期刊文献+
共找到11篇文章
< 1 >
每页显示 20 50 100
部分线性变系数空间自回归模型的惩罚轮廓拟最大似然方法
1
作者 李体政 方可 《工程数学学报》 CSCD 北大核心 2024年第4期659-676,共18页
主要研究了部分线性变系数空间自回归模型的变量选择问题。结合拟最大似然方法、局部线性光滑方法以及一类非凸罚函数,提出了一个变量选择方法用于同时选择该模型的参数部分中重要解释变量和估计相应的非零参数。大量模拟研究表明,所提... 主要研究了部分线性变系数空间自回归模型的变量选择问题。结合拟最大似然方法、局部线性光滑方法以及一类非凸罚函数,提出了一个变量选择方法用于同时选择该模型的参数部分中重要解释变量和估计相应的非零参数。大量模拟研究表明,所提出的变量选择方法具有满意的有限样本性质,并且关于空间权矩阵的稀疏度、空间相关强度、系数函数的复杂度以及误差分布的非正态性非常稳健。特别地,当样本容量较大且罚函数选择合适时,即使解释变量的相关性较强或者模型中含有较多不重要解释变量,所提出的变量选择方法仍然具有比较满意的有限样本性质。通过分析波士顿房屋价格数据考察了所提出的变量选择方法的实际应用效果。 展开更多
关键词 空间相关 部分线性变系数空间自回归模型 拟最大似然方法 局部线性光滑方法 惩罚似然方法
下载PDF
部分线性空间自回归模型的惩罚最小二乘方法
2
作者 程瑶瑶 李体政 《工程数学学报》 CSCD 北大核心 2024年第2期294-310,共17页
部分线性空间自回归模型因具有参数空间自回归模型的解释能力和非参数空间自回归模型的灵活性而成为一类备受关注的半参数空间自回归模型。主要研究部分线性空间自回归模型的变量选择问题,基于轮廓拟最大似然方法和一类非凸罚函数,提出... 部分线性空间自回归模型因具有参数空间自回归模型的解释能力和非参数空间自回归模型的灵活性而成为一类备受关注的半参数空间自回归模型。主要研究部分线性空间自回归模型的变量选择问题,基于轮廓拟最大似然方法和一类非凸罚函数,提出了一类惩罚最小二乘方法同时选择该模型的参数部分中重要解释变量和估计相应的非零回归系数。在适当的正则条件下,推导了回归系数的惩罚估计的收敛速度,并证明了所提出的变量选择方法具有Oracle性质。模拟研究和实际数据分析均表明所提出的变量选择方法具有满意的有限样本性质。 展开更多
关键词 空间相关 部分线性空间自回归模型 轮廓拟最大似然方法 非凸罚函数
下载PDF
前向神经网络:一个新的非参数回归方法 被引量:2
3
作者 李体政 曹艳平 李阳 《纺织高校基础科学学报》 CAS 2009年第2期207-211,共5页
从统计建模的观点,前向神经网络可以看作是一个新的非参数回归方法.通过模拟例子和实际例子对前向神经网络和局部多项式光滑方法的有限样本行为进行了对比,结果表明前向神经网络稍微优于局部多项式光滑方法.此外,对前向神经网络的优点... 从统计建模的观点,前向神经网络可以看作是一个新的非参数回归方法.通过模拟例子和实际例子对前向神经网络和局部多项式光滑方法的有限样本行为进行了对比,结果表明前向神经网络稍微优于局部多项式光滑方法.此外,对前向神经网络的优点和存在的问题进行了深入讨论. 展开更多
关键词 前向神经网络 非参数回归模型 局部多项式光滑
下载PDF
随机删失下半参数回归模型中估计的渐近性质
4
作者 李体政 陈清江 刘勇 《纺织高校基础科学学报》 CAS 2008年第2期223-229,共7页
考虑半参数回归模型Yi=xiβ+g(ti)+iσiε,i=1,2,…,n,其中2iσ=f(ui).当Yi因受某种随机干扰而被随机右删失时,就删失分布未知的情形,利用所获得的删失数据定义了β与g(t)的估计^βn和^gn(t),在适当的条件下,证明了^nβ的渐近正态性,同... 考虑半参数回归模型Yi=xiβ+g(ti)+iσiε,i=1,2,…,n,其中2iσ=f(ui).当Yi因受某种随机干扰而被随机右删失时,就删失分布未知的情形,利用所获得的删失数据定义了β与g(t)的估计^βn和^gn(t),在适当的条件下,证明了^nβ的渐近正态性,同时得到了^gn(t)的最优收敛速度. 展开更多
关键词 随机删失 半参数回归模型 渐近正态性 最优收敛速度
下载PDF
固定设计下部分线性模型中小波估计的相合性
5
作者 李体政 范建华 《兰州理工大学学报》 CAS 北大核心 2009年第4期149-153,共5页
在固定设计下研究部分线性模型中回归参数β和回归函数g(t)的估计问题.利用小波光滑方法和最小二乘方法构造β和g(t)的小波估计,在适当的条件下,证明它们均具有强相合性和p p≥2阶平均相合性.
