基于EM算法的有限维混合分布参数估计研究

文章探讨有限维混合分布参数估计的EM算法,总结出有限维混合分布参数估计的EM算法期望、方差迭代表示.跳过繁琐的推导过程,快速得出混合高斯分布、混合指数分布参数估计的EM算法,并将其用于M2供应量同比增长分布和大变动时间间隔分布建模中.结果表明:采用三维混合高斯分布描述M2供应量同比增长分布、采用单一指数分布刻画M2供应量大变动时间间隔分布是合理的.     

缺失数据多重插补处理方法的算法实现

文章在简要介绍EM算法的基础上,对MCMC算法,特别是DA算法实现缺失数据补全做了深入探讨,介绍了DA算法迭代模拟过程,并对DA算法与EM算法进行了比较。     

混合指数几何分布

本文讨论元件的寿命分布服从双参数混合指数分布,元件个数服从几何分布的情形下,定义了混合指数几何分布,并研究了该分布的各种性质,讨论了参数的极大似然估计,并使用EM算法得到参数的近似估计. 最后,本文给出了参数的渐近方差、协方差、置信区间.     

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。     

基于EM算法的对数正态分布参数估计

生存数据分析的统计方法在很多领域有重要应用,然而生存分析中的观测数据常常出现删失。本文基于EM算法给出随机删失数据下对数正态分布的参数估计迭代算法。实验表明所给算法是容易施行并且行之有效的。     

稳健学生t回归模型的非迭代贝叶斯抽样算法

与正态回归相比,学生t回归模型是一种对异常值较稳健的回归模型,通常用Gibbs抽样算法估计参数.而Gibbs抽样是一种迭代算法,所得样本不是独立样本,统计推断之前需判断其收敛性.文章探讨了一种基于逆贝叶斯公式的非迭代抽样算法,该算法利用t分布的正态混合表示,结合EM算法和重要再抽样算法,得到参数的独立同分布的后验样本,该样本可直接用于统计推断,从而避免了Gibbs抽样中的问题.     

EM算法下人民币汇率收益率的分布特性

文章以汇改以来的日收益率数据为样本资料,提出混合高斯分布为其分布类型假设,并采用EM迭代算法对其参数进行估计。结果显示,相比于单一概率分布模型,采用3个高斯分布的混合模型几乎能准确拟合汇率收益率的分布规律,同时能通过EM算法求解该混合分布的参数估计。     

数据归并与连续自变量虚拟化

 本文基于数据双侧归并的一般化设定探讨了回归方程中包含归并数据时的参数估计问题。对于某些变量存在数据归并的线性模型,由于样本似然函数非常复杂,普通的一阶优化条件没有解析解,Newton-Raphson迭代也难以收敛。我们基于EM算法来计算参数的ML估计,推导了对应的参数迭代方程,给出了参数的一个闭式解。特别是,当数据双侧归并比例达到100%时,被归并的连续变量退化为虚拟变量的形式,对此,我们建议使用AIC或SC来识别回归方程中的虚拟变量是否为结构变化抑或是变量归并。     

含无误差协变量的重复测量误差模型及其应用

文章讨论响应变量和部分协变量含测量误差的重复测量数据的建模和估计问题,获得参数极大似然估计的EM迭代算法以及估计量的渐近协方差矩阵,并利用Monte-Carlo模拟说明估计的有效性和模型的价值.最后,将研究理论用于处理气象数据的测量误差校正问题.     

结合降维思想的BinomialBoosting方法

文章利用充分降维的思想,对分类问题的BinomialBoosting(BBoosting)算法进行了改进,提出了一种新的方法--Dimension Reduction BinomialBoosting(DRBBoosting).这种算法在每次迭代中,结合充分降维方法,充分提取X与Y之间的信息,得到X的线性组合βTX,用βTX进行boosting迭代,避免了BBoosting对所有变量逐个分析.与BBoosting相比,收敛速度快,预测精度高;模拟比较也表明了DRBBoosting的优点.     

