导读:本文包含了置信区间论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:区间,样本,参数,数据,组合,分布式,误差。
置信区间论文文献综述
李新旭,唐智敏,辛晓娜,王骏[1]（2019）在《对药物临床试验中置信区间法预设检验界值的考虑》一文中研究指出优效、等效和非劣效试验是药物临床试验中广泛应用的试验方法。其置信区间法的预设检验界值是事关这些试验成功与否的关键因素之一。检验界值设定不当将会推断出错误的试验结论。为了促使药品临床试验的检验界值设定更加科学合理,本文阐述了对3种试验方法的检验界值概念、度量类型、设定条件、设定方法、对称性问题以及检验界值分别与P值和样本量之间关系的考虑。(本文来源于《中国临床药理学杂志》期刊2019年19期）
王维贤,田茂再[2]（2019）在《鞍点逼近下相关差的置信区间构造》一文中研究指出相关差是医学中常用的重要指标,慢性病发病常用Poisson分布来拟合.使用鞍点逼近方法构造了相关差的置信区间,同时与传统的4种置信区间的构造方法,利用Monte Carlo模拟进行比较,最后用于实际数据分析.结果表明,鞍点逼近方法在大多数情况下,覆盖率较接近名义水平;在覆盖率差别不大时,鞍点逼近方法构造的区间长度较短;尤其在小样本下,鞍点逼近方法表现最好.所以鞍点逼近是统计量置信区间构造的一个好方法,可在各个领域内进行推广.(本文来源于《高校应用数学学报A辑》期刊2019年03期）
夏丽丽,田茂再,朱钰[3]（2019）在《二项分布下基于鞍点逼近的总体成数置信区间的构造》一文中研究指出面对总体成数置信区间的估计问题,可以采用二项分布下基于鞍点逼近的方法来构造总体成数的置信区间,这种方法为总体成数的区间估计提供了一种新的途径,将其和传统的区间估计方法比较,即正态近似法和枢轴量法进行比较。蒙特卡洛模拟和实例分析的结果为:在几种不同的置信区间构造方法中,小样本情况下,鞍点逼近方法构造的总体成数的置信区间长度相对较短,覆盖率最接近名义水平;大样本下,鞍点逼近方法整体表现最优。因此,可以得到鞍点逼近法对总体成数置信区间的估计较为精确,尤其是小样本情况下更为适用的结论。(本文来源于《统计与信息论坛》期刊2019年09期）
李云飞,程绩[4]（2019）在《双参数指数分布尺度参数基于样本分位数的置信区间》一文中研究指出文章针对双参数指数分布,讨论了其尺度参数在不完全数据场合的区间估计问题。利用能够有效抵抗异常数据污染的样本分位数构造了枢轴量,推导出了枢轴量精确的概率分布,得到了相应的精确置信区间;在大样本场合,讨论了尺度参数的近似置信区间。最后给出两个数值例子进行了算例分析,结果表明针对尺度参数构造的置信区间可以抵抗样本中异常数据的污染,具有一定程度的稳健性。(本文来源于《统计与决策》期刊2019年17期）
徐莹[5]（2019）在《一种新的单样本率的置信区间估计方法》一文中研究指出背景:在医学研究领域,以二分类数据为结局的资料类型十分常见。对于此类数据的分析,应用中通常会给出效应量及效应量的置信区间,其中最常用的效应量包括:率、率差、率比、优势比等。单样本率的置信区间估计方法较多,以Wilson Score法的应用最为广泛,但均存在极端率情形下(接近0%或100%)置信区间覆盖率急剧下降的情况,即“downward spikes”现象。此外,不同方法还有着自身的局限,如Agresti-Coull提出的对于样本成功例数和失败例数分别加2的Agresti and Coull add 4 CI以及于样本成功例数和失败例数分别加z2的Agresti and Coull add z2 CI,Guan提出的广义Score法(Generalized Score CI),以及Yu提出的基于中点校正的Score法(Improved Score interval with a Modified Midpoint)等,虽然从不同的方面对Wilson Score CI有所改善,但是仍存在覆盖率不稳定、区间宽度过大等问题。在精确法中,Clopper-Pearson CI可以保证区间覆盖率不低于所设定的检验水准,但是该方法过于保守,Mid-P CI相对于Clopper-Pearson CI有所改善,但是结果仍较保守,而且精确法的计算量大,在应用上受到了一定的限制;Rubin和Schenke基于贝叶斯理论提出了Jeffrey CI,该方法能够解决在极端率的情况下区间覆盖率急剧下降的问题,但是其区间估计的结果过于保守,而且当事件发生率不接近0或者1时同样会出现“downwardspikes”现象。