对确定等值常数Haebara方法的改进

本文研究铆测验设计下确定IRT等值常数的方法,利用Haebara提出估计等值常数的项目特征曲线法的思想导出确定等值常数的新方法,该方法充分利用项目参数之间的信息,在计算上又比特征曲线法简单得多,因此便于在实际中使用。     

基于统计信号处理的多属性群决策问题探讨

文章针对备选方案属性值和属性权重都为随机变量的不确定多属性群决策问题、结合统计信号处理的估计理论和模糊数运算,提出了一种专家主观偏好集结和随机多属性决策方案排序的方法.该方法首先基于贝叶斯框架构建一个线性估计模型;然后在有无先验知识的基础上利用高斯一马尔科夫估计定理,将多个专家基于模糊数估计的方案属性值和权重值集结成群体估计值;最后通过加权比较得到各个方案的排序.实例分析验证了方法的有效性和实用性.     

基于作答数据和估计参数的Q矩阵估计

基于Q矩阵构建的诊断模型,其题目的知识属性定义十分关键,如果只是依赖专家对题目的知识属性进行定义,则无法保证结果的准确性和一致性.文章考察了三种Q矩阵估计的算法,一方面可以在题目参数不固定时对Q矩阵进行验证;另一方面,采用改进的方法估计Q矩阵,即已知部分题目(称为“基础题目”)的属性,对一批属性向量未知的题目(称为“新题目”)进行界定,采用联合估计题目参数和Q矩阵的方法.     

对误差序列相关模型参数估计方法的探讨

一、引言经典线性回归分析的一个基本假定是模型的随机误差项之间互不相关,然而,对经济数据进行计量分析时,经常发生的问题是模型中误差项之间存在着序列相关。在误差项序列相关模型中最简单的一种是以下的自相关表示形式:Yt=α βXt μt(t=1,2,…,n)ut=ρut-1 εt|ρ|<1(1)其中εt满足经典假设条件E(εt)=0E(ε2t)=σ2εE(εtεs)=0(t≠s;t,s=1,2,…,n)(2)如果对式(1)直接使用最小二乘法(OLS法)进行参数估计,虽然OLS估计具有无偏性和一致性,但不具有有效性,不再是系数的最优估计。对此,通常采用的解决办法有两种①:第一种是广义最小二…     

重新探索定性变量的数量化方法

一、引言定性变量也称为品质变量,说到它的量化方法是引入虚拟变量,如果该品质变量的某一属性出现时,虚拟变量取值为1,否则取值为0。若是定性变量有多种变     

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.     

CUSUM和Cuscore控制图平均运行长度上界的估计

平均运行长度(ARL)是判断一类控制图监测变点效果好坏的重要工具.文章首先给出了特征指数取值(0,1)且均值不为常数时CUSUM控制图在Levy稳定过程中ARL上界的估计,改进了均值为常数时的结论;随后给出了特征指数取值(0,1)且均值不为常数时Cuscore控制图在Levy稳定过程中ARL上界的近似估计,完善了特征指数取值(0,2]时Cuscore控制图ARL的估计;最后通过数值模拟比较了两种控制图在监测Levy稳定过程均值变点中的效果和差异,结果表明Cuscore控制图比CUSUM控制图的监测效果好.     

半参数混合模型下的贝叶斯方法与应用

极端值估计是损失评估的重要研究部分,文章在贝叶斯方法的基础上,用半参数混合模型来拟合损失.在确定模型参数的过程中,运用贝叶斯方法对参数建模,将参数转化成随机变量,并基于马尔卡夫蒙特卡罗(MCMC)抽样得到参数的估计值.该方法的特点是参数数量少,通过抽样把参数转化成随机变量,给出所有参数可能取值的频率分布图.实证结果表明模型结果既考虑了参数的不确定性,又兼顾了损失的厚尾性.     

基于灰色关联度的属性约简方法

属性约简是粗集理论研究的核心内容之一,其主要思想是在保持分类能力不变的前提下,消除决策表中冗余的属性,推导出最少的属性集合和最小的决策规则.目前属性约简方法主要包括:①基于信息熵的启发式算法,该算法计算信息熵时的时间复杂度较高;②基于可辨别矩阵和逻辑运算的属性约简,这种方法能够得到全部约简结果,但计算过程中析取逻辑表达式很多,甚至是重复的,这导致化简时计算量很大,且对于大样本、高维数据的约简建立的可辨别矩阵具有较高的空间复杂度.本文结合灰色关联理论提出了一种新的属性约简方法,以灰色关联度作为属性重要性的测度,采用启发式算法,先计算出属性的核,然后依据属性的重要程度依次在核的基础上添加属性,直到所得的属性子集与原条件属性的分类能力相同为止,对于高维属性,可以采用优化搜索策略,寻找最佳的属性集.     

基于MCMC方法的GARCH模型参数估计

参数GARCH模型是最常用的度量金融市场波动性的模型.运用马尔科夫蒙特卡罗(MCMC)方法对残差基于正态分布的GARCH(1,1)的参数进行估计,由沪市股指收益率数据的实证分析结果表明:基于马尔科夫蒙特卡罗(MCMC)方法估计的GARCH模型比基于极大似然估计(ML)方法估计的GARCH模型具有更好的拟合效果和预测能力.     

