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。     

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。     

异方差混合转移分布模型的谱分析

文章通过将自回归模型的谱分析推广到异方差混合转移分布模型的谱分析,导出了自协方差函数的递推关系式及计算谱密度的＂三步算法＂,从而解决了这类模型的谱分析问题,并进一步讨论模型在一些常见情形及自协方差函数满足一定条件下,谱密度的具体表达式。     

熵损失函数下两参数广义指数分布形状参数的Bayes估计

在熵损失函数下,讨论了两参数广义指数分布形状参数的Bayes估计和可容许估计,并讨论了一类(CT+d)-1形式估计的可容许性和不可容许性。     

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.     

基于熵损失和记录值样本的指数分布模型参数的估计

文章在熵损失函数下,基于记录值样本,得到了指数分布参数的最小风险同变估计、Bayes估计和经验Bayes估计,并给出了数值模拟例子。     

定数截尾情形指数-泊松分布参数的Bayes估计

文章在对称和非对称损失函数下研究指数-泊松分布参数的Baves估计问题;基于广义无信息先验和定数截尾情形,给出了参数λ在三神不同损失函数下Baye5估计的精确表达式;最后运用Monte-Carlo随机模拟方法对估计进行比较.结果表明,加权平方损失下Bayes估计的精确度和稳健性较好,适合用来对参数λ进行统计推断.     

Mlinex损失函数下广义指数分布形状参数的Bayes估计

文章给出了Mlinex损失函数下两参数广义指数分布形状参数的Bayes估计及其容许性,并对该分布的充分统计量的逆线性形式的容许性进行讨论.最后通过蒙特卡洛模拟说明Bayes估计在小样本情形时的优良表现。     

二次损失下带约束的增长曲线模型的Minimax估计

文章对于带椭球约束的增长曲线模型,在二次损失函数下给出回归系数在线性估计类中的Minimax估计,证明该估计是压缩有偏、可容许估计.在一些特殊的情形下,该估计包括了增长曲线功效岭回归估计、多元线性Minimax估计等.     

几何分布可靠度的Bayse估计

本文在几何分布可靠度的先验分布为幂分布时,给出了其在熵损失函数下的E-Bayes估计公式和多层Bayes估计公式。通过实例验证,这两种估计公式都是稳健的,并进一步表明了在熵损失函数下计算出的几何分布可靠度的E-Bayes估计值比多层Bayes估计值的精度更高,稳健性更好,计算简单,便于应用。     

纵向可加部分线性测量误差模型的渐近估计

基于纵向数据,研究参数部分协变量含有测量误差的可加部分线性测量误差模型的估计问题,提出了用于模型估计的偏差修正的二次推断函数方法,得到参数部分的估计结果具有相合性、渐近正态性,非参数可加函数的估计结果达到最优收敛速度。数值模拟和实例数据分析结果显示,该模型估计方法在同等条件下要优于广义估计方程方法。理论和数值结果显示,偏差修正的二次推断函数可以有效地处理测量误差和个体内相关性,是一个有效的纵向数据和测量误差数据分析工具,具有一定的理论和应用价值。     

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.     

混合广义线性模型

本文首次提出混合广义线性模型，此模型包括通常的标准广义线性模型以及贝叶斯多层广义线性模型。对二分量混合广义线性模型，利用近似准似然方法讨论其参数估计。对指数族混合广义线性模型，利用标准的广义线性模型分析方法得到参数的迭代估计。至于Ａｌｂｅｒｔ提出的贝叶斯多层先验分析方法，我们给出简单的讨论与修正；并且讨论与分析两个特殊的贝叶斯多层广义线性模型，给出它们的有关详细结果。最后，对混合广义线性模型，提出两个问题     

基于对称熵损失和记录值样本的指数分布模型参数的估计

文章在对称熵损失函数下,基于记录值样本,得到了指数分布参数的最小风险同变估计、Bayes估计和经验Bayes估计,并讨论了一类cXU(n)+d形式估计的可容许性和不可容许性,其中XU(n)为第n个上记录值.     

基于记录值样本的指数分布参数的损失与风险函数的Bayes估计

文章基于记录值样本,利用Rukhin提出的一类新的损失函数,将决策误差和统计判别法则结合起来,在共轭先验分布下得到了指数分布参数的损失函数和风险函数的Bayes估计,并给出了相应的Bayes估计为保守估计的条件。     

可变弹性系数生产函数:基于因素导向的分析

文章提出了基于因素导向的可变弹性系数生产函数模型,模型刻画了因素变量对模型产生的非线性影响。提出新的技术进步分解方法,认为FDI因素通过影响效率进一步影响技术进步。用非参数估计方法,给出了因素导向的弹性系数函数的局部线性加权最小二乘估计;再根据广义似然比检验,检验模型的有效性。通过实证证明中国的资本和劳动产出弹性都不是常数,引进因素变量后基本保证规模报酬不变,且FDI的引入和技术进步率的波动保持较强的一致性。     

基于负二项回归模型的空气质量指数分析

空气质量指数是与人们的日常活动密切相关的指标。基于中国18个城市2014年共52个周的空气污染计数数据进行负二项回归分析,通过运用广义线性混合效应模型和广义估计方程的方法进行比较分析,从理论和实际应用上得到了一定结论。研究结果表明:广义线性混合效应模型和广义估计方程两种方法在分析空气污染问题中差别不大;人口因素、城市园林绿化状况、气象因素、城市群效应以及季节效应对所研究城市的空气污染状况发生与否及其严重程度有显著的影响。     

对称熵损失函数下两参数Lomax分布形状参数的Bayes估计

在对称熵损失函数下,文章讨论了两参数Lomax分布形状参数的Bayes估计,经验Bayes估计,并讨论了一类(cT+d)~(-1)形式估计的可容许性和不可容许性.     

广义Gamma分布簇广义线性混合模型的参数估计

文章在广义线性混合模型的框架下分析广义Gamma分布簇广义线性混合模型的参数估计问题.提出的参数估计有以下三个显著特点:其一,充分利用广义线性混合模型参数估计的理论成果,参数估计表达式与6种广义线性混合模型参数估计结果形式相同;其二,该方法可以通过反复调用广义线性混合模型中的参数估计模块来实现;其三,具有渐进正态性.     

广义线性混合模型在顾客满意度研究中的应用——基于某地区银行理财产品顾客满意度的分析

在对广义线性模型与经典线性模型进行对比分析基础上,重点介绍了广义线性混合模型与估计方法及其在满意度调查数据中的模型设定与应用,并采用某调查机构在2011年1月至2012年3月期间对购买过某地区银行理财产品的客户进行的满意度调查数据进行实证分析。研究表明:相对于经典线性回归模型与广义线性模型,广义线性混合模型是分析满意度调查数据的有效方法。