估計(jì)量
- 基于HL－MAD組合估計(jì)量的常規(guī)控制圖穩(wěn)健改進(jìn)
onoho穩(wěn)健估計(jì)量(SDRE)構(gòu)建了一種穩(wěn)健多變量控制圖,同時(shí)從第一階段估計(jì)過程參數(shù)?？惣{(Cabana)和利洛(Lillo)[12]基于穩(wěn)健重加權(quán)收縮估計(jì),提出了一種用于個(gè)體觀測的穩(wěn)健多變量質(zhì)量控制技術(shù)。薩巴諾(Sabahno)和塞拉諾(Celano)[13]用可變參數(shù)控制圖監(jiān)測存在自相關(guān)的多變量變異系數(shù)。近年來,也有學(xué)者研究自相關(guān)過程殘差控制圖的穩(wěn)健性。王志堅(jiān)[14]通過權(quán)重函數(shù)對ARMA 模型與GARCH 模型進(jìn)行穩(wěn)健建模,最后構(gòu)建穩(wěn)健殘差控制圖
上饒師范學(xué)院學(xué)報(bào) 2023年3期2023-10-10
- 極值指數(shù)的分布式矩率估計(jì)量①
著名的Hill估計(jì)量, 推斷分布函數(shù)的尾部表現(xiàn); 文獻(xiàn)[2-4]在一定條件下證明了Hill估計(jì)量的相合性和漸近正態(tài)性; 文獻(xiàn)[5]提出了矩率估計(jì)量, 并給出了其分布表示; 文獻(xiàn)[6]提出了一系列基于二階參數(shù)的外部估計(jì)得到的漸近無偏估計(jì)量, 并證明了其漸近性質(zhì); 文獻(xiàn)[7]證明了包含Hill估計(jì)量和矩率估計(jì)量在內(nèi)的一系列尾指數(shù)估計(jì)量的漸近正態(tài)性.關(guān)于尾指數(shù)估計(jì)量的更多研究, 見文獻(xiàn)[8-10].在大數(shù)據(jù)時(shí)代, 估計(jì)極值指數(shù)時(shí), 常常會(huì)遇到被分開存儲(chǔ)的數(shù)據(jù),
- 模型平均輔助抽樣估計(jì)方法研究
察本文所提出的估計(jì)量的表現(xiàn)，并通過實(shí)際數(shù)據(jù)驗(yàn)證模型平均輔助抽樣估計(jì)方法的估計(jì)效果。1 模型輔助抽樣估計(jì)及模型平均方法介紹1.1 模型輔助抽樣估計(jì)方法模型輔助估計(jì)是指借助研究變量與輔助信息之間的相關(guān)關(guān)系構(gòu)建相應(yīng)的超總體模型，并以此作為輔助工具改進(jìn)基于設(shè)計(jì)的估計(jì)方法。本文以模型輔助抽樣估計(jì)方法中較為經(jīng)典的GREG估計(jì)量為例進(jìn)行介紹?？梢宰C明β?是總體參數(shù)β的漸近設(shè)計(jì)無偏估計(jì)量，從而得到擬合值m?(xi)=x＇i β?。那么可根據(jù)廣義差分估計(jì)方法建立起HT估計(jì)量
統(tǒng)計(jì)與決策 2023年9期2023-07-13
- 一類半?yún)⑽仓笖?shù)估計(jì)量的漸近性質(zhì)①
著名的Hill估計(jì)量． 文獻(xiàn)[4]為減小Hill估計(jì)量的偏差, 構(gòu)造了矩率估計(jì)量． 文獻(xiàn)[5]利用函數(shù)gr,u(x)=xrlnu(x),x≥1構(gòu)造出如下的統(tǒng)計(jì)量(3)其中γr-1． 利用(3)式可以將Hill估計(jì)量、 矩率估計(jì)量表示出來:極值指數(shù)估計(jì)的應(yīng)用非常廣泛, 相關(guān)研究可參見文獻(xiàn)[6-10]．本文利用統(tǒng)計(jì)量Gn(k,r,u)構(gòu)造如下的尾指數(shù)估計(jì)量(4)(5)1 相合性和漸近正態(tài)性(6)其中2 定理的證明得到利用連續(xù)映射定理[12]和Slutsky定理
- Lévy過程驅(qū)使的非線性隨機(jī)微分方程的參數(shù)估計(jì)
權(quán)最小絕對偏差估計(jì)量; Long等[8]提出了通過設(shè)置對比函數(shù)建立適用于普遍Lévy過程的最小二乘估計(jì)量方法,該方法雖允許漂移函數(shù)非線性,但要滿足Lipschitz條件; Mai[9]削弱了文獻(xiàn)[8]中漂移項(xiàng)的條件,提出了在局部Lipschitz條件下隨機(jī)微分方程的似然函數(shù),并利用指數(shù)族的方法對Ornstein-Uhlenbeck過程、平方根過程給出其強(qiáng)一致及在Hajek-LeCam意義上漸近有效的估計(jì)量.基于此,本文考慮漂移項(xiàng)含有高次冪的多項(xiàng)式型非線性隨
吉林大學(xué)學(xué)報(bào)（理學(xué)版） 2023年3期2023-05-21
- 一類位置不變的極值指數(shù)估計(jì)量①
此位置不變極值估計(jì)量的弱相合性和漸近正態(tài)性,并根據(jù)其漸近展開式得到k0的最優(yōu)選擇．設(shè){Xn,n≥1}是一列獨(dú)立同分布的隨機(jī)變量序列,其共同的分布函數(shù)為F(x),X1,n≤…≤Xn,n為X1,…,Xn的順序統(tǒng)計(jì)量.如果F屬于極值吸引場[1]:(1)(2)對于極值指數(shù)的研究,當(dāng)γ>0 時(shí),文獻(xiàn)[3]最早提出了著名的Hill估計(jì)量.也有一些基于不同思想的估計(jì)量: 將樣本分塊,在每個(gè)塊中取兩個(gè)最大值的比率[4-6],然后將線性函數(shù)f(x)=x而不是對數(shù)函數(shù)應(yīng)用于這
- 基于單系統(tǒng)估計(jì)量的人口普查凈覆蓋誤差估計(jì)