因此,目前并没有一种公认较好的单样本率的置信区间估计方法。两独立样本率差置信区间的构建相对于单样本率的情况更加复杂,虽然当前已有数十种方法被提出,但是这些方法自身均存在一定的不足。目前最常用的是Newcombe与1998年提出的Newcombe-Wilson Score CI,这种方法也受到了美国临床实验室标准化协会以及FDA指南的推荐。但是,当率接近0或100%的时候,Newcombe-Wilson Score CI较为保守。目的:本研究旨在基于Cornish-Fisher展开式结合Score法思想提出一种新的单样本率置信区间构建方法,并进一步将新方法推广到两独立样本率差置信区间的构建中,以期较现有方法的统计性能有明显改善。方法:(1)新方法的提出Comish-Fisher展开式是一种用于估计概率分布分位数的渐近展开方法,由Cornish和Fisher两位着名统计学家于1960年提出。其主要思想是通过概率分布的前n阶累积量和标准正态分布的分位数来近似估计概率分布的分位数。Wilson Score CI在极端率的条件下可能会出现覆盖率急剧下降的问题,其主要原因是当事件发生率接近0或1时,二项分布并非近似服从正态分布。因此,本研究考虑提出一种新的置信区间构建思想,在构建单样本率的置信区间时,舍弃传统的正态近似法,直接采用Cornish-Fisher展开式估计二项分布的分位数,希望以此避免近似正态分布时产生误差,提高结果的精确性。本研究将基于这种新思想构建的单样本率的置信区间命名为Cornish-Fisher CI。MOVER法(Method of Variance Estimate Recovery)是一种常用的率差/率比置信区间的构建策略,其主要思想是通过方差重估计(Variance Estimate Recovery)的方法将单样本率的置信区间“杂交”成两样本率差/率比的置信区间。我们将本研究提出的置信区间构建思想结合MOVER法构建出一种新的两独立样本率差的置信区间,并命名为Cornish-Fisher hybrid CI。(2)模拟研究在比较各种置信区间估计方法的优劣时,采用的评价指标包括置信区间的区间覆盖率、置信区间宽度、尾侧不覆盖率及其比值、最小区间覆盖率、均方误、平均置信区间宽度以及方法的计算复杂程度。对于单样本率的置信区间估计,本研究共纳入8种常见的方法包括:Wilson Score CI、Wald CI、Modified Midpoint CI、Generalized Score Cl、Agresti-Coull add z2 CI、Jeffrey CI、Mid-P CI、Randomized Plausible Interval,与新方法Cornish-Fisher CI进行模拟比较。对于两独立样本率差的置信区间估计,本研究重点考察当前使用最广泛的方法Newcombe-Wilson Score CI与新方法Cornish-Fisher hybrid CI 的优劣。结果:对于单样本率的置信区间估计,本研究提出的新方法在平均置信区间覆盖率、均方误及平均置信区间宽度等方面均表现最优,即在纳入比较的几种方法中,新方法在保证平均置信区间覆盖率的情况下,它的均方误及平均置信区间宽度是最小的。对于两独立样本率差的置信区间估计,当两事件发生率π1和π2接近0或1,即在(0,0.2](?)[0.8,1)范围内时,当前广泛推荐使用的Newcombe-Wilson Score CI存在过保守的问题,本研究新提出的Cornish-Fisherhybrid CI平均置信区间宽度小于Newcombe-Wilson Score CI,同时新方法的平均置信区间覆盖率更优,更接近置信水准1-α,故推荐使用新方法。结论:当事件发生率小于20%或大于80%时,本研究提出的置信区间估计新方法较常用的估计置信区间的Wilson Score CI方法有更优的统计性能。(本文来源于《南方医科大学》期刊2019-05-28）
