由于混合时间序列模型具有拟合多峰数据的特点,因此在近些年得到广泛地应用.本文提出的高斯混合自回归条件异方差模型(Gaussian mixture autoregressive-autoregressive conditional heteroscedastic,简称GMAR-ARCH)也是混合时间序列模型中的一种.在以往的混合AR-ARCH中,权重项为与时间无关的变量.尽管这样的模型已经取得较好的效果,但是以往的混合ARARCH模型中只给出了在阶数为特定值时的高阶平稳条件,没有给出平稳分布的具体形式以及遍历性的证明.在本文中将权重项改为与时间滞后项相关的函数后,不仅使模型在实际中继承了混合模型拟合多峰数据的特点,从理论层面亦可以得到平稳分布的密度函数,根据Markov链的理论证明了遍历性,给出了似然函数并证明了相合性,用极大似然方法给出了参数估计,并进行了数值模拟,模拟的结果表明估计值具有较小的均方误差.  (本文共32页) 本文目录 | 阅读全文>>

通常情况下对分布族进行扩展,可以增加指数分布族在应用上的灵活性,这一过程在许多国内外的文献中都有所涉及。在扩展分布族的研究中,学者Marshall和Olkin提出一种扩展分布族的新方法,即将分布族中增加一个参数。根据这种方法得到了Fréchet分布Marshall-Olkin扩展形式即Marshall-Olkin Fréchet分布。在本篇文章中,主要针对Marshall-Olkin Fréchet分布参数的极大似然估计和应用进行研究。首先,重点研究扩展型分布族Marshall-Olkin Fréchet分布参数的极大似然估计问题。其中,包括部分参数已知时未知参数的极大似然估计,在截尾样本下未知参数的极大似然估计,以及在序约束下多个Marshall-Olkin Fréchet分布总体参数的极大似然估计。在此同时,利用MATLAB语言将喷气式飞机空调系统连续故障间隔时间的真实数据代入,求解参数的极大似然估计值,据此推断空调的故障率...  (本文共56页) 本文目录 | 阅读全文>>

云模型是一种不确定性的模型,其应用十分广泛,包括智能控制、数据挖掘,尤其是在多属性决策和分析评价领域占有重要的地位。这些应用领域大部分将精确的数量值变为定性的语言值,而逆向云算法就是实现了这种转换,所以研究逆向云算法有十分重要的意义。逆向云算法是依据给定的算法步骤还原出云模型的三个数字特征:期望、熵、超熵。本文在“矩估计法有信息量的损失,极大似然估计法精度更高”这一理论下,提出了基于极大似然估计理论的逆向云算法,并且通过仿真实验对常用的逆向云算法和基于极大似然估计的逆向云算法加以比较。仿真结果表明,基于极大似然估计的逆向云算法以较高的精度还原云模型的数字特征值。经典的云参数的估计方法有矩估计法和极大似然估计法,二者都是在将样本均值作为期望的估计值的前提下,分别求得熵和超熵的矩估计和极大似然估计。在期望不是一个未知参数,而是一个随机变量,且分布已知的假设下,应用贝叶斯理论,得到期望的后验分布及其后验估计,并基于期望的后验估计求得熵...  (本文共42页) 本文目录 | 阅读全文>>

本文对应用统计中的一道极大似然估计题,利用极大似然估计的一般步...  (本文共2页) 阅读全文>>

指出Γ-分布形状参数α的修正极大似然估计αL的值可以用...  (本文共3页) 阅读全文>>

极大似然估计具有很好的性质,在实际中有非常广泛的应...  (本文共2页) 阅读全文>>