關(guān)鍵是尋求一個(gè)估計(jì)量去估計(jì)目標(biāo)真實(shí)人口數(shù)。單系統(tǒng)估計(jì)量、雙系統(tǒng)估計(jì)量和三系統(tǒng)估計(jì)量均可充當(dāng)這個(gè)估計(jì)量［1-3］。雙系統(tǒng)估計(jì)量來源于捕獲-再捕獲模型，它把普查人口名單看作第一次捕獲的結(jié)果，把事后計(jì)數(shù)調(diào)查人口名單看作第二次捕獲的結(jié)果，捕獲-再捕獲模型給出了用兩次捕獲的個(gè)體數(shù)目以及同時(shí)出現(xiàn)在兩次捕獲中的個(gè)體數(shù)目估計(jì)總體中全部個(gè)體數(shù)目的計(jì)算公式［3］。它要求人口普查名單與事后計(jì)數(shù)調(diào)查人口名單相互獨(dú)立。然而，這一要求在實(shí)際中常常不能滿足，這時(shí)就會(huì)導(dǎo)致交互作用偏差，從
- 基于組合式三系統(tǒng)估計(jì)量的人口普查凈誤差估計(jì)
國家使用雙系統(tǒng)估計(jì)量來估計(jì)它。但是,雙系統(tǒng)估計(jì)量有一個(gè)內(nèi)含交互作用偏差的“軟肋”。研究表明,依據(jù)三次捕獲模型構(gòu)造的三系統(tǒng)估計(jì)量能夠較好地解決雙系統(tǒng)估計(jì)量的交互作用偏差問題。與雙系統(tǒng)估計(jì)量所不同的是,三系統(tǒng)估計(jì)量并不要求三份人口名單必須獨(dú)立,從而避免了人口名單之間不獨(dú)立引起的交互作用偏差。三系統(tǒng)估計(jì)量為不完整三維列聯(lián)表7個(gè)已知單元的人口數(shù)和1個(gè)未知單元(未登記在任何一份名單的人口構(gòu)成的子總體)的人口數(shù)估計(jì)量(稱為缺失單元估計(jì)量)之和。缺失單元估計(jì)量依據(jù)7個(gè)已
統(tǒng)計(jì)與信息論壇 2022年8期2022-08-16
- 含單調(diào)約束的廣義回歸估計(jì)量
引 言廣義回歸估計(jì)量(Generalized Regression Estimator,GREG估計(jì)量)是在社會(huì)、經(jīng)濟(jì)和人口等領(lǐng)域的抽樣調(diào)查中經(jīng)常使用的一類估計(jì)量[1]。加拿大、英國等諸多國家的政府統(tǒng)計(jì)部門已廣泛運(yùn)用GREG估計(jì)量構(gòu)建抽樣調(diào)查估計(jì)體系,如加拿大勞動(dòng)力調(diào)查(LFS)。關(guān)于GREG估計(jì)量的研究很多,但很少有文獻(xiàn)在系統(tǒng)性應(yīng)用GREG估計(jì)量時(shí),考慮GREG估計(jì)量的假設(shè)條件。傳統(tǒng)的GREG估計(jì)量假設(shè)域與域之間是相互獨(dú)立的,忽略了域值間聯(lián)系,如域總值、
統(tǒng)計(jì)與信息論壇 2022年7期2022-07-12
- 重尾指數(shù)估計(jì)量及其偽估計(jì)量的漸近關(guān)系①
有關(guān)極值指數(shù)估計(jì)量及其應(yīng)用的更多研究見文獻(xiàn)[6-14]．(1)對所有x>0成立． 顯然，A(t)∈RVρ，ρ≤0．對連續(xù)可微單增函數(shù)f(x)， 定義(2)特別地， 令f(x)= logx， 可以得到如下推論．(3)證使用分部積分法， 可得再根據(jù)文獻(xiàn)[2]的命題B.1.10， 當(dāng)t充分大時(shí)， 對任意的δ>0有(4)同理，引理1得證．(5)使用分部積分法， 可得再結(jié)合引理1， 可得此外， 當(dāng)n充分大時(shí)， 對任意的δ>0有定理1的證明使用分部積分法， 可得(6
- 缺失數(shù)據(jù)下異方差半變系數(shù)模型的約束統(tǒng)計(jì)推斷
ile最小二乘估計(jì)量; YUAN和ZHOU[6]提出了模型參數(shù)和非參數(shù)分量的自適應(yīng)加權(quán)估計(jì)量; ZHAO等[7]基于正交投影方法構(gòu)造了模型參數(shù)和非參數(shù)分量的估計(jì)量; 當(dāng)參數(shù)部分協(xié)變量Z帶有可加測量誤差時(shí), ZHAO等[8]提出了參數(shù)和非參數(shù)分量的加權(quán)糾偏profile最小二乘估計(jì)量.在實(shí)際應(yīng)用中, 我們經(jīng)常會(huì)遇到數(shù)據(jù)缺失的情形, 針對缺失數(shù)據(jù)下半?yún)?shù)回歸模型的研究主要文獻(xiàn)可參閱文[9-11].在本文中, 假設(shè)協(xié)變量Z隨機(jī)缺失, 引入示性變量δ, δ =1表
應(yīng)用數(shù)學(xué) 2022年3期2022-07-07
- 面板數(shù)據(jù)均值變點(diǎn)的累積和比值估計(jì)
問題，證明變點(diǎn)估計(jì)量的一致性并給出其極限分布，并表明方差存在變點(diǎn)時(shí)，QML比最小二乘法有效.Chen等［2］在Bai的基礎(chǔ)上，提出一種累積和法對面板數(shù)據(jù)模型均值變點(diǎn)進(jìn)行估計(jì)，建立變點(diǎn)估計(jì)量的一致性并給出相應(yīng)的收斂速度，降低文獻(xiàn)［1］的計(jì)算復(fù)雜度.Badi等［3］將Bai的模型推廣到非平穩(wěn)的回歸變量和誤差項(xiàng)的情況，證明普通最小二乘估計(jì)量和第一差分（FD）估計(jì)量的相合性并得到其漸近分布.Li等［4］利用累積和（CUSUM）統(tǒng)計(jì)量檢驗(yàn)面板數(shù)據(jù)模型中的方差變化.在
- AANA 樣本下非參數(shù)模型加權(quán)估計(jì)量的相合性
模型：上述加權(quán)估計(jì)量最早由STONE 提出[1］.由于其應(yīng)用廣泛，很多學(xué)者都對其進(jìn)行了深入而全面的研究，具體可參考文獻(xiàn)[2-9］，其中不乏很多關(guān)于相依樣本下的相應(yīng)結(jié)果.本文將在AANA 樣本下研究模型（1）中估計(jì)量的矩相合性與完全相合性，所得結(jié)果改進(jìn)和推廣了文獻(xiàn)[10-11］中相應(yīng)的結(jié)論.本文引用如下一些記號：C代表正的常數(shù)，其值在不同的地方可以不同，I(A)為事件A的特征函數(shù)，[x]表示不超過x的最大整數(shù)，a+=aI(a≥0)且a-= -aI(a＜0).
