项目名称: 似然方法的有限样本研究

项目编号: No.11161054

项目类型: 地区科学基金项目

立项/批准年度: 2012

项目学科: 数理科学和化学

项目作者: 张进

作者单位: 云南大学

项目金额: 45万元

中文摘要: 统计分析的关键及可靠性在于统计模型能否准确地描述或拟合样本数据。统计模型分参数和非参数模型两大类,其中,参数模型的理论比较完善且应用广泛。参数模型的拟合优度取决于模型参数的优良性。因此,对模型参数的估计、检验及推断至关重要,将直接影响统计分析的准确性与可靠性。对此,似然方法与Bayes方法是最流行的统计推断方法。似然方法在理论上具有大样本最优性,但对实际中有限样本的表现却不得而知。而Bayes方法对有限样本具有风险最小性,但计算复杂且难以确定先验分布。本项目将把传统的似然方法与现代的Bayes方法相结合,研究在有限样本下优良、可靠的参数统计推断方法,并通过密度估计用似然方法建立精确的非参数统计推断方法。这是统计学中一项具有重要理论意义和广泛实际背景的研究课题。研究成果既可广泛应用于数据分析中以提高统计推断、预测或决策的精确度及可靠性,又可丰富和发展参数统计和非参数统计的理论。

中文关键词: 参数估计;非参数统计;似然方法;Bayes 方法;密度估计

英文摘要:

英文关键词: Parameter estimation;nnonparametric statistics;likelihood method;Bayesian method;density estimation

成为VIP会员查看完整内容
0

相关内容

专知会员服务
112+阅读 · 2021年10月6日
专知会员服务
20+阅读 · 2021年9月23日
专知会员服务
47+阅读 · 2021年8月29日
【IJCAI2021】​单样本可供性检测
专知会员服务
9+阅读 · 2021年8月27日
专知会员服务
18+阅读 · 2021年8月15日
专知会员服务
87+阅读 · 2021年7月9日
专知会员服务
134+阅读 · 2020年12月3日
变分贝叶斯深度学习综述
PaperWeekly
6+阅读 · 2022年3月21日
再谈变分自编码器(VAE):估计样本概率密度
PaperWeekly
3+阅读 · 2021年12月23日
【机器学习】深入剖析机器学习中的统计思想
产业智能官
14+阅读 · 2019年1月24日
变分自编码器VAE:一步到位的聚类方案
PaperWeekly
25+阅读 · 2018年9月18日
贝叶斯机器学习前沿进展
架构文摘
12+阅读 · 2018年2月11日
基于信息理论的机器学习
专知
21+阅读 · 2017年11月23日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
5+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2008年12月31日
Arxiv
19+阅读 · 2020年7月21日
Arxiv
108+阅读 · 2020年2月5日
Arxiv
19+阅读 · 2018年6月27日
小贴士
相关主题
相关VIP内容
专知会员服务
112+阅读 · 2021年10月6日
专知会员服务
20+阅读 · 2021年9月23日
专知会员服务
47+阅读 · 2021年8月29日
【IJCAI2021】​单样本可供性检测
专知会员服务
9+阅读 · 2021年8月27日
专知会员服务
18+阅读 · 2021年8月15日
专知会员服务
87+阅读 · 2021年7月9日
专知会员服务
134+阅读 · 2020年12月3日
相关资讯
变分贝叶斯深度学习综述
PaperWeekly
6+阅读 · 2022年3月21日
再谈变分自编码器(VAE):估计样本概率密度
PaperWeekly
3+阅读 · 2021年12月23日
【机器学习】深入剖析机器学习中的统计思想
产业智能官
14+阅读 · 2019年1月24日
变分自编码器VAE:一步到位的聚类方案
PaperWeekly
25+阅读 · 2018年9月18日
贝叶斯机器学习前沿进展
架构文摘
12+阅读 · 2018年2月11日
基于信息理论的机器学习
专知
21+阅读 · 2017年11月23日
相关基金
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
5+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员