关于最大似然估计的教学

通过浅显事例说明最大似然原理,给出最大似然估计的主要方法。     

对数正态分布参数的最大似然估计

利用最大似然估计法求出了对数正态分布两个参数的估计量，并讨论了它们的无偏性和相合性。     

最大似然估计在回归分析中的应用

本文旨在利用最大似然估计这一方法来考虑当线性回归模型不成立时因变量的指数和对数变换问题,解决了对数变换时未知参数的确定原则并给出利用统计软件SPSS加以求解的方法,给出了对数变换未知参数的解析式并得到了帽子矩阵的一些性质。     

线性模型中的最大似然估计的通有稳定性

本证明了线性模型中回归系数的最大似然估计关于随机误差的通有稳定性。     

最大似然估计法浅谈

本文介绍了最大似然估计法,它是基于所给样本 在分布函数形式已知情况下未知参数估计的一类方法。鉴于 学生对此方法理解存在难度’我们首先通过简单实例引入最大 似然原理,然后应用最大似然原理解决点估计问题,最后总结 出最大似然估计法的一般步骤。     

极大似然估计的教学设计之我见

本文按照将学习的主动权还给学生的指导思想,提出极大似然估计这节课的课堂教学过程设计。     

最大似然估计的若干难题与解析

任课教师在教学时除了要注重讲解最大似然估 计的基本思想和一般解法,还有必要增加一些有难度的灵活题 型作为补充。这样既调动了学生的学习积极性,拓宽了知识 面,也有助于提高学生分析和解决问题的能力。     

经验似然中无偏估计函数的选择问题

由Owen(1988)提出的经验似然是一种重要的统计方法．本文主要研究经验似然的基础之一——无偏估计函数的选择问题。为此，定义了基于最优无偏估计函数的最优经验似然，得到了最优无偏估计函数的性质，研究了最优无偏估计函数的构造方法．最后，将这种方法推广到拟似然。     

基于重要性采样的最大似然时延估计算法

针对多径环境中的时延估计,提出了一种基于重要性采样概念的算法。该算法利用蒙特卡罗算法(MC)对未知参数的分布函数抽样,获得简化似然函数的全局最优解,进而通过计算样本均值直接得到参数估计结果。该方法避免了耗时较长的多维网格搜索和对初值较为敏感的迭代算法,且能够无条件收敛至全局最优值。仿真结果表明,在相同样本条件下,该算法相比于EM、MUSIC算法,不仅消除了对初值的依赖性,也获得了更接近克拉美罗界(CRLB)的仿真结果。将该算法与其他多种算法进行计算复杂度分析后发现,IS-based算法较其他算法更为简单,计算量更低,具有较为重要的工程应用价值。     

极大似然估计的性质探讨

文章首先介绍了极大似然估计,然后综述了极大似然估计的优良性质,同时探讨了在应用极大似然估计时所应注意的问题。     

Maximum Likelihood Estimation: for the Multinomial Distribution

In a first course in mathematical statistics or categorical data analysis, the maximum likelihood estimators of the parameters of the multinomial distribution are often “derived” using calculus. However, the important step of verifying that the resulting estimators indeed maximize the likelihood is omitted or done incorrectly. In this paper, two simple methods of obtaining the maximum likelihood estimates are presented.     

极大似然估计及其应用

讨论了极大似然估计原理及求法,说明了极大似然估计在不同分布和参数空间的应用,阐述了生命表中在单风险非完整样本数据环境中表格生存模型的极大似然估计方法．     

矩法估计与极大似然估计的比较

以二项分布为例,讨论了其分布参数的矩法估计与极大似然估计,并比较了两种估计的优良性质,主要讨论它们的一致性、无偏性和有效性．     

二项分布中p~2的矩估计与极大似然估计

基于二项分布B(n,p)总体,给出了未知参数p2的矩估计和极大似然估计,并讨论了估计量的无偏性。     

Implementing Restricted Maximum Likelihood Estimation in Structural Equation Models

Structural equation modeling (SEM) is now a generic modeling framework for many multivariate techniques applied in the social and behavioral sciences. Many statistical models can be considered either as special cases of SEM or as part of the latent variable modeling framework. One popular extension is the use of SEM to conduct linear mixed-effects modeling (LMM) such as cross-sectional multilevel modeling and latent growth modeling. It is well known that LMM can be formulated as structural equation models. However, one main difference between the implementations in SEM and LMM is that maximum likelihood (ML) estimation is usually used in SEM, whereas restricted (or residual) maximum likelihood (REML) estimation is the default method in most LMM packages. This article shows how REML estimation can be implemented in SEM. Two empirical examples on latent growth model and meta-analysis are used to illustrate the procedures implemented in OpenMx. Issues related to implementing REML in SEM are discussed.     

均匀分布场合下参数的极大似然估计

针对不同区间上的均匀分布,应用次序统计量,给出了未知参数的极大似然估计,并讨论了估计量的无偏性。     

最大似然估计阈值法对超声回波消噪的研究

针对超声脉冲信号具有的概率密度稀疏分布特性,提出了基于离散小波变换的最大似然估计阈值处理法,并与现有的软阈值处理消噪相比较,表明该方法效果良好．     

Γ-分布形状参数的修正极大似然估计

指出Γ-分布形状参数α的修正极大似然估计(α)L的值可以用普赛函数Ψ(·)的反函数来计算,证明了(α)L是α的强相合估计,而且(α)L渐近地服从正态分布.