通化師范學(xué)院學(xué)報(bào) 2022年4期2022-04-26
- 基于正確登記概率的普查直接多報(bào)估計(jì)
“普查直接多報(bào)估計(jì)量”。但是構(gòu)造這種估計(jì)量存在兩個(gè)缺陷，一是若將研究范圍進(jìn)行限定，在研究范圍外進(jìn)行了登記或多次登記，則研究范圍內(nèi)的多報(bào)、重報(bào)及發(fā)生重報(bào)該如何統(tǒng)計(jì)；二是人口流動(dòng)性大，實(shí)際工作中會(huì)出現(xiàn)重復(fù)者應(yīng)該登記位置不易確定，多報(bào)、重報(bào)及發(fā)生重報(bào)該如何統(tǒng)計(jì)的問題。本文目標(biāo)是在有限總體概率抽樣及普查多報(bào)估計(jì)理論基礎(chǔ)上，構(gòu)造基于正確登記概率的普查直接多報(bào)估計(jì)量、基于正確登記概率的普查直接重報(bào)估計(jì)量、基于正確登記概率的普查直接發(fā)生重報(bào)估計(jì)量?；谡_登記概率的普查
- 受擾動(dòng)長記憶隨機(jī)場的BNLP回歸估計(jì)
(GPH) 估計(jì)量；Beran 等人[6]則采用了相同的模型，考慮了基于近似最小二乘的參數(shù)估計(jì)方法.這其中最經(jīng)典的莫過于由一維時(shí)間序列推廣到二維隨機(jī)場得到的 GPH 估計(jì)方法，該方法最先是由 Geweke 和 Porter-Hudak 在無噪聲擾動(dòng)的時(shí)間序列參數(shù)估計(jì)中提出來的[7].Ghodsi 和 Shitan 的工作[5]，雖然把 GPH 方法應(yīng)用到了隨機(jī)場中，但他們沒有考慮噪聲，也沒有考慮估計(jì)量偏差的縮減.然而，在時(shí)間序列記憶參數(shù)估計(jì)的相關(guān)工作中，
- 一類條件協(xié)方差估計(jì)及其大樣本性質(zhì)
ΣXX(u)的估計(jì)量：其中mX(u)的N-W核估計(jì)量為ΣXX(u)=E(XXT|U=u)-mX(u)mX(u)T故一種顯而易見的核估計(jì)量為1 估計(jì)量的大樣本性質(zhì)在導(dǎo)出估計(jì)量的漸近性質(zhì)之前，一些限制性條件十分必要，它們經(jīng)常在非參數(shù)核估計(jì)中用到，盡管它們不是最弱的，但能使證明變得簡便．(C1)U的邊緣密度f(u)具有緊支集，并且在支撐集中，f(u)顯著大于0，具有連續(xù)的二階導(dǎo)數(shù)．(C3)核密度函數(shù)K(v)滿足以下條件：K(v)有界并且關(guān)于原點(diǎn)對稱，K(v)≥0
- 最小二乘估計(jì)量優(yōu)于工具變量估計(jì)量的一個(gè)充分條件
二乘（OLS）估計(jì)量不是一致估計(jì)量；參數(shù)1b的工具變量（IV）估計(jì)量是一致估計(jì)量，其中w是x的工具變量[1]．因此，只要樣本容量足夠大，就一定有：上述結(jié)論也意味著，樣本容量不夠大時(shí)，上式不一定成立．本文進(jìn)一步給出了樣本容量確定時(shí)，成立的一個(gè)充分條件，即最小二乘估計(jì)量優(yōu)于工具變量法估計(jì)量的一個(gè)充分條件．1 工具變量法估計(jì)量與最小二乘估計(jì)量的誤差分析對x的任一工具變量w，參數(shù)1b的工具變量估計(jì)量式中，為工具變量w與隨機(jī)誤差項(xiàng)u的樣本相關(guān)系數(shù)，為工具變量w與隨機(jī)
- 基于非線性壓縮估計(jì)的投資組合優(yōu)化模型在A股市場的實(shí)證
思路是使用壓縮估計(jì)量，Ledoit和Wolf（2013，2014，2017b）分別提出了協(xié)方差矩陣的線性壓縮估計(jì)量和非線性壓縮估計(jì)量，本質(zhì)是將樣本協(xié)方差矩陣的特征值進(jìn)行壓縮。Ledoit and Wolf（2017b）發(fā)現(xiàn)非線性壓縮估計(jì)量在美股市場的投資組合優(yōu)化中取得了極佳的樣本外表現(xiàn)，本文主要是檢驗(yàn)該方法在中國A股市場的表現(xiàn)。一、模型（一）全局最小方差投資組合模型最小方差投資組合模型由于只需要估計(jì)資產(chǎn)收益率的協(xié)方差矩陣，且相對于均值-方差模型有著較好的表
環(huán)球市場 2020年32期2021-01-06
- 人口普查漏報(bào)估計(jì)研究
指南中的未匹配估計(jì)量只是包括了在質(zhì)量評估調(diào)查中登記而未在普查中登記的漏報(bào)人口，從而低估總體普查漏報(bào)人口數(shù).為解決上述問題，本文在對現(xiàn)行普查漏報(bào)估計(jì)方法研究的基礎(chǔ)上，提出普查漏報(bào)合成估計(jì)量.該估計(jì)量由兩部分構(gòu)成.第一部分是三個(gè)線性漏報(bào)估計(jì)量，估計(jì)未登記在普查人口名單但至少登記在質(zhì)量評估調(diào)查人口名單及行政記錄人口名單之一的人數(shù).第二部分是缺失單元漏報(bào)估計(jì)量，估計(jì)未登記在任何名單的人數(shù).創(chuàng)新體現(xiàn)在兩個(gè)方面.第一，相比目前國內(nèi)外采用的估計(jì)普查漏報(bào)的逆記錄檢查估計(jì)量
工程數(shù)學(xué)學(xué)報(bào) 2020年5期2020-11-04
- 完全輔助信息下非參數(shù)模型校準(zhǔn)估計(jì)方法研究
助信息構(gòu)建抽樣估計(jì)量能夠在不增加調(diào)查成本的同時(shí)，極大地提高估計(jì)精度。校準(zhǔn)估計(jì)方法就是一種能夠很好利用輔助信息改進(jìn)抽樣估計(jì)效率的方法，其基本思路是通過校準(zhǔn)約束信息來修正原有估計(jì)量的權(quán)重系數(shù)，從而達(dá)到提高估計(jì)精度的目標(biāo)。然而，傳統(tǒng)的校準(zhǔn)估計(jì)量僅利用到了總體和樣本觀測個(gè)體所構(gòu)成的部分輔助信息，對于調(diào)查環(huán)節(jié)中未被觀測樣本的輔助信息并沒有加以利用，這樣勢必會(huì)浪費(fèi)更多可利用的輔助信息。事實(shí)上，在信息比較容易獲取的大數(shù)據(jù)時(shí)代，我們通常有條件利用每一個(gè)總體單位的完全輔助信
統(tǒng)計(jì)與信息論壇 2020年11期2020-11-04
- ANA 誤差下非參數(shù)回歸模型中估計(jì)量的相合性
權(quán)函數(shù).上面的估計(jì)量（2）最早由Georgiev［1］提出.由于其廣泛的適用性，很多學(xué)者都對此估計(jì)量進(jìn)行了深入的研究，如文獻(xiàn)［2-8］.由于獨(dú)立假設(shè)的不合理性，近些年來很多學(xué)者都將獨(dú)立場合下經(jīng)典的極限理論和統(tǒng)計(jì)大樣本理論推廣到各種相依情形.本文將在一類非常寬泛的相依結(jié)構(gòu)——漸近負(fù)相協(xié)（ANA）誤差下繼續(xù)研究估計(jì)量（2）的相合性.ANA（或ρ--混合）隨機(jī)變量的概念是由文獻(xiàn)［9］提出的.定義混合系數(shù)如下：其中? 是非降函數(shù)的集合.若混合系數(shù)本文引用如下一些記
