导读:本文包含了相依变量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:变量,模型,函数,抗压强度,风险,数据,大数。
相依变量论文文献综述
邓韬[1]（2019）在《带区间删失的相依协变量比例危险率模型的经验似然推断》一文中研究指出本文研究对象是COX比例危险率模型,该模型应用广泛属于生存分析中的工具性模型。在不同领域中都发挥出重要作用,比如:生物医学、社会经济、基金保险等领域。最常见就是在生物医学领域,由于该领域数据常常存在删失情况,所以该模型常受到研究者的青睐。从理论上来看,模型出现删失数据时,就会出现个体的生存时间服从于不同的概率密度分布,并且对应的危险率函数的形式也有很大变化。这时,COX模型的优势就体现了出来,能较好的进行建模分析。本文针对相依区间删失数据,具体分析了比例危险率模型的参数估计,证明了统计量具有良好的性质;旨在医学领域的实验研究和工程领域的可靠性研究中给予一定的帮助。本文研究了比例危险率模型下相依区间删失数据的半参数回归问题。利用经验似然的方法(EL),构造了COX比例危险率模型中参数的估计方程并且求出了未知参数的估计量;证明了含有参数的统计量的渐近分布;并通过R软件对模型进行数值模拟分析。具体内容如下:首先,分析了相依区间删失的COX比例危险率模型研究现状,以及介绍了COX比例危险率模型的具体表达式、关于区间删失数据处理方法的一些研究成果、以及包括经验似然方法(EL)在内的模型中未知参数的估计方法。其次,引用隐变量对区间删失数据进行处理,可以描述出失效时间和删失时间的关系;利用经验似然的方法,对协变量区间删失含未知参数的COX比例危险率模型的估计结果进行统计推断;得出模型中未知参数置信区间的表达式并给出相关结论证明。最后,将上述估计方法所求的未知参数进行模拟实验分析,模拟结果表明:对于同一种估计方法,随着样本量的增加,参数置信区间的覆盖概率逐渐增加,标准误差逐渐减小;在样本量n相同的情况下,删失比例CR越小,两种方法的置信区间长度会越小,覆盖概率就接近置信水平。进一步来看,如果样本量和区间删失比率相同时,对比两种方法的覆盖概率,那么经验似然(EL)的覆盖概率比最大似然估计(MLE)要精确一点。因为最大似然估计方法中,模型中未知参数估计的结果可能会存在有偏估计。因此,从模拟的结果来看,用来估计未知参数的统计方法中,经验似然法(EL)估计结果较好。(本文来源于《湖南师范大学》期刊2019-05-01）
韦新星[2]（2019）在《时间相依协变量Cox模型的变量选择》一文中研究指出结合R软件对时间相依协变量Cox模型进行变量选择研究。介绍了时间相依协变量Cox模型的一般形式。分析了时间相依协变量Cox模型的数据来源和建模过程。结果表明,时间相依协变量Cox模型就是一种对Cox模型的扩展和改进。当数据中存在伴随时间而发生变化的变量时,时间相依协变量Cox模型能弥补时间独立协变量