降水预报的神经网络集成方法的改进

文章首先利用改进的模糊聚类方法获得与预测样本具有相似属性的训练样本;其次,利用遗传算法优化神经网络的初始权值、阈值及隐节点个数;最后采用一种基于模糊C均值聚类与对神经网络个体泛化误差估计相结合的方法,实现神经网络集成个体的选择。以逐日降水天气预报为例的实际预报试验结果表明,与神经网络的简单平均集成预报相比,这种改进的降水神经网络集成预报方法的泛化能力有了较大的提高。     

基于可能度的犹豫模糊语言PROMETHEE方法

针对犹豫模糊语言多属性决策问题,文章提出了基于可能度的PROMETHEE方法.在分析现有可能度排序方法的基础上,基于均匀分布的概率准则给出了犹豫模糊语言排序的可能度公式;结合PROMETHEE法,给出了犹豫模糊语言多属性决策方法,方法将传统PROMETHEE的多步骤整合为一个公式,简化了计算过程.通过实例验证了该方法的合理性和可行性.     

基于结构方程模型的合成信度及其使用问题研究

信度是问卷、量表、测验质量保障的核心要素,基于因素分析理论的合成信度估计方法近年来被讨论,并被统计学者推荐使用。合成信度比常用的信度计算方法α系数更为准确,且可用于多维测验和题目残差间存在相关的测验。通过文献分析及实例演示,分析了合成信度的特点和优点;同时,重点讨论了通过结构方程模型软件计算合成信度应注意的数据类型、数据分布、样本量以及模型收敛和拟合程度等问题,并比较了常用结构方程模型软件对合成信度计算的支持情况。     

线性回归方法的探讨

线性回归是常用的数学方法,通常采用在可控制变量X的取值下,试验得到应变随机量Y的一个值,试验n次,得到n个数对(X1,Y1)、(X2,Y2)、…(Xn,Yn),而后作线性回归分析.在此,本文采用在可控制变量X的取值Xi(i=1,2,…,n)下,重复ki次试验,得到应变随机量Y的ki个值,试验n组,得到n个数组(X1;Yll…,Y1k1)、(X2;Y21,…,Y2k2)、…、(Xn;Yn1,…,YnKN),建立改进的线性回归模型,对参数作出估计,并将总离差平方和分离为随机离差、剩余离差和回归离差,从而给出不同要求的检验方法.     

基于半参数方法的模型辅助抽样估计研究

在总结现有模型辅助估计方法的基础上,本文通过构造一种半参数超总体模型,同时结合广义差分估计思想提出一种新型的模型辅助估计量。该估计量比传统的非参数和半参数回归估计利用更少、更易得到的辅助信息,即只需利用和广义回归估计相同的辅助信息,但一般会比广义回归估计拥有更高的估计精度。理论证明了该估计量是渐近设计无偏和设计一致的,其渐近设计均方误差为广义差分估计量的方差。模拟结果显示：其至少与广义回归估计一样好;对于线性程度越低的超总体模型,其估计精度比广义回归估计有越明显的提高;就本文模拟而言,光滑参数在0.04～0.12间适当取值时其会取到相对较好的估计效果。     

有限总体的估计——基于超总体模型

抽样调查下有限总体的估计，一般是基于传统抽样设计，另一种是基于超总体模型，即假定总体取值不是确定的，而是由超总体模型产生的。本文以简单随机抽样和抽样为例，揭示了在不同情况下，如何得到超总体模型下有限总体的估计，并对基于设计和基于模型两种观点进行了比较分析。     

指数分布危险函数的经验Bayes估计的收敛速度:Ⅱ型截尾情形

文章对Ⅱ型截尾情形的指数分布在平方损失下获得了其危险函数的Bayes估计,并构造了相应的经验Bayes(EB)估计,证明了所提出的EB估计是渐近最优的且有收敛速度O(n-λ(δ-2)(s-1)/[δ(2s 1)])。其中,δ>2,0<μ<1,s≥2为给定的整数。     

语言混合加权平均距离测度及其在决策中的应用

对语言加权距离测度进行了进一步研究,提出一种既考虑变量权重又考虑序权重的语言混合加权平均距离测度,分析了该距离测度的优良性质。据此针对属性权重为实数,属性取值为语言术语的多属性决策问题,提出一种基于语言距离的多属性决策方法,最后,通过算例分析说明该方法的可行性和有效性。     

属性关系与诊断测验分类影响的探讨

认知诊断模型-DINA模型假定属性之间是相互独立、非补偿的关系,但在实际应用中,属性之间有可能存在补偿关系.文章探讨了在不同的被试总体下,DINA模型在属性之间独立和存在补偿关系时作答数据上的表现,结果表明,当测验中有部分属性间存在补偿关系时,会给DINA模型诊断分布带来较大的影响,在固定其他条件(被试人数、随机因子)条件下,存在和不存在补偿作用所导致的诊断分类率之间有显著差异,且在不同大小补偿作用下,诊断分类率之间的差异显著;随着随机因子的增加,不同大小的补偿因子所导致的诊断分类率之间的差异会变小,补偿因子和随机因子之间存在着显著的交互作用.     

数据归约中基于因子分析的属性选择方法

属性子集的选择是数据归约的重要内容.文章提出了一种基于因子分析的无监督属性选择的方法.通过该方法选出的属性子集能够最好地覆盖数据的自然分类.在统计模拟中,这种方法也得到了很好的效果.