通化師范學(xué)院學(xué)報(bào) 2020年10期2020-10-16
- 基于設(shè)計(jì)效應(yīng)的人口普查質(zhì)量評估調(diào)查樣本量測算
既定抽樣方法的估計(jì)量抽樣方差公式，同時(shí)給出估計(jì)量的精度要求，即估計(jì)量抽樣方差的控制值。用方差公式表示以樣本量為未知數(shù)的方程式，解這個(gè)方程得到所需要的樣本總量。只要有條件這樣做，毫無疑問就應(yīng)該采用這種方法。但是，有的時(shí)候沒有條件使用直接的方法來測算樣本量。例如，抽樣設(shè)計(jì)方案和估計(jì)量的構(gòu)造形式復(fù)雜，難以直接寫出估計(jì)量方差的數(shù)學(xué)表達(dá)式和列出樣本量方程式，這時(shí)就只好使用間接法[7]。人口普查質(zhì)量評估調(diào)查就屬于這種情況。中國國家統(tǒng)計(jì)局已確定在2020年人口普查質(zhì)量評
統(tǒng)計(jì)與信息論壇 2020年10期2020-10-12
- 一類比估計(jì)量在數(shù)量特征敏感問題調(diào)查方法中的應(yīng)用
了新模型，減少估計(jì)量的方差，提高了估計(jì)精度；文獻(xiàn)[5]在2種經(jīng)典模型的基礎(chǔ)上給出了3種數(shù)量特征隨機(jī)化回答模型。金瑩[6]對2種經(jīng)典模型作了改進(jìn)，提出一種改進(jìn)的Greenberg模型，提高了估計(jì)精度。在直接調(diào)查中，通常利用與調(diào)查變量相關(guān)的輔助變量，借助輔助信息來提高估計(jì)敏感變量的精度。文獻(xiàn)[7]在2006年結(jié)合比估計(jì)提高了Warner模型的效率；文獻(xiàn)[8]在2007年使用了回歸分析提高了一般化隨機(jī)裝置的效率；文獻(xiàn)[9]提出雙輔助信息敏感性問題問卷調(diào)查技術(shù)；文
江西科學(xué) 2020年3期2020-06-24
- 基于波動(dòng)擇時(shí)績效的高維波動(dòng)率估計(jì)量與預(yù)測模型研究
波動(dòng)(協(xié)方差)估計(jì)量的構(gòu)建及其預(yù)測模型研究十分重要。在波動(dòng)率的估計(jì)方面，Barndorff-Nielsen和Shephard[2]提出利用日內(nèi)高頻數(shù)據(jù)的已實(shí)現(xiàn)協(xié)方差矩陣(Realized Covariance, RC)。但是多維資產(chǎn)協(xié)方差的估計(jì)存在市場微觀結(jié)構(gòu)噪聲、非同步交易以及協(xié)方差矩陣正定性等問題。目前能解決這三個(gè)問題的估計(jì)量包括Christensen等[3]提出的基于預(yù)平均方法的調(diào)整已實(shí)現(xiàn)協(xié)方差矩陣(Modulated Realized Covari
中國管理科學(xué) 2020年5期2020-06-23
- 隨機(jī)缺失函數(shù)型數(shù)據(jù)的k近鄰估計(jì)及其應(yīng)用
歸算子的k近鄰估計(jì)量,用交叉驗(yàn)證尋找最優(yōu)的正整數(shù)k來代替?zhèn)鹘y(tǒng)NW核回歸估計(jì)中的連續(xù)窗寬h,更符合函數(shù)型數(shù)據(jù)的局部結(jié)構(gòu),相關(guān)文獻(xiàn)可參見文獻(xiàn)[2-5]?？紤]到實(shí)際中觀測手段、天氣狀況及儀器設(shè)備等影響,收集的數(shù)據(jù)常常是不完全的,響應(yīng)變量隨機(jī)缺失就是一種常見的情形。因此本文主要研究響應(yīng)變量Y隨機(jī)缺失時(shí)非參數(shù)回歸模型(1)的k近鄰估計(jì),即當(dāng)Y缺失時(shí),δ=0;反之δ=1,并且滿足給定χ時(shí),δ與Y是條件獨(dú)立的,即P(δ=1|Y,χ)=P(δ=1|χ)=p(χ),a.s.
- 線性轉(zhuǎn)化的比估計(jì)量在數(shù)量特征隨機(jī)化回答技術(shù)中的應(yīng)用
線性轉(zhuǎn)化構(gòu)造比估計(jì)量來提高精度的問題。當(dāng)總體的輔助變量已知時(shí)，利用樣本中的最小值和最大值通過線性轉(zhuǎn)化構(gòu)造了比估計(jì)量，在一定的條件下，提出的估計(jì)量效率較高。1 Greenberg模型敏感性問題的均值μY的估計(jì)為估計(jì)量的方差為(1)2 比率估計(jì)量用于Greenberg模型隨機(jī)化裝置盒中有外形相同的兩類卡片：1)敏感屬性值Y，輔助信息值T；2)非敏感值X，輔助信息值T。然后將卡片(a)、(b)以預(yù)定的比例p和1-p放入一個(gè)盒子中，回答者做出回答(z1，t1)，(
- 基于M估計(jì)的改進(jìn)Pauta準(zhǔn)則在監(jiān)測數(shù)據(jù)粗差識(shí)別中的研究及應(yīng)用
估計(jì)，以位置M估計(jì)量和基于位置M估計(jì)量的尺度估計(jì)量代替均值和標(biāo)準(zhǔn)差重新構(gòu)造控制函數(shù)進(jìn)行粗差識(shí)別。將改進(jìn)Pauta準(zhǔn)則應(yīng)用于耿達(dá)水電站不同類型的測點(diǎn)序列，通過對比原始序列、人工剔除離群點(diǎn)序列和基于M估計(jì)量的參數(shù)估計(jì)與粗差識(shí)別結(jié)果探究了Pauta準(zhǔn)則改進(jìn)的可行性和合理性；并分析對比存在離群點(diǎn)序列和正常序列探究了改進(jìn)Pauta準(zhǔn)則的適用性。1 基于M估計(jì)量的Pauta準(zhǔn)則改進(jìn)方法采用Pauta準(zhǔn)則識(shí)別粗差的前提條件是測值序列服從正態(tài)分布N(μ,σ2)，且樣本數(shù)據(jù)
中國農(nóng)村水利水電 2019年8期2019-08-31
- 一類非對稱均勻分布參數(shù)的耐抗性的估計(jì)及其優(yōu)良性
布區(qū)間中心的點(diǎn)估計(jì)量［9-10］.均勻分布有著各種不同的類型，即不同的定義區(qū)間，本文在上述研究的基礎(chǔ)上，研究一類非對稱均勻分布參數(shù)的估計(jì)及其性質(zhì).耐抗性是提供對于數(shù)據(jù)的局部不良行為的非敏感性［11-12］，故本文在已有文獻(xiàn)的基礎(chǔ)上，利用樣本的四分位矩這樣具有耐抗性質(zhì)的統(tǒng)計(jì)量，得到了一類非對稱均勻分布U(θ, 0)的參數(shù)θ的估計(jì)量θ?n，并討論了它的優(yōu)良性.1 預(yù)備知識(shí)定義1［1］若隨機(jī)變量X的密度函數(shù)為θ，則稱該分布為區(qū)間(, 0)上的均勻分布，記作X～U
通化師范學(xué)院學(xué)報(bào) 2019年6期2019-06-20
- 帶擾動(dòng)的隨機(jī)微分方程的貝葉斯估計(jì)及其漸近性
