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.     

基于正态-Gamma共轭先验分布的贝叶斯AR(p)预测模型

本文系统地分析了AR(P)时间序列模型的数学模型及其条件似然函数,并根据似然函数的统计结构构造了模型参数的共轭先验分布,研究了正态-Gamma先验分布情况下模型的贝叶斯推断理论,包括模型自回归系数和精度参数后验分布的统计推断、二次损失函数下参数的贝叶斯估计;同时,从统计数学方法上严格地证明了一步超前预测模型的预报分布为t分布.     

定时截尾样本下广义逆指数分布参数的Bayes估计

文章在定时截尾样本下,讨论了广义逆指数分布形状参数、可靠度和危险率的极大似然估计。基于指数先验分布,在熵损失、平方损失和Linex损失函数下分别得到形状参数、可靠度和危险率的Bayes估计,并给出了确定超参数的方法。利用数值模拟计算了估计量的各种估计均值和均方误差，研究结果表明,形状参数在熵损失和Linex损失函数下的估计精度较高;可靠度的Bayes估计整体优于极大似然估计;危险率的Bayes估计在Linex损失函数下的效果较好。     

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。     

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。     

对数级数分布的统计分析

文章给出了对数级数分布的四种点估计方法,并通过Monte-Carlo模拟考察了点估计的精度。文章指出,如果已知参数p的先验信息,其值较大时,推荐使用极大似然估计;而其值很小时,推荐使用方法2,因为其计算简单。     

带异质线性趋势的动态二元选择面板模型估计

本文提出了带异质线性趋势的动态二元面板模型的极大似然偏误纠正估计量和近似条件Logit估计量。我们给出了通常极大似然估计量偏误的解析形式,并提供了相应的估计方法。小样本实验表明近似条件似然函数可以很好的消除异质性参数的影响,而偏误纠正估计量可以显著的修正极大似然估计量的偏误。最后我们将本文提出的方法应用到现金红利支付模型。     

Box-Cox变换下联合均值与方差模型的极大似然估计

在提出Box-Cox变换下联合均值与方差模型的基础上,研究了该模型参数的估计问题.同时利用截面极大似然估计方法对变换参数λ进行估计,并对均值模型和方差模型的参数进行极大似然估计.通过随机模拟和实例研究,结果表明该模型和方法是有效和可行的.     

带线性约束的多元线性回归模型参数估计

本文首先构造线性约束条件下的多元线性回归模型的样本似然函数,利用Lagrange法证明其合理性。其次,从似然函数的角度讨论线性约束条件对模型参数的影响,对由传统理论得出的参数估计作出贝叶斯与经验贝叶斯的改进。做贝叶斯改进时,将矩阵正态-Wishart分布作为模型参数和精度阵的联合共轭先验分布,结合构造的似然函数得出参数的后验分布,计算出参数的贝叶斯估计;做经验贝叶斯改进时,将样本分组,从方差的角度讨论由子样得出的参数估计对总样本的参数估计的影响,计算出经验贝叶斯估计。最后,利用Matlab软件生成的随机矩阵做模拟。结果表明,这两种改进后的参数估计均较由传统理论得出的参数估计更精确,拟合结果的误差比更小,可信度更高,在大数据的情况下,这种计算方法的速度更快。     

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.     

逐步删失场合Pareto分布的参数估计

文章考虑两类逐步删失场合的Pareto分布的参数估计问题,在Ⅰ型逐步删失场合,形状参数的极大似然估计没有显式表达式,故采用图解法求出其极大似然估计;在Ⅱ型逐步删失场合,我们能得到两个参数的极大似然估计量。     

凸约束广义线性模型参数MLE估计的收敛性研究

文章针对评估过程中建立的凸约束广义线性回归模型,研究了利用EM算法作出的模型参数的极大似然估计(MLE)的收敛性,为该模型的深入研究打下了基础。     

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.     

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.     

讲授极大似然估计时应注意的几个问题

极大似然估计是由费雪（Ｒ．Ａ．Ｆｉｓｈｅｒ）在１９１２年提出的一种对参数进行点估计的方法。由于这种方法对总体参数进行点估计时，既利用了样本资料对参数提供的信息，又充分考虑了总体对参数提供的信息，因而极大似然估计值具有一致性、有效性、充分性、完备性等优良估计特性，也正是由于这个原因，使得极大似然估计法一直是参数点估计法中最重要的方法     

广义线性混合模型及其在非寿险信度费率厘定中的应用

近年来,国内外精算学者开始将广义线性混合模型用于信度模型费率厘定中,但他们对因变量的推广仅仅推广到负二项分布。在前人的研究基础上,将因变量进一步推广到负二项K、广义泊松、双泊松等分布,然后用极大似然估计中的限制性虚拟似然法和自适应高斯求积法对参数进行估计,最后用美国劳工补偿保险进行实证分析。结果表明:负二项K(K=1.947)广义线性混合模型对数据拟合效果最好,其次为负二项1、负二项2、双泊松、广义泊松和泊松广义线性混合模型。     

广义Pareto分布模型参数的近似估计及应用

文章利用极大似然估计法及泰勒公式给出了广义Pareto分布模型参数估计,并在确定阈值的基础上对多种元素的广义Pareto分布模型参数进行了估计,经Kolmogorov检验证实该近似估计法的合理性和有效性。     

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。