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.     

先验信息对MCMC方法估计概化理论方差分量变异量的影响

MCMC是一种动态的蒙特卡洛方法,可以用于估计概化理论的方差分量。MCMC方法估计出的方差分量受限于抽样,不同的抽样样本,所估计的方差分量可能不一样,需要对其变异量进行探讨。文章采用蒙特卡洛(Monte Carlo)数据模拟技术,在正态分布下讨论有无先验信息对MCMC方法估计概化理论方差分量变异量的影响。结果发现,有先验信息的MCMC方法估计方差分量标准误较无先验信息的MCMC方法要精确些,但随着i的样本容量增大,这种趋势减小;有先验信息的MCMC方法和无先验信息的MCMC方法估计方差分量置信区间,随着i的样本容量增大,精确度相当。     

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。     

Bootstrap统计量的枢轴化与近似枢轴化

文章系统研究了Bootstrap统计量的枢轴化与近似枢轴化方法,比较BCa方法、学生化Bootstrap法、嵌套Bootstrap方法的优缺点,给出了它们的区别与联系,最后结合实例验证了前面结论.特别得出:方差稳定变换是良好枢轴化的基础,且BCa方法具有简单分位点法的变换保持性质,但是由于学生化Bootstrap置信区间的覆盖率对数据中的异常点比较敏感,没有分位点法的变换保持性质,故它的实际效果不一定好.     

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。     

基于Bootstrap方法的回归分析的比较

文章系统研究了基于Bootstrap方法的回归分析,给出了Bootstrap残差法与成对Bootstrap法的适用范围及区别,比较研究了参数区间估计的分位点法与加速偏差修正分位点方法(Be),BCa可使Bootstrap统计量近似枢轴化,保证Bootstrap效果,并且利用实例验证了理论分析,模拟结果显示,成对Bootstrap法比Bootstrap残差法稳定,置信区间短.     

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.     

不完全数据多重插补的Bootstrap方差估计

当对插补所得的“完整数据集”使用标准的完全数据统计方法的时候,往往会低估插补估计量的方差.Bootstrap方法(自助法)是非参数统计中的一种重要的统计方法,是基于原始观测数据进行重复抽样,能充分的利用已知数据,不需要对未知总体进行任何的分布假设或增加新的样本信息,进而再利用现有的统计模型对总体的分布特性进行统计推断.本文首先运用多重插补的方法对缺失数据进行了插补,之后利用Bootstrap方法对插补之后的数据进行了插补统计量的方差估计,结果表明运用Bootstrap方法进行插补统计量的方差估计更科学更准确.     

正态线形模型下缺失值的Bootstrap多重插补与比较

缺失值是调查中普遍存在的问题,对缺失值进行插补是处理缺失值的较好方法.如果变量之间存在相关关系,可以通过正态线形模型利用不存在缺失值的变量对有存在缺失值的变量进行插补.较之单一插补,多重插补更能有效地估计总体方差,因此更多地被使用.文章借助Bootstrap法,让模型的参数和残差来自完全观测的Bootstrap样本的最小平法估计,可进一步准确估计总体方差.通过大量模拟试验,发现Bootstrap多重插补较之单一插补和一般多重插补能构建更宽的置信区间从而有更准确的总体参数覆盖率,这点在数据缺失比重很大时优势更明显.     

相关差别指标的区间估计方法比较

在公共疾病控制领域,重大稀有疾病的发病率非常低,符合逆抽样特征,量化分析重大稀有疾病的发病率并对其特点进行分析。为了研究在带有群内相关条件下的整群抽样问题,通过二项分布抽样对比流行病学中相关差别指标的六种渐近置信区间的构造方法研究,综合考虑实际覆盖率与区间长度对各种方法的优劣及适用情况做出对比分析。研究表明,Wald型置信区间与对数变换的置信区间对发病率的估计表现因参数而定,而Bootstrap类方法不稳定。本研究找出了不同区间估计方法的适用场合,应合理看待置信区间这种评估方法在流行病学中的实际应用。     