1 θ的貝葉斯估計(jì)量(2)(3)令θ0為參數(shù)θ在Θ中的一個(gè)真值，則由式(3)、Pθ相對于Pθ0的Radon-Nikodym導(dǎo)數(shù)為(4)由方程(1)可知(5)將方程(5)代入到式(4)中，整理可得(6)?u∈Θ.(7)2 貝葉斯估計(jì)的漸近正態(tài)性現(xiàn)在來討論估計(jì)量的性質(zhì)，P和E表示概率和期望.考慮隨機(jī)過程ZT(u)=(dPθ0+u/λ(T))/(dPθ0)，其中(8)(9)由引理1可知，當(dāng)T→∞時(shí)，有(10)3 貝葉斯估計(jì)的漸近一致性(11)假設(shè)下列3個(gè)條件成立
鄭州大學(xué)學(xué)報(bào)（理學(xué)版） 2019年2期2019-04-12
- 基于排序集樣本和雙輔助變量的比率估計(jì)改進(jìn)方法
總體均值的無偏估計(jì)量，并且估計(jì)的均方誤差要比簡單隨機(jī)抽樣更小[2].基于排序集樣本的統(tǒng)計(jì)推斷已經(jīng)有不少結(jié)果，內(nèi)容涉及參數(shù)估計(jì)[3]、非參數(shù)檢驗(yàn)[4]，以及在多個(gè)領(lǐng)域的應(yīng)用[5-7].輔助信息在提高總體參數(shù)估計(jì)精度方面具有十分重要的作用，對于只有一個(gè)輔助變量的情形，已經(jīng)有一些學(xué)者提出了總體均值的比率、乘積和回歸估計(jì)方法[8-10]以及一些改進(jìn)形式[11].在實(shí)際抽樣調(diào)查中，往往會(huì)存在與研究變量相關(guān)的兩個(gè)甚至多個(gè)輔助變量，這些輔助變量有些和研究變量是正相關(guān)，有
- 捕獲再捕獲抽樣研究綜述
；捕獲再捕獲；估計(jì)量【中圖分類號】 O212.2 【文獻(xiàn)標(biāo)識(shí)碼】 A 【文章編號】 2236-1879（2018）11-0170-01捕獲再捕獲的方法早期由野生動(dòng)物學(xué)家提出，用于估計(jì)限定區(qū)域內(nèi)野生動(dòng)物種群的大小，后經(jīng)不斷發(fā)展目前已被廣泛用于除生物科學(xué)外，社會(huì)科學(xué)、醫(yī)學(xué)和公共衛(wèi)生等調(diào)查研究中，甚至有學(xué)者將捕獲再捕獲方法用于改進(jìn)互聯(lián)網(wǎng)搜索第三方結(jié)果精度以及更廣泛的領(lǐng)域。捕獲再捕獲抽樣是一種常用的非概率抽樣方法，在現(xiàn)有的國內(nèi)外文獻(xiàn)中，對捕獲再捕獲方法的研究主要包
- 基于譜分解的廣義嶺回歸方法及其優(yōu)良性探討
時(shí)，對最小二乘估計(jì)量進(jìn)行改進(jìn)。1970年，Hoerl和Kennard在兩篇論文中詳細(xì)探討了嶺回歸方法[3-4]。該方法的主要思想是：當(dāng)X′X≈0時(shí)，給其加上單位矩陣的正常數(shù)倍，使得X′X+kI遠(yuǎn)離0，從而使得X'X+kI可逆，此時(shí)最小二乘估計(jì)量相應(yīng)地調(diào)整為：(2)其中常數(shù)k被稱為嶺參數(shù)，而矩陣kI被稱為調(diào)整矩陣。在Hoerl和Kennard之后有學(xué)者提出：調(diào)整矩陣不必限定于kI，可以是QKQ′，其中K是一個(gè)主對角線上元素非負(fù)但各不相同的對角矩陣，K=dia
統(tǒng)計(jì)與信息論壇 2018年10期2018-10-16
- 投資組合中協(xié)方差陣的估計(jì)和預(yù)測
協(xié)方差陣的一致估計(jì)量不是已實(shí)現(xiàn)協(xié)方差陣，并提出降低微觀噪聲以及跳躍影響的估計(jì)量（比如Zhang（2011）[1]、Griffin和Oomen（2011）[2]、Barndorff-Nielsen和Hansen等（2011）[3]、以及Nole和Voev（2008，2012）[4～5]）。但之前的研究往往分別研究噪聲或者跳躍的影響，劉麗萍（2013）[6]提出了修正的門限預(yù)平均已實(shí)現(xiàn)協(xié)方差陣（MTPCOV），MTPCOV估計(jì)量同時(shí)考慮了噪聲和跳躍的影響，以期
經(jīng)濟(jì)研究導(dǎo)刊 2018年24期2018-09-18
- 一道極大似然估計(jì)題的多種解法
)法是獲得參數(shù)估計(jì)量的一種廣泛使用的方法.極大似然估計(jì)量具有許多優(yōu)良的性質(zhì)，只要總體分布滿足一定的條件，則可證明極大似然估計(jì)量具有漸進(jìn)正態(tài)性、漸進(jìn)有效性、一致性等性質(zhì)，在一定意義下沒有比極大似然估計(jì)量更好的估計(jì)，所以熟練掌握極大似然估計(jì)量的求法是非常重要的.下面先介紹本文將要用到的知識(shí)點(diǎn).求極大似然估計(jì)的一般步驟[1]：(1)由總體分布導(dǎo)出樣本的聯(lián)合概率函數(shù)(或聯(lián)合密度函數(shù));(2)把樣本的聯(lián)合概率函數(shù)(或聯(lián)合密度函數(shù))中的自變量看成已知常數(shù)，而把參數(shù)θ看
數(shù)學(xué)學(xué)習(xí)與研究 2018年13期2018-07-17
- 一個(gè)估計(jì)問題的探討
我們得到了六個(gè)估計(jì)量，這些估計(jì)量哪個(gè)更好？評價(jià)估計(jì)量的好壞常用的標(biāo)準(zhǔn)有無偏性和均方誤差.估計(jì)量是一個(gè)統(tǒng)計(jì)量，也是一個(gè)隨機(jī)變量，隨著樣本的改變而改變.如果一個(gè)估計(jì)量的均值等于要估計(jì)參數(shù)的真值，就稱該估計(jì)量具有無偏性，其含義是如果多次抽樣，并且每次樣本量相同，那么得到的多個(gè)估計(jì)值在參數(shù)真值左右，其平均值與參數(shù)真值接近.接下來，我們從理論的角度推導(dǎo)x(n)的均值，從而討論上面的哪個(gè)估計(jì)量是無偏估計(jì).從1到N中不放回隨機(jī)抽取n個(gè)數(shù)，其中最大的數(shù)記為x(n)，則x(
數(shù)學(xué)通報(bào) 2018年1期2018-07-13
- 利用多輔助信息的比率估計(jì)方法與驗(yàn)證
性估計(jì)形式，而估計(jì)量的精度依賴于對輔助變量信息的利用程度，為此，一些學(xué)者嘗試借助輔助變量其他信息，進(jìn)一步提高比率估計(jì)效果。簡單隨機(jī)抽樣下Sisodia等[1]，Singh等[2]，Yan等[3]分別利用變異系數(shù)、峰度系數(shù)和偏度系數(shù)提出了比率估計(jì)的不同改進(jìn)形式，隨后Subramani等[4]提出了以輔助變量多個(gè)指標(biāo)作為輔助信息的比率估計(jì)量，并指出當(dāng)相關(guān)系數(shù)滿足一定條件時(shí)，該估計(jì)量的估計(jì)效率要優(yōu)于上述其它幾種改進(jìn)形式。另外，輔助信息也可以用來提高抽樣效率，排序
統(tǒng)計(jì)與決策 2018年12期2018-07-12