分层线性模型的最大后验估计

最大后验估计（MAPE）和最大似然估计（MLE）都是重要的参数点估计方法。在介绍一般分层线性模型（HLM）MAPE方法的基础上,给出这种方法的期望最大化算法（EM）的具体步骤,运用对数似然函数的二阶导数推导了MAPE估计的方差估计量。同时运用数据模拟比较了EM算法下的MAPE和MLE。对于固定效应的估计,两种方法得到的估计量是一致的。当组数较少时,EM计算的MAPE的方差协方差成分比MLE的更靠近真实值,而且MAPE的迭代次数明显小于MLE。     

非参数异方差模型中条件回归函数的EM算法——基于农村食品消费与纯收入的实证研究

对非参数异方差模型中回归函数的EM算法进行研究,并基于EM算法得到了条件回归函数的估计。此外,通过对农村居民食品消费支出与纯收入关系的实证分析,说明了基于EM算法的估计方法比最小二乘估计方法的拟合效果更好,并对恩格尔系数进行了拟合,分析了其变化走势。     

线性指数分布参数的经验贝叶斯检验收敛速度研究

文章在线性损失函数下导出了线性指数分布参数单调的贝叶斯检验函数,利用独立同分布样本情形概率密度函数及其导数的核密度估计构造了经验贝叶斯(EB)检验函数.在适当的条件下,获得了EB检验函数的收敛速度,该收敛速度可任意接近O(n-1),改进了文献中已有的结果.最后给出了一个满足文中主要结果的例子.     

一类保序最优化问题的迭代算法

经典的保序回归问题要解决的是,在约束条件下基于平方损失的最优化问题,已经证明PAVA算法所得到的解就是该最优化问题的解。文章讨论了在约束条件下基于绝对损失的最优化问题,利用PAVA算法的思想进行求解,并且证明了该迭代算法收敛到的值就是对应最优化问题的解。     

改进BP神经网络在经济预测中的应用

针对传统BP学习算法收敛速度慢、对步长依赖明显等缺点，提出一种利用搜索较优步长的BP算法。其在网络训练中，能够在每次迭代中搜索出一个相对合理的步长，从而使步长的选择对学习速度的影响大大降低。对经济预测仿真结果表明，新算法对步长选择的依赖性小于传统BP算法。     

一种混合正态分布的新估计法:TU算法

针对EM算法在估计混合正态分布参数时使用不完全信息的总样本所得到的参数估计误差较大的问题,提出一种新的估计方法——TU截断改进算法。该算法根据正态分布的特点,运用部分拥有完全信息的样本将混合正态分布中的分布参数逐一估计出来。这一算法一方面克服了EM算法运用于混合分布的缺陷,另一方面改进了使用截尾数据的参数估计。仿真结果表明,TU算法比EM算法估计更精确。     

随机混合单调算子的随机不动点定理及推论

利用Mann迭代技巧,讨论了随机混合单调算子的耦合不动点的存在唯一性,并给出了迭代序列收敛于解的误差估计,所得结果是某些已知结果本质改进和推广.     

不完全数据场合广义指数分布参数Bayes估计的混合Gibbs算法

文章针对在两种不完全数据场合,给出了广义指数分布参数贝叶斯估计的混合Gibbs算法,Monte-Carlo模拟结果显示:混合Gibbs算法简单、可行、精度较高、适应范围广.分组数据的分组方式对模拟结果影响较大.     

指数分布抽样基本定理及在四参数二元Marshall-Olkin型指数分布参数估计中的应用

本文提出指数分布抽样基本定理,四参数二元Marshall-Olkin型指数分布的参数估计中,从参数的识别性分析着手,获得了一个用可识最小值函数表示的分布函数表达式,进而得到了二元指数分布的一个特征;以二元指数分布随机变量样本与二元可识最小值随机变量样本的等价性,获得了基于二元可识最小值随机变量样本参数的最大似然估计,并应用指数分布抽样基本定理,得到了四参数二元Marshall-Olkin型指数分布参数的一致最小方差无偏估计.     

如何应用EM算法处理调研中的无回答问题

在市场调研中,由于无回答情况所造成数据的缺失,给调查结果的估计带来一定困难。文章将通过对EM算法的介绍,讨论如何应用EM算法来解决调研中的无回答问题,并通过具体实例演示其操作过程。