相关差别指标的区间估计方法比较

在公共疾病控制领域,重大稀有疾病的发病率非常低,符合逆抽样特征,量化分析重大稀有疾病的发病率并对其特点进行分析,为了研究在带有群内相关条件下的整群抽样问题,通过β-二项分布抽样对比流行病学中相关差别指标的六种渐近置信区间的构造方法,综合考虑实际覆盖率与区间长度对各种方法的优劣及适用情况并对比分析。研究表明,Wald型置信区间与对数变换的置信区间对发病率的估计表现因参数而定,而Bootstrap类方法不稳定。本研究找出了不同区间估计方法的适用场合,认为应合理看待置信区间这种评估方法在流行病学中的实际应用。     

关于分层线性模型样本容量问题的研究

文章运用lackknife和Bootstrap的方法,对参数估计的方差进行改进,构造了合适的参数估计的置信区间.通过样本组数和组内个体数的变化,利用数据模拟的方法进行研究,表明参数估计的可靠性很大程度上依赖于组数;对于固定效应参数,组数取30就可以得到可靠的估计值.对于σ和方差协方差成分T,组数分别取50和70才能得到可靠的估计.     

Bootstrap平均数假设检验样本容量探讨

Bootstrap方法是一种有放回的再抽样方法,可用于平均数假设检验的估计.采用蒙特卡洛数据模拟技术,模拟正态分布数据.设计研究程序,探讨在不同的样本量和再抽样次数不同情况下,Bootstrap方法在平均数假设检验中应用,所适宜的样本容量,将一类错误率作为对比条件.结果表明,跨越三种比较条件,只有当样本量大于等于5且模拟次数大于等于1000次时,才能得到满足条件的一类错误率,即表明使用Bootstrap方法才会取得较好的效果.     

基于梯度统计量的逆抽样下风险差的置信区间构建

通过逆抽样过程获得的分布又称为负二项分布,在流行病学研究和二分类变量分布的研究中应用极为广泛。因此,提出两种基于梯度统计量的逆抽样下风险差的置信区间的构建方法,分别依据风险差的极大似然估计(MLE)和方差最小无偏一致估计量(UMVUE)。与现有的WALD方法和得分方法相比,该方法所构建置信区间的优点在于:置信区间构建方法既不需要计算Fisher信息阵也不需要计算其逆矩阵,可使计算得以大大简化;对所提出的基于梯度统计量的置信区间构建方法进行蒙特卡洛模拟研究,模拟结果表明提出的构建方法可以得到很好的覆盖概率和较短的区间宽度。     

基于贝叶斯的Bootstrap置信区间

在许多领域中,Bootstrap成为一种数据处理的有效方法。很多情况下,模型中感兴趣的参数的置信区间难以构建,为了解决这一问题,文章提出了一个新的贝叶斯Bootstrap置信区间的估计量,并做了蒙特卡洛模拟比较,结果比经典区间估计方法和经典Bootstrap方法更优,并进行了实例分析。     

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。     

Bootstrap方法在非参数核估计中的研究与应用

当数据中存在异常值时,Bootstrap样本可能比原有样本舍有更多的"污染",这会影响要进行的统计推断的有效性.文章讨论了在非参数回归N-w估计中,如何利用影响函数(influencefunction)得到重新抽样的概率,使用调整后的非等概率Bootstrap抽样方法得到曲线的拟合,从而达到有效地抵制异常值对回归函数影响的目的.数值模拟的结果表明了这种处理方法的有效性.     

Polya后验方法在有限总体抽样估计中的模拟研究

polya后验方法作为一种无信息贝叶斯估计方法,在有限总体抽样中,通过观测的样本,构造一系列的模拟总体,然后进行统计推断。通过统计模拟研究了polya后验方法估计的一些特点,并和Bootstrap方法进行比较。模拟结果显示:polya后验方法能够很好地估计总体的均值,随着样本量的增大,估计值与真值的差距越来越小。采用polya后验方法构造的置信区间区间长度较小,能够很好地覆盖真值。     

关于捕获再捕获抽样的置信区间

捕获再捕获抽样是一种应用广泛的抽样方法。运用随机模拟,研究捕获再捕获抽样的三种估计量的均值、方差、偏度、峰度、利用近似正态分布构造的置信区间的统计性质。改进了估计量的样本方差计算公式,使得利用近似正态分布构造的置信区间更优。     

Bootstrap方法与经典方法在区间估计中的比较

文章研究了Bootstrap方法计算正态分布和Poisson分布参数的置信区间,通过模拟计算,对Boot strap方法得到的置信区间与经典方法得到的置信区间进行了比较,提出了计算置信区间时的建议。