- 點(diǎn)估計(jì)的一種敏捷算法
分布的最大似然估計(jì)量和派生估計(jì)量，并結(jié)合定理把已知分布類型的隨機(jī)變量逼近成正態(tài)分布N（μ,σ2），再化成標(biāo)準(zhǔn)正態(tài)分布，這樣在原來派生估計(jì)法的基礎(chǔ)上，只需要選擇）作為派生估計(jì)量即可.例 1設(shè) X～N（μ,σ2），μ,σ2為未知參數(shù)，X1,X2,…,Xn是來自總體X的一個(gè)樣本，樣本值為x1,x2,…,xn，求 μ,σ2的估計(jì)量.解法一最大似然估計(jì)法X的概率密度為：似然函數(shù)為：取對數(shù)有：對參數(shù)求導(dǎo)有：解法二派生估計(jì)法則互相獨(dú)立且都服從標(biāo)準(zhǔn)正態(tài)分布，因此把看作來自
赤峰學(xué)院學(xué)報(bào)·自然科學(xué)版 2018年5期2018-06-01
- 加權(quán)N-W核估計(jì)量的漸近正態(tài)性研究
件均值函數(shù)的核估計(jì)量的漸近理論，此后，Collomb(1986)[5]、Masry(1995)[6]和La?b(2000)[7]等分別基于核估計(jì)在不同條件下研究了條件均值函數(shù)的相合性、漸近正態(tài)性和收斂速度以及帶寬選擇的漸近最優(yōu)性等問題。局部多項(xiàng)式方法在非參數(shù)估計(jì)中也廣為流行，因?yàn)樗哂辛己玫臄?shù)學(xué)性質(zhì)、偏倚的縮減性和邊緣效應(yīng)的適用性，從方法實(shí)施的難易程度來看，NW估計(jì)量的實(shí)施要比局部線性估計(jì)量更為容易，并且回歸函數(shù)的被估計(jì)值總是位于響應(yīng)變量的范圍之內(nèi)。然而，
統(tǒng)計(jì)與決策 2018年2期2018-03-21
- 高維非正態(tài)總體協(xié)方差陣檢驗(yàn)的檢驗(yàn)統(tǒng)計(jì)量
)2的一個(gè)無偏估計(jì)量，證明它是相合的，并借助模擬實(shí)驗(yàn)說明我們提出的估計(jì)量的優(yōu)良性.1 tr(∑-I)2的估計(jì)量在對tr(∑-I)2進(jìn)行估計(jì)時(shí)，因?yàn)閠r(∑-I)2=tr(∑2)-2tr(∑)+p，需要給出tr(∑2)和tr(∑)的估計(jì)量.眾所周知，協(xié)方差陣的一個(gè)優(yōu)良的估計(jì)量是樣本方差陣[指導(dǎo)教師]劉忠穎(1977- )，女，講師，碩士，從事多元統(tǒng)計(jì)分析研究。定理1 對于模型(1)，tr(∑-I)2的無偏估計(jì)量為為了說明相合性，我們沿用文獻(xiàn)[8]提出的漸近框
長春師范大學(xué)學(xué)報(bào) 2018年2期2018-03-05
- 帶復(fù)合泊松跳擴(kuò)散模型的點(diǎn)波動(dòng)率門限估計(jì)量的漸近性質(zhì)
的點(diǎn)波動(dòng)率門限估計(jì)量的漸近性質(zhì)陳盈盈,蔣輝(南京航空航天大學(xué)數(shù)學(xué)系,江蘇南京210016)本文研究了帶復(fù)合泊松跳擴(kuò)散模型的點(diǎn)波動(dòng)率門限估計(jì)量的漸近性質(zhì).利用門限方法和核函數(shù)技術(shù),構(gòu)造并證明了此模型點(diǎn)波動(dòng)率估計(jì)量的漸近正態(tài)性.同時(shí),應(yīng)用G¨artner-Ellis定理及大偏差中的Delta方法,得到了估計(jì)量的中偏差原理.復(fù)合泊松過程;點(diǎn)波動(dòng)率;漸近正態(tài)性;門限方法;中偏差原理1 引言波動(dòng)率是度量金融市場風(fēng)險(xiǎn)的常用指標(biāo),對波動(dòng)率的估計(jì)和預(yù)測是近幾十年來金融研究
數(shù)學(xué)雜志 2017年5期2017-09-15
- 一類位置不變重尾指數(shù)估計(jì)
名的是Hill估計(jì)量[1]:對于更為廣泛的情況γ∈R，Dekkers，Einmahl和de Haan[7](1989)提出了矩估計(jì)：Ling等[8,9]在2007年在矩估計(jì)的基礎(chǔ)上，提出了一類位置不變的矩估計(jì)量.鄒佶叡等[10]在2006年提出了漸近無偏矩估計(jì)量.然而，Hill估計(jì)和矩估計(jì)雖然有許多優(yōu)點(diǎn)，但它們對門限k0的值較為敏感，換句話說，上述的這些估計(jì)都不滿足位置不變性，Pickands(1975)[11]在假定尾部分布函數(shù)的前提下，通過求分位數(shù)給出
陜西科技大學(xué)學(xué)報(bào) 2017年3期2017-06-01
- 淺談估計(jì)量的優(yōu)良性標(biāo)準(zhǔn)
法將導(dǎo)致不同的估計(jì)量，那么如何從這些估計(jì)量中尋找最適合的估計(jì)量成為了一個(gè)很重要的問題。因此，本文主要以使得均方誤差最小的原理來研究評價(jià)估計(jì)量優(yōu)良性的標(biāo)準(zhǔn)（相合性、無偏性、有效性）。經(jīng)過對這幾個(gè)標(biāo)準(zhǔn)的研究最終得到相對而言較適合的估計(jì)量為：一致方差最小無偏估計(jì)量UMVUE。最后介紹證明一個(gè)估計(jì)是UMVUE的方法。關(guān)鍵詞：估計(jì)量的優(yōu)良性標(biāo)準(zhǔn)；一致最小方差無偏估計(jì)量1.估計(jì)量的評價(jià)標(biāo)準(zhǔn)在數(shù)理統(tǒng)計(jì)中不同的求估計(jì)量的方式求得的估計(jì)量不同。這就要求我們從這些估計(jì)量中篩選
現(xiàn)代營銷·學(xué)苑版 2016年12期2017-01-23
- 基于分層排序集抽樣方法的改進(jìn)比率估計(jì)
討論了改進(jìn)比率估計(jì)量的均方誤差和偏差估計(jì)式,證明了改進(jìn)的比率估計(jì)比原來的聯(lián)合比率估計(jì)更加有效.最后,利用一組幼兒黃疸病膽紅素含量的數(shù)據(jù)進(jìn)行實(shí)例分析,結(jié)果表明,基于分層排序集樣本的改進(jìn)比率估計(jì)可以有效提高估計(jì)精度.輔助變量; 分層抽樣; 排序集抽樣; 改進(jìn)比率估計(jì)排序集抽樣是另一種利用輔助信息提高抽樣效率的方法,具體過程為,從總體1次抽取r2個(gè)樣本,隨機(jī)地劃分為r組,對每組樣本進(jìn)行排序,從第i組抽取秩為i的樣本單元并具體測量,i=1,2,…,r.類似過程重復(fù)
- 卡爾曼濾波在水下慣性導(dǎo)航系統(tǒng)中的研究及實(shí)現(xiàn)
系統(tǒng);偏移量;估計(jì)量The research and implementation of kalman filtering in INS integrated navigationLEI Shu-guang，ZHANG Liu，LIN Lie-shu (Guangzhou Civil Aviation College，Guangzhou 510403，China)Abstract:First，this article established speed e
