保序回归的大样本性质

利用保序回归与极大似然估计之间的关系,从极大似然估计解的大样本性质出发,得到了保序回归解的两个大样本性质。     

相依样本下密度函数经验似然置信区间

主要讨论了相依样本下密度函数的经验似然置信区间,仅给出似然比统计量的极限分布,可构造参数的经验似然置信区间.     

缺失数据下局部M-估计

在缺失响应变量的不完全数据下,对非参数回归模型进行研究.利用稳健的局部线性回归的方法,给出了回归函数m（x）的3个局部线性M-估计：完整数据M-估计,加权M-估计和估计的加权M-估计,证明了3个M-估计有相同的相合性和渐近正态性.模拟研究表明估计的加权M-估计优越于一般的加权估计.     

纵向非单调缺失数据下部分线性模型的广义经验似然推断

为了研究纵向非单调缺失数据下部分线性模型的估计问题,基于二次推断函数提出了回归系数和基准函数的广义经验似然比函数,得到了相应的极大经验似然估计。证明了所提出的经验对数似然比渐近于卡方分布,由此构造了相应的置信域和逐点置信区间,模拟研究比较了广义经验似然与正态逼近方法的有限样本性质。     

数据缺失场合下一类单参数指数族的参数估计

对定时截尾有数据缺失场合下一类单参数指数分布族的参数极大似然估计进行了讨论,得到了其参数的点估计和区间估计.     

指数分布参数极大似然估计检验的样本崩溃点

如何量化一种统计方法对异常值的不敏感性一直是稳健统计研究的一个重要课题。检验的样本崩溃点是样本中能逆转逆转判决的离群值的最小比例。在研究相关文献的基础上,计算出指数分布参数极大似然估计检验的样本崩溃点,并分析了样本崩溃点的渐近正态性,为量化统计方法的稳健性提供了一种新的途径。     

相依样本下变系数模型中函数系数导数的统计推断

考虑相依样本下变系数模型系数函数导数的估计问题。对变系数模型系数函数应用局部线性回归,利用加权最小二乘方法,给出系数函数导数加权最小二乘估计,并证明了所提出的估计量的渐近正态性。     

有依从性观测的临床试验模型的参数估计

为了研究依从性对药物效果的影响,对一种结构线性模型,结合最小二乘和拟似然的思想,提出了一种新的参数估计方法,并在一般的条件下,证明了参数估计的相合性和渐近正态性.计算机模拟表明,这种方法不仅计算简单,有好的大样本性质,而且对于中小样本也有小的均方误差.     

非线性模型参数的经验欧氏似然估计的渐近性

本文构造了非线性模型中参数的经验欧氏似然比统计量,并证明了该似然估计的强相合性和渐近正态性。     

带有缺失数据的聚类分析方法

传统的聚类分析方法需要完全数据集,但有些情况下数据是不完全的,即包含缺失数据,这给聚类分析带来了一定的困难.作者给出了一种迭代算法为缺失数据确定一个合理的替补值,构造出一个"完全"的数据集,逐步迭代进行聚类分析,并用实例详细阐述了该方法的步骤.     

数据挖掘在卫星信息空缺数据处理中的应用

数据挖掘可以从大量的数据中发现有用的知识,有着越来越广泛的应用。将数据挖掘用于处理卫星数据中的空缺数据,给出了数据挖掘中对空缺数据处理的方法;结合卫星数据的特点,使用平均值法、最近邻居法和单特征值分解法等通用方法对卫星信息的空缺数据进行处理。实验结果表明,平均值法效果不明显,最近邻居方法能有效、快速地预测空缺数据。     

半参数回归模型在随机删失下的估计

综合最近邻法和最小二乘法，定义了β，g和σ^2的估计量，分别就删失分布G已知和未知的情形，在适当的条件下证明了β的估计量的渐近正态性。     

随机删失场合半参数回归模型的误差方差估计

考虑半参数回归模型Y=X'β+g(T)+e,其中(X,T)为取值RP×犤0,1犦上的随机向量(p≥1),β为p×1的未知参数向量,g为定义于犤0,1犦上的未知函数,e为随机误差,Ee=0,Ee2=σ2>0,且与(X,T)独立,Y被一个与之独立的随机变量V所截,此时仅能观察到Z=min(Y,V),δ=I(YV).综合最近邻法和最小二乘法,定义了β、g和σ2的估计量,在适当的条件下证明了σ2的估计量的渐进正态性.     

基于粗集理论缺省数据的改进算法

在对粗集理论研究的基础上，利用对象间的属性值差异引入粗糙相似度的概念，提出一种改进的ROUSTIDA算法，指出改进后的算法使更多的数据得到科学的补齐．实例表明此方法是比较有效的．     

相依误差下时变参数最小二乘估计的相合性

在时变参数模型中误差序列为 m-相依、Φ-混合的情况下,本文采用最小二乘法给出时变参数的估计表达式,并讨论了这个估计量的相合性。