利用M-H算法求解Logistic回归模型参数的贝叶斯估计

文章以航天飞机在不同温度下发射密封圈的失效数据为例,采用随机游动与变量变换M-H算法获得Logistic回归模型参数的后验分布样本并进行贝叶斯分析.同时,进行蒙特卡洛模拟,通过样本轨迹图、直方图、自相关系数图等考查M-H算法的抽样表现,并讨论每种抽样方法的优缺点与提高措施.结果表明:先验分布的选取直接影响贝叶斯估计效果,有先验信息的M-H算法估计的标准差比无先验信息的M-H算法要精确,但随着样本容量增大,趋势在减少,适当的建议分布与变量变换可大大提高M-H算法的抽样效率.     

基于混合参数先验分布的贝叶斯因子分析

因子分析模型的贝叶斯推断是贝叶斯多元统计推断理论的重要组成部分。本文通过分析因子分析模型的统计结构,构造了模型参数的混合先验分布;利用贝叶斯定理,结合模型样本似然函数和参数的先验分布推导了参数的后验分布;证明了因子载荷阵的条件后验分布为矩阵t分布,协方差阵的条件后验分布为逆Wishart分布。实证研究结果表明:由于参数先验分布的作用,贝叶斯因子分析的结论与传统的因子分析之间存在显著性的差异。     

基于线性插值的贝叶斯Lasso分位数回归及应用

在贝叶斯Lasso分位数回归中,样本似然函数的计算和后验分布的抽样通常难以处理.针对这一问题,文章采用一种基于线性插值的似然函数计算方法,并结合拉普拉斯先验分布,设计出一种新的对后验分布进行抽样的算法.数值模拟结果表明了该方法具有较好的适应性和参数估计准确性.     

空间滞后模型的贝叶斯估计

本文采用Bayes方法对空间滞后模型进行全面分析。在构建模型的贝叶斯框架时,对模型系数与误差方差分别选取正态先验分布和逆伽玛先验分布,这样以便获得参数的联合后验分布和条件后验分布。在抽样估计时,文章主要使用MCMC方法,同时还设计了一个简单随机游动Metropolis抽样器,以方便从空间权重因子系数的条件后验分布中进行抽样。最后应用所建议的方法进行数值模拟。     

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.     

动态修正贝叶斯精度评估

引言在小子样前提下,历史数据和专家意见作为先验信息变成可利用的重要资料,运用Bayes方法可以综合当前样本信息与先验信息,组成较完整的后验信息,在后验分布的基础上进行统计推断。Bayes方法实质上描述了一个如何利用采样信息修正和改进现有的概率分布的规律。     

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.     

基于多阶段抽样的贝叶斯序贯过程质量监控分析

文章针对参数随机化情况下的质量控制问题,提出了新的过程质量方法。通过质量控制模型的统计结构分析,研究了Jeffreys先验分布下参数的后验分布和贝叶斯估计,据此构造了具有预警线的过程样本均值-标准差监控图,以及贝叶斯过程能力指数评价模型;然后,将过程状态稳定的模型参数后验分布作为下一阶段的参数先验分布,进行样本数据信息融合、模型迭代更新,建立了基于共轭先验分布的贝叶斯序贯均值–标准差监控和贝叶斯动态过程能力指数估计模型。研究结果表明:与现有的统计过程质量控制方法比较,贝叶斯序贯过程质量监控方法能够融合产品质量指标的历史信息,及时更新过程控制限,动态监控过程质量波动。     

VaR模型后验测试的贝叶斯方法

本文提出了VaR模型后验测试的贝叶斯方法.以二项分布为参数统计模型,选取Beta分布为先验分布,给出了超参数的矩估计法.对于VaR模型的准确性检验,得到了贝叶斯因子和后验机会比的表达式.通过一个投资组合的实证分析,验证了本文所提方法的可行性与合理性.     

带有误差为正态分布的SUR回归的贝叶斯分析及其应用

文章研究了带有正态分布SUR模型,采用Jeffreys的不变先验分析Gibbs抽样方法和Direct Monte Carlo(DMC)方法,计算了各参数的贝叶斯后验密度和未来值的预测密度以及其它相关的后验量,如后验置信区间等。通过模拟例子和建立了关于城镇、农村居民家庭平均收入和生活消费支出的SUR模型,将Gibbs抽样方法和DMC方法得出的结果进行了比较。     

泊松分布参数的最高后验概率密度区间的估计方法

文章研究了在先验分布为伽玛分布下,Poisson分布未知参数λ的Bayes区间估计方法,并给出参数的最高后验概率密度区间-HPD区间估计的条件极值解法,最后给出例子说明该方法的优越性.     