艦船科學(xué)技術(shù) 2015年7期2015-02-22
- 穩(wěn)健性因子分析在股票評價(jià)中的應(yīng)用
需要使用穩(wěn)健性估計(jì)量。多元均值和協(xié)方差陣的經(jīng)典估計(jì)量是樣本均值和樣本協(xié)方差陣。如果數(shù)據(jù)來自正態(tài)總體的話，它們是最優(yōu)的估計(jì)量，但是它們對異常值非常敏感。如果數(shù)據(jù)中有異常值，異常值會(huì)影響樣本均值和樣本協(xié)方差陣，從而會(huì)影響依賴于它們的經(jīng)典因子分析[1]。因此有必要考慮使用樣本均值和樣本協(xié)方差陣的穩(wěn)健性估計(jì)量。本文所采用的數(shù)據(jù)是上證A股2013-09-30三季度財(cái)務(wù)數(shù)據(jù)，共有957只股票（樣本），10個(gè)財(cái)務(wù)指標(biāo)（變量），數(shù)據(jù)下載自免費(fèi)的大智慧軟件。為了更加客觀地對
統(tǒng)計(jì)與決策 2015年16期2015-01-03
- 部分函數(shù)型線性回歸模型的預(yù)平滑估計(jì)
性模型中系數(shù)的估計(jì)量，并討論了估計(jì)量的漸近性質(zhì)，但當(dāng)函數(shù)型數(shù)據(jù)協(xié)方差算子的特征值只有少數(shù)非零時(shí)，該估計(jì)的結(jié)果與真實(shí)值相差較多.本文基于文獻(xiàn)［8］的思想，采用預(yù)平滑方法對文獻(xiàn)［7］中給出的估計(jì)量進(jìn)行修正，得到新的相合估計(jì)量，解決了上述問題.1 部分函數(shù)型線性模型部分函數(shù)型線性模型［5］，即標(biāo)量返回值Y與預(yù)測值（z，X）滿足如下線性關(guān)系：其中：z＝（z1，z2，…，zp）T為p維隨機(jī)向量，Ez＝0，Ezz′存在且有限；｛X（t）｝∈L2［0，1］為隨機(jī)過程，均
吉林大學(xué)學(xué)報(bào)（理學(xué)版） 2014年4期2014-10-25
- 閾值協(xié)整參數(shù)的修正估計(jì)法小樣本性質(zhì)的比較
整向量的OLS估計(jì)量具有超一致性，即OLS估計(jì)量以T-1階收斂于真實(shí)的未知參數(shù)。同時(shí)，眾所周知，在平穩(wěn)序列的回歸中，如果解釋變量與隨機(jī)干擾項(xiàng)不相關(guān)，即解釋變量滿足嚴(yán)格外生性(Strict Exogeneity)時(shí)，OLS估計(jì)量是一致估計(jì)量；如果解釋變量不滿足嚴(yán)格外生性，則OLS估計(jì)不是一致估計(jì)量；而在非平穩(wěn)序列的協(xié)整回歸中，即使解釋變量與隨機(jī)干擾項(xiàng)相關(guān)，則協(xié)整參數(shù)的OLS估計(jì)仍然滿足一致性(Stock,1987[2]；Phillips和Hansen,199
統(tǒng)計(jì)與決策 2012年12期2012-09-26
- 正態(tài)總體方差和標(biāo)準(zhǔn)差的無偏估計(jì)
差及標(biāo)準(zhǔn)差的矩估計(jì)量和極大似然估計(jì)量，討論了兩者之間的關(guān)系，得出兩類估計(jì)量相同，并進(jìn)一步給出無偏估計(jì)量。正態(tài)總體；標(biāo)準(zhǔn)差；方差；無偏估計(jì)0 引言1 正態(tài)總體方差和標(biāo)準(zhǔn)差的估計(jì)設(shè)總體X服從正態(tài)分布N（μ，σ2），可知期望E（X）＝μ［2］，方差D（X）＝σ2，標(biāo)準(zhǔn)差因?yàn)榭傮wX的分布有兩個(gè)未知參數(shù)μ，σ2，所以應(yīng)考慮未知參數(shù)的估計(jì)量。（X1…Xn）是來自該總體正態(tài)的一個(gè)簡單隨機(jī)樣本。1.1 矩估計(jì)量總體一二階原點(diǎn)矩E（X）＝μ，E（X2）＝D（X）＋［E（X）
唐山學(xué)院學(xué)報(bào) 2012年3期2012-09-07
- 使用變異系數(shù)和Kurtosis系數(shù)的雙輔助變量的比估計(jì)
常常被用來提高估計(jì)量的精度，當(dāng)有多個(gè)輔助信息可以利用時(shí)，估計(jì)量的精度會(huì)大幅度提高，如何利用多個(gè)輔助信息來提高估計(jì)的精度成為人們研究的熱點(diǎn)[1～3]。本文擬定義一種使用變異系數(shù)和kurtosis系數(shù)的雙輔助變量的比估計(jì)法，研究這種方法下估計(jì)量的均方誤差，證明在一定條件下這種方法下的估計(jì)量優(yōu)于傳統(tǒng)的使用雙輔助信息的比估計(jì)量，同時(shí)對這些估計(jì)量進(jìn)行比較。1 已有的一些比估計(jì)量1.1 Sisodia and Dwivedi單輔助變量比估計(jì)量[4]設(shè)Y是調(diào)查指標(biāo)，X是
統(tǒng)計(jì)與決策 2012年4期2012-07-24
- 混合分?jǐn)?shù)布朗運(yùn)動(dòng)的赫斯特指數(shù)估計(jì)方法
隨機(jī)理論分析了估計(jì)量的收斂性。具體來說作了以下三方面的工作。首先采用矩估計(jì)方法，結(jié)合二次變差理論，推導(dǎo)出波動(dòng)率由混合分?jǐn)?shù)布朗刻畫下，赫斯特指數(shù)的矩法估計(jì)值。其次，利用混合分?jǐn)?shù)布朗運(yùn)動(dòng)的性質(zhì)和Malliavin隨機(jī)理論研究了該估計(jì)量的收斂性質(zhì)。最后，給出了數(shù)值算例，通過數(shù)值例子說明了本文給出的估計(jì)量的精確性。1 參數(shù)估計(jì)及一致收斂性為了體現(xiàn)金融資產(chǎn)波動(dòng)率的長期記憶性，近年來，許多學(xué)者采用分?jǐn)?shù)布朗運(yùn)動(dòng)刻畫金融資產(chǎn)的隨機(jī)波動(dòng)率，即t時(shí)刻的觀察量滿足：因此：另一方
統(tǒng)計(jì)與決策 2012年4期2012-07-24
- 均勻分布參數(shù)的無偏估計(jì)及其分布
布未知參數(shù)無偏估計(jì)量的分布密度,利用無偏估計(jì)量構(gòu)造出一些新的樣本函數(shù),并且利用給出的樣本函數(shù)推導(dǎo)出了未知參數(shù)的置信區(qū)間.所得到結(jié)果改善了現(xiàn)有的估計(jì),易于計(jì)算.均勻分布;無偏估計(jì)量;區(qū)間估計(jì)均勻分布是概率統(tǒng)計(jì)中的一個(gè)重要分布,在實(shí)踐中廣泛地應(yīng)用于遺傳學(xué)、數(shù)據(jù)誤差分析、可靠性理論、信息處理、通信系統(tǒng)仿真等許多領(lǐng)域中.文獻(xiàn)[1]利用先驗(yàn)分布導(dǎo)出均勻分布未知參數(shù)的Bayes估計(jì)量,文獻(xiàn)[2]給出了區(qū)間(a,b)上的均勻分布區(qū)間長度b-a的置信區(qū)間,文獻(xiàn)[3,4]利