关键词 部分线性模型 小波估计 强相合性 平均相合性
下载PDF
Burr XII分布参数的经验Bayes估计的渐近最优性 被引量:5
6
作者 彭家龙 杜伟娟 +1 位作者 袁莹 李体政 《数学杂志》 CSCD 北大核心 2013年第1期167-174,共8页
本文研究了Burr XII分布参数的经验Bayes估计问题.利用密度函数的递归核估计,构造了参数的经验Bayes(EB)估计,在适当的条件下证明了所提出的EB估计是渐近最优的,并获得了它的收敛速度.
关键词 BURR XII分布 递归核估计 经验BAYES估计 渐近最优性 收敛速度
下载PDF
Lindley分布参数的经验Bayes检验的收敛速度 被引量:8
7
作者 杜伟娟 彭家龙 李体政 《统计与决策》 CSSCI 北大核心 2012年第21期23-26,共4页
文章讨论了独立同分布样本情形下Lindley分布参数的经验Bayes(EB)单侧检验问题。利用密度函数的递归核估计构造了参数的EB检验函数,在适当条件下证明了所提出的EB检验函数的渐近最优性,并获得了其收敛速度。
关键词 Lindley分布 递归核估计 经验BAYES检验 渐近最优性 收敛速度
下载PDF
关于四次剩余码及其推广 被引量:3
8
作者 高丽 李体政 封利锋 《天津师范大学学报(自然科学版)》 CAS 2003年第1期37-39,共3页
设p,q是两个不同的素数且p≡1(mod4),qp-14≡1(modp),β是Fp中的一个本原元素,α是Fq的某个扩域中的一个本原p次单位根.令R0={β4i(modp)|1≤i≤p-14},g0(x)=∏j∈R0(x-αj).Fq上长度为p,由g0(x)生成的循环码称为四次剩余码,证明了这样... 设p,q是两个不同的素数且p≡1(mod4),qp-14≡1(modp),β是Fp中的一个本原元素,α是Fq的某个扩域中的一个本原p次单位根.令R0={β4i(modp)|1≤i≤p-14},g0(x)=∏j∈R0(x-αj).Fq上长度为p,由g0(x)生成的循环码称为四次剩余码,证明了这样码的极小距离d≥4p,并且将本结论推广到任意自然数n(n≥5). 展开更多
关键词 循环码 剩余码 极小距离
下载PDF
变系数空间自回归模型的Bootstrap检验 被引量:1
9
作者 杜颖 李体政 《工程数学学报》 CSCD 北大核心 2021年第4期539-552,共14页
变系数空间自回归模型是变系数模型在空间数据分析方面的推广,因其众多的应用背景而得到广泛的重视和研究,确认模型中系数是否真正随变量的变化而变化是应用变系数空间自回归模型需解决的首要问题.本文基于Bootstrap检验方法研究了变系... 变系数空间自回归模型是变系数模型在空间数据分析方面的推广,因其众多的应用背景而得到广泛的重视和研究,确认模型中系数是否真正随变量的变化而变化是应用变系数空间自回归模型需解决的首要问题.本文基于Bootstrap检验方法研究了变系数空间自回归模型中的常系数项的辨别问题,为建立半变系数空间自回归模型提供依据.最后,通过模拟试验验证Bootstrap检验方法在有限样本容量下的有效性.数值模拟分别考察了误差项服从不同分布、空间滞后相关系数变化以及解释变量共线性程度不同时,Bootstrap方法逼近其零分布的准确性以及检验的功效.模拟结果表明本文所提出的Bootstrap方法能精确地逼近检验统计量的零分布且检验具有满意的功效. 展开更多
关键词 变系数空间自回归模型 Bootstrap检验 常系数 空间相关性
下载PDF
基于条件信息量一致决策表的属性约简
10
作者 李体政 高红星 《纺织高校基础科学学报》 CAS 2005年第1期83-86,共4页
提出了决策表中决策属性相对于条件属性的条件信息量的概念,由此从信息量角度给出了一致决策表的属性约简方法,并且证明了该方法与属性约简的代数方法是一致的.通过实例表明该方法是可行的和有效的.
关键词 粗糙集理论 一致决策表 信息量 条件信息量 属性约简
下载PDF
无限格与其非标准扩张
11
作者 马春晖 史艳维 +1 位作者 李生刚 李体政 《模糊系统与数学》 CSCD 北大核心 2012年第6期92-97,共6页
在非标准κ-饱和模型下,研究了无限格L的非标准扩张*L的性质及其在L-集滤子理论中的应用。首先,定义了κ-完备格的概念,讨论了完备格与κ-完备格之间的关系,证明了无限格L的非标准扩张*L是κ-完备格。其次,定义了L-集滤子的单子,利用κ... 在非标准κ-饱和模型下,研究了无限格L的非标准扩张*L的性质及其在L-集滤子理论中的应用。首先,定义了κ-完备格的概念,讨论了完备格与κ-完备格之间的关系,证明了无限格L的非标准扩张*L是κ-完备格。其次,定义了L-集滤子的单子,利用κ-完备格证明了此定义是合理的。最后,利用L-集滤子的单子给出了L-集滤子族上确界存在的充分且必要条件。 展开更多
关键词 非标准κ-饱和模型 κ-完备格 单子 上确界
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部