孙丽敬,盛万兴,吴鸣,吕志鹏,李蕊[6]（2019）在《基于模糊C均值聚类的分布式电源集群并网逆变器输出功率置信区间估计方法》一文中研究指出为了提高多分布式电源仿真建模的精度,降低仿真模型与物理设备的运行误差,提出基于模糊C均值聚类的分布式电源并网逆变器输出功率置信区间估计方法。首先,根据DG的电压电流输入输出关系建立同类型DG的统一模型,采用粒子群算法进行参数辨识,得到DG输出功率偏差与物理系统同型设备运行参数的关系特性;其次,采用模糊C均值聚类方法,对DG集群进行分类,并将输出功率偏差划分成若干个子集;最后,采用概率分析方法得到输出功率偏差对应各子集的概率密度函数,并对偏差进行概率置信区间预测,根据预测结果通过物理系统同型设备输出特征修正仿真模型运行行为。采用实际运行算例验证,结果表明该方法快速准确修正了仿真模型与物理模型的运行误差。(本文来源于《电网技术》期刊2019年05期）
王珺,宋琼雅,许岳培,贾彬彬,胡传鹏[7]（2019）在《效应量置信区间的原理及其实现》一文中研究指出在心理学可重复危机的背景之下,报告效应量及其置信区间正逐渐成为主流心理学界所要求的新标准,但是研究者可能对效应量的置信区间缺乏足够的理解。为增强研究者对效应量置信区间的理解及应用,本文介绍了心理学研究中最常用的效应量指标——Cohen's d与η~2——置信区间的基本原理,即在备择假设(H_1)为真时,需要通过迭代估计的方式来估计相应非中心分布的非中心分布参数,从而构建Cohen's d与η~2的置信区间。其中Cohen's d对应的是非中心t分布;而η~2对应的则是非中心F分布。使用现有的计算机程序,能够对Cohen's d与η~2的置信区间进行计算,例如R与JASP,本文对此进行了分别展示。报告效应量置信区间不仅有助于研究者更好地进行统计推断,也有利于整个科学界知识的积累,因此本文介绍的方法对研究者具有十分重要的意义。(本文来源于《心理技术与应用》期刊2019年05期）
王珠冉[8]（2019）在《误差模型下高维回归参数的置信区间》一文中研究指出在标准的高维回归理论和应用研究中往往假设协变量是完全观察的。然而在实际应用中,这种假设一般并不切实际,我们常常会面对协变量具有测量误差的情形,常见的有高通量测序、传感器网络数据以及基因表达数据等(见Loh and Wainwright(2012))。从而,在具体的模型研究中,研究者不仅要处理参数的高维性,还需要考虑测量误差的存在以避免非消失的偏差。因此给这些模型的统计推断带来了很大的挑战性。为了减轻测量误差的影响,近年来,不断有学者针对具有观测误差的高维回归模型提出了一些新的估计方法。然而,这些方法主要关注点估计问题。且由上述方法得到的估计量是非线性或是非显式的。因此,通常不可能精确刻画这些稀疏估计量概率分布。这也意味着,关于高维误差变量回归模型置信区间的研究还很少有学者涉及。本文在观测协变量具有噪声情形下,基于CoCoLasso(见Datta and H.Zou(2017))的凸最优化思想,通过反向推理CoCoLasso最优化问题提出相应的KKT条件,构造出该模型参数的去偏估计量。并且在一定的正则化条件下,我们证明了 CoCoLasso去偏估计量的渐近正态性,并给出了构造相应置信区间的有效算法。最后通过数值模拟,我们进一步阐明了该方法具有良好性能。(本文来源于《安徽师范大学》期刊2019-05-01）
李沁颖[9]（2019）在《基于Bootstrap技术的Web服务组合QoS置信区间估计与预测的研究》一文中研究指出Web服务组合的QoS不仅是判断Web服务组合性能的综合性指标,还是Web服务选择的重要依据。Web服务组合的功能属性和非功能属性的QoS在Web服务组合选择和推荐中具有同等重要的作用,未满足功能属性或非功能属性的QoS的Web服务组合均不能较好地符合用户需求,因此对Web服务组合的QoS属性值做出估计和预测是服务选择和推荐的关键。目前对Web服务、Web服务组合QoS属性值进行估计和预测的研究采用了统计学中的点估计方法,但是受网络拥塞程度、服务器负载变化等因素的影响,服务组合的QoS属性值具有随机动态性,相同的Web服务组合的QoS属性值在同一地点的不同时间段的点估计值通常会在一定范围内变化,因此现有点估计方法估计和预测的QoS属性值,不能真实反映QoS属性值的这种随机动态变化规律。本文在本课题组之前提出的Web服务QoS置信区间估计和预测的基础上,利用非参数统计学的Bootstrap技术,进一步提出了Web服务组合QoS属性值的置信区间估计和预测方法。