1 |
逐次估計之研究陳明山, CHEN, MING-SHAN Unknown Date (has links)
本文共一冊,約三萬五千餘字,全文分七章。第一章為緒論,說明研究動機與研究範
圍。第二章討論到底『逐次抽樣』比『固定樣本數抽樣』能獲益多少。第三章討論逐
次抉擇法則。統計學家逐次的抽取樣本,決定什麼時候停止抽樣;若停止抽樣,應採
取那一種終結行動。他的目標是使抽樣的費用加上決策損失的期望為最小。『貝氏』
和『大中取小』逐次抉擇法則是兩個較基本而重要的逐次抉擇法則,將分別在第四章
和第五章討論。第六章將探討逐次機率比檢定問題,它在逐次估計問題上是很基本而
重要的,本文將探討其一些基本而重要的特性。第七章為結論,說出本文研究結果,
並提出一些今後值得進一步研究的問題。
|
2 |
具有訊息的遺失資料計算方法之比較羅文宜 Unknown Date (has links)
對於處理部份區分或是失去部分訊息資料的類別抽樣的問題,在許多領域裡皆有許多的應用。貝氏方法雖可處理這類問題,但是貝氏方法對這類問題的計算相當耗時,因此對於這種問題的後驗估計,Jiang (1995) 及 Jiang and Dickey (2005) 提出quasi-Bayes方法,Jiang and Ko (2004)利用Gibbs sampler來近似(approximate)這些後驗估計值。但是這兩種近似方法的優劣,因為貝氏方法計算上的困難,一直沒有任何文章作這方面的比較,本文突破計算上的某些限制,在小樣本時,對這兩種近似方法的近似度(相對於真正的貝氏值)作比較,進一步探討使用兩種比較方法的優劣。
|
3 |
雙重抽樣之貝氏最佳樣本與子樣本數選取的特例梁淑真, LIANG, SHU-ZHEN Unknown Date (has links)
我們常常希望去估計一個大母體中各種不同領域內的參數值,而在抽樣實驗之前整個
母體無法被分層。當實驗的總預算有限,若選取一組簡單隨機樣本來估計這些母體參
數,可能不是一個佷嚴密的推定量,因此實驗者必須先決定一個有效、可行的抽樣方
法。
在本文中採取雙重抽樣的原理抽取樣本,而想要估計的母體參數是母體第j領域所佔
全母體的成數,並在固定的預算下討論貝氏最佳樣本與子樣本數的選取。
SMITH 及SEDRANSK(1982)利用雙重抽樣法研究魚群體的年齡組成,並解決了二
個問題(1)利用貝氏法,估算第j領域年齡的魚群所佔全體魚群的成數。(2)當
總預算固定,並給定第一階段樣本數n'及其分配
n' =(n' ,n' ,---n' )
1 2 i
說明如何選取最佳的貝氏子樣本數分配,n*= n* ,n* ,---n* ) 使得近
1 2 i
似的風險函數r*(n',{ni'},{ni} 最小,其中
0≦ni≦ni'(i=1,2,---I)
而後JINN, SEDRANSK, SMITH(1987) 延續以上結果,利用電腦模擬取樣,在必
然的nL'≦n'≦nU' 條件下,說明如何取得最佳的n'使得
A(n')=En'ln'{r*(n',n',n。*)} 最小.
由於上述方法在一般情況下無法求得A(n') 的明確數學式,因此n'也就無法用式子表
示出來。
本文首先考慮I=2的特殊情況,在這情況下舉一些例子說明如何求得A(n') 的明確
數學式,並由此求出最佳的貝氏解n'。其次導出一些充分條件使得在忽略限制條件下
由LAGRANGE乘數法所得的解n=(n1,n2)分別滿足(1)0≦ni≦ni'或(2)
ni≦ni'(i=1,2). 最後在(1) 或 (2)成立的充分條件下,導出A(n')的
數學式,進而求得最佳貝氏解n'。
|
4 |
實證的貝氏理論在統計決策問題上之研究王宏鈴, Wang, Hong-Ling Unknown Date (has links)
本文主要討論實證的貝氏決擇在實證的貝氏領域裡的一些重要問題。全文分七章, 摘
要如下:
第一章為總論。
第二章討論簡單的實證貝氏決擇的基本觀念。
第三章討論實證貝氏的漸近最佳性, 並其在統計檢定問題上之應用。
第四章討論實證的貝氏法則的效率問題, 並舉例說明平滑的實證貝氏法則求法。
第五章討論連續型分配的實證貝氏法則觀念, 並以實際數字上的計算比較, 和非貝氏
推定量T 。
第六章更進一步地, 討論混合決擇函數在實證的貝氏理論應用的問題。
第七章結論, 說出研究的結果, 並提出繼續發展的問題。
|
5 |
分析失去部分訊息的貝氏更新計算方法 / Bayesian updating methods for the analysis of censored data.范靜宜, Fan, Gin-Yi Unknown Date (has links)
對於使用貝氏法來處理部份區分(partially-classified)或是失去部分訊息資料的類別抽樣(categorical sampling with censored data),大多建立在「誠實回答」(truthful reporting)以及「無價值性失去部分訊息」(non-informative censoring)的前提下。Jiang(1995)及Jiang and Dickey(2006)取消以上兩個限制,提出貝氏解並利用準貝氏法(quasi-Bayes)來求近似解,而Jiang and Ko(2004)也利用吉氏取樣器(Gibbs sampler)來近似這類問題的貝氏解。本文首先嘗試利用Kuroda, Geng and Niki(2001)所提的“平均變異數和(average variance sum)”估計法
來應用到我們問題的貝氏解。在小樣本時,數值上我們可求得貝氏解,因此本文另一個重點為在小樣本時比較以上三種方法估計值的準確性,並考慮先驗參數(prior)的選取對估計的影響。
本文更進一步證明若選取到某種特殊的先驗參數時,利用“平均變異數和”的方法所計算出來的結果會和
準貝氏法的估計結果相同,而且皆等於用貝氏法計算出的結果。
|
Page generated in 0.016 seconds