大學(xué)數(shù)學(xué) 2011年3期2011-11-22
- 對稱熵?fù)p失下一類指數(shù)分布族的Bayes估計(jì)
容許估計(jì).3 估計(jì)量cT+d的容許性可以看出，在適當(dāng)?shù)哪尜が敺植枷闰?yàn)分布下，參數(shù)θ的估計(jì)量都有形式cT+d，而形如cT+d的這類估計(jì)的可容許性與c和d的取值有關(guān).下面對c和d的不同取值情況分別進(jìn)行討論.定理3當(dāng)0cc*，d＞0估計(jì)量cT+d是可容許的.證明在對稱熵?fù)p失函數(shù)下，我們證明了θ有唯一的Bayes解:當(dāng)c=0，d＞0時(shí)，估計(jì)量為常值d，若此時(shí)估計(jì)量不可容許，必存在某一個(gè)估計(jì)量δ1(X)優(yōu)于d，即0R(θ，δ1(X))R(θ，d)，對某些θ不等號嚴(yán)格
通化師范學(xué)院學(xué)報(bào) 2011年4期2011-09-25
- 基于二階段抽樣的雙重抽樣框估計(jì)量設(shè)計(jì)
下的二階段抽樣估計(jì)量研究的甚少，其中Casady,Snowden,and Sirken（1981）將Hartley 提出的基于雙重抽樣框的估計(jì)方法應(yīng)用于電話名錄框與區(qū)域框組合抽樣設(shè)計(jì)的分層多階段抽樣[4]，B.C.Saxena,P.Narain,A.K.Srivastava（1984）探討了雙重抽樣框下的二階段抽樣估計(jì)問題，但是只考慮了次級抽樣單元在各域的單位調(diào)查成本相同的情形[5]。在國內(nèi)，由于行政分級的政治模式，多階段抽樣調(diào)查成為實(shí)際中應(yīng)用較廣泛的一種
統(tǒng)計(jì)與決策 2011年15期2011-09-05
- 閾值協(xié)整中內(nèi)生性解釋變量下參數(shù)推斷的比較
，參數(shù)的OLS估計(jì)量所構(gòu)造的檢驗(yàn)統(tǒng)計(jì)量必然呈現(xiàn)不同的性質(zhì)，因?yàn)樵陂撝祬f(xié)整方程式中，隨機(jī)干擾項(xiàng)本身蘊(yùn)含有非線性的自相關(guān)結(jié)構(gòu)，常規(guī)的OLS估計(jì)程序通常會(huì)低估統(tǒng)計(jì)量的標(biāo)準(zhǔn)誤(Standard Error)，從而使得t統(tǒng)計(jì)量被高估，增大拒絕原假設(shè)的概率。同時(shí)由OLS估計(jì)量構(gòu)造的F或Wald統(tǒng)計(jì)量也會(huì)被高估，從而引起協(xié)整參數(shù)推斷的誤導(dǎo)。另外如果在閾值協(xié)整中，解釋變量具有內(nèi)生性時(shí)，同樣的問題是OLS估計(jì)量構(gòu)造的t、F或Wald統(tǒng)計(jì)量不再具有標(biāo)準(zhǔn)的極限分布，其極限分布也
統(tǒng)計(jì)與決策 2011年19期2011-09-05
- 一般抽樣設(shè)計(jì)下的隨機(jī)化調(diào)查技術(shù)
從抽樣設(shè)計(jì)還是估計(jì)量的構(gòu)造，都開始深入到復(fù)雜抽樣調(diào)查中。主要包括Jong-Min Kim等人[9～12]討論了分層抽樣下屬性特征隨機(jī)化調(diào)查理論與方法；Shaul K.等[13]中利用二級連續(xù)抽樣方案改進(jìn)了Warner RRT；Horng-Jinh Chang討論了利用兩個(gè)獨(dú)立的子樣本同時(shí)顧及敏感屬性比例.雖然關(guān)于隨機(jī)化調(diào)查的研究有很多，但是這一方面研究還遠(yuǎn)不夠全面和系統(tǒng),主要體現(xiàn)在這些調(diào)查方法沒有統(tǒng)一的評價(jià)標(biāo)準(zhǔn)并且與抽樣設(shè)計(jì)有關(guān)。在隨機(jī)化調(diào)查中，關(guān)于屬性特
統(tǒng)計(jì)與決策 2011年14期2011-05-18
- Weibull定時(shí)截尾情形下的矩估計(jì)性能
rlo法研究矩估計(jì)量在小樣本量（樣本量不超過10）定時(shí)截尾情形下，對Weibull分布參數(shù)的估計(jì)性能。1 小樣本量Weibull定時(shí)截尾數(shù)據(jù)的特性通過MonteCarlo方法［3］研究Weibull分布下的小樣本量定時(shí)截尾數(shù)據(jù)，發(fā)現(xiàn)有以下規(guī)律［4］：（1）在一定的樣本容量和形狀參數(shù)β下，使得某一失效數(shù)出現(xiàn)概率最大的截尾時(shí)間，可以是某一區(qū)間上的任意取值；（2）對于同一樣本結(jié)構(gòu)（n，r）（n為樣本容量，r為失效數(shù)），不同Weibull分布（形狀參數(shù)β相同，尺度
軸承 2010年9期2010-07-25
- 帶漂移項(xiàng)分?jǐn)?shù)布朗運(yùn)動(dòng)下的參數(shù)估計(jì)
時(shí)間樣本的參數(shù)估計(jì)量，然后用離散時(shí)間樣本逼近[9]；另一種方法是給出過程的離散化形式，然后求出參數(shù)估計(jì)量[10]。然而分?jǐn)?shù)布朗運(yùn)動(dòng)既不是馬氏過程也不是鞅，從而使得傳統(tǒng)的空間狀態(tài)轉(zhuǎn)移模型以及卡爾曼濾波方法不能對其進(jìn)行參數(shù)估計(jì)。本文擬采用極大似然方法對離散模式下帶有漂移項(xiàng)的分?jǐn)?shù)布朗運(yùn)動(dòng)進(jìn)行參數(shù)估計(jì)，并研究估計(jì)量均方收斂性和一致收斂性。本文采用隨機(jī)游走逼近分?jǐn)?shù)布朗運(yùn)動(dòng)，從而將傳統(tǒng)的鞅方法應(yīng)用與分?jǐn)?shù)布朗運(yùn)動(dòng)下的參數(shù)估計(jì)。具體來說主要將做以下三方面的工作。首先采用極
統(tǒng)計(jì)與決策 2010年12期2010-05-18
- 長方體上均勻分布的密度函數(shù)
了長方體體積的估計(jì)量、估計(jì)量的點(diǎn)估計(jì)及估計(jì)量的密度函數(shù).估計(jì)量;均勻分布;密度函數(shù);長方體1 引言均勻分布上概率統(tǒng)計(jì)中的重要分布,具有廣泛的應(yīng)用價(jià)值.由于隨機(jī)取的點(diǎn)集被廣泛應(yīng)用于許多概率模型中,如:流行病學(xué)、遺傳學(xué)及交通理論等.因此,均勻分布及其相關(guān)統(tǒng)計(jì)量的研究也引起了眾多學(xué)者的關(guān)注.如X～U(a,b)(a＜b,a,b均為未知參數(shù)),設(shè)X1,X2,···,Xn是X的簡單隨機(jī)樣本,關(guān)于參數(shù)a,b的估計(jì)量,人們更為關(guān)注的是它們的極大似然估計(jì)量文[1-2]曾研究