稳健学生t回归模型变点估计的Gibbs抽样算法

文章讨论了用学生t线性回归模型估计回归系数变点位置的稳健Gibbs抽样算法.利用学生t分布的正态尺度混合表示,得到各参数的满条件后验分布,通过对满条件分布抽取样本,得到变点位置及其他参数的贝叶斯估计.模拟显示该算法能有效地估计变点位置,并且当数据呈现重尾现象时,该模型较正态变点模型要稳健.     

层次Bayes模型在抽样调查中的应用

在抽样调查中,经常需要估计总体中具有某一特征的个体单位的比例p,当我们所关心的这个比例很小,或者是样本量n很小时,通过样本得到的估计就不是很好。文章构造了层次Bayes模型,利用参数和超参数的先验分布推导出总体的后验分布,通过随机模拟了解比例p的大致分布情况。这种随机模拟的方法计算速度很快,而且准确性也较高。     

基于MCMC模拟的贝叶斯 AR-GJR-GARCH 模型及其应用

AR-GJR-GARCH模型是一种误差项为GJR-GARCH形式的自回归模型,该模型的贝叶斯推断很难得到其具体形式的条件后验密度。文章利用Metropolis-Hastings抽样方法对模型参数的条件后验分布进行MCMC模拟,然后运用模拟得到的样本对模型的参数进行贝叶斯估计。该方法解决了参数估计过程中的高维数值积分问题。模拟结果表明了该模型在中国股市波动性分析过程中的直观性和有效性。     

线性回归模型的后验极大似然估计

与普通最小二乘法相比,线性模型参数的极大似然估计,在一般的条件下也具有很好的性质;而实际中,在进行统计推断之前,我们往往对参数的信息有一定把握。文章将利用参数的先验信息即先验分布,构造了线性模型参数的后验极大似然估计,并在两种先验分布的情形,给出了具体的结果。     

基于MCMC模拟和伪似然估计法的交叉分类信度模型费率厘定简

针对传统交叉分类信度模型计算复杂且在结构参数先验信息不足的情况下不能得到参数无偏后验估计的问题，利用MCMC模拟和GLMM方法，对交叉分类信度模型进行实证分析证明模型的有效性。结果表明：基于MCMC方法能够动态模拟参数的后验分布，并可提高模型估计的精度；基于GLMM能大大简化计算过程且操作方便，可利用图形和其它诊断工具选择模型，并对模型实用性做出评价。     

正态均值变点识别的非迭代抽样算法

文章提出了估计正态序列均值变点位置的非迭代抽样算法.利用逆贝叶斯公式,得到了变点位置的精确后验分布,通过对该离散分布抽取样本,得到变点位置的贝叶斯估计.模拟显示该算法能有效地估计变点位置,并且计算速度比迭代的Gibbs抽样算法快.     

指数族分布中参数的经验贝叶斯估计

指数族分布是一类应用广泛的分布类,包括了泊松分布、Gamma分布、Beta分布、二项分布等常见分布.在非寿险中,索赔额或索赔次数过程常常被假定服从指数族分布,由于风险的非齐次性,指数族分布中的参数θ也为随机变量,假定服从指数族共轭先验分布.此时风险参数的估计落入了Bayes框架,风险参数θ的Bayes估计被表达“信度”形式.然而,在实际运用中,由于先验分布与样本分布中仍然含有结构参数,根据样本的边际分布的似然函数估计结构参数,从而获得风险参数的经验Bayes估计,最后证明了该经验Bayes估计是渐近最优的.     

时间序列ARFIMA模型的贝叶斯预测分析

ARFIMA模型是时间序列分析理论体系中的一个新领域,其模型结构比较复杂.本文系统地研究了时间序列ARFIMA(p,d,q)模型的贝叶斯预测问题,给出了模型的似然函数形式,构造了模型参数的先验分布;根据贝叶斯定理严密地推断了参数的后验边缘分布密度函数,建立了贝叶斯ARFIMA模型预测的基本程序,并且进行了实证研究分析.     

不同先验下分位数回归的贝叶斯估计:实现与比较

分位数回归是现代计量经济学研究的前沿之一,与频率学派方法相比采用贝叶斯分析方法对其进行估计具有一定的优势。基于泊松分布实现了在R中调用STAN对分位数回归进行贝叶斯估计,将尺度参数进行参数化,并比较参数化与否对模型估计系数统计性质的影响;在此基础上通过模拟实验研究参数先验分布的设定对参数估计量统计性质的影响,结果表明:参数化后得到的估计量统计性质更好;适当的先验分布可以提高Hamiltonian Monte Carlo抽样估计量的统计性质。