论文主要创新点如下:(1)为了利用Bootstrap方法计算各种结构的Web服务组合QoS的属性值,提出使用类似Lisp语言的嵌套列表(list)结构表示Web服务组合,列表的首元素表示Web服务组合的结构类型(如sequence、loop、parallel、choose)、列表的后续元素既可以是构成该Web服务组合的Web服务节点,也可以是一个新的嵌套列表,用于表示嵌套的Web服务组合。(2)利用用户调用Web服务的历史QoS属性值,借助非参数统计学的Bootstrap技术,提出了Web服务组合QoS置信区间的估计方法。(3)利用非参数统计学Bootstrap技术和协同过滤算法,提出了Web服务组合QoS置信区间的预测方法,该方法在分析用户之间相似性的基础上,根据相似用户调用Web服务的历史QoS属性值,预测用户调用Web服务组合QoS的置信区间。通过WSDream数据集中用户调用Web服务历史QoS属性值对Web服务组合QoS置信区间估计和预测方法进行实验。实验估计了数据集中每一用户调用Web服务组合QoS置信区间并对实验结果进行简要分析,且实验将数据集中的用户按10%到40%的比例随机划分作为测试集,数据集中剩余的用户作为训练集,通过训练集用户预测测试集用户调用Web服务组合QoS置信区间,实验结果表明,将测试集用户实际调用QoS属性值与预测的QoS置信区间比较,预测方法的准确率均在85%以上。(本文来源于《江西师范大学》期刊2019-05-01）
王楚迪,马少华,董鹤楠[10]（2019）在《基于Bootstrap方法的风电输出功率置信区间预测》一文中研究指出本文对实际风力发电机在线检测装置记录的历史数据进行挖掘,确定影响风机输出功率及随机分布的主要因素;建立风机输出功率均值预测模型,求出风机输出功率偏差;按风力等级将风机输出功率偏差样本划分成多个子集,分别采用Bootstrap方法和参数化概率方法求解风机输出功率偏差子集和全集的置信区间,进而对风机输出功率可能出现的范围进行概率预测。利用实际运行数据对方法进行了验证和对比,结果表明:按风速划分风机输出功率偏差子集能显着地提高风机输出功率置信区间预测的准确率;Bootstrap方法预测准确率比参数概率方法高10%以上,但置信区间平均宽度约是后者的1.3倍。(本文来源于《电气开关》期刊2019年02期）
置信区间论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
相关差是医学中常用的重要指标,慢性病发病常用Poisson分布来拟合.使用鞍点逼近方法构造了相关差的置信区间,同时与传统的4种置信区间的构造方法,利用Monte Carlo模拟进行比较,最后用于实际数据分析.结果表明,鞍点逼近方法在大多数情况下,覆盖率较接近名义水平;在覆盖率差别不大时,鞍点逼近方法构造的区间长度较短;尤其在小样本下,鞍点逼近方法表现最好.所以鞍点逼近是统计量置信区间构造的一个好方法,可在各个领域内进行推广.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
置信区间论文参考文献
[1].李新旭,唐智敏,辛晓娜,王骏.对药物临床试验中置信区间法预设检验界值的考虑[J].中国临床药理学杂志.2019
[2].王维贤,田茂再.鞍点逼近下相关差的置信区间构造[J].高校应用数学学报A辑.2019
[3].夏丽丽,田茂再,朱钰.二项分布下基于鞍点逼近的总体成数置信区间的构造[J].统计与信息论坛.2019
[4].李云飞,程绩.双参数指数分布尺度参数基于样本分位数的置信区间[J].统计与决策.2019
[5].徐莹.一种新的单样本率的置信区间估计方法[D].南方医科大学.2019
[6].孙丽敬,盛万兴,吴鸣,吕志鹏,李蕊.基于模糊C均值聚类的分布式电源集群并网逆变器输出功率置信区间估计方法[J].电网技术.2019
[7].王珺,宋琼雅,许岳培,贾彬彬,胡传鹏.效应量置信区间的原理及其实现[J].心理技术与应用.2019
[8].王珠冉.误差模型下高维回归参数的置信区间[D].安徽师范大学.2019
[9].李沁颖.基于Bootstrap技术的Web服务组合QoS置信区间估计与预测的研究[D].江西师范大学.2019
[10].王楚迪,马少华,董鹤楠.基于Bootstrap方法的风电输出功率置信区间预测[J].电气开关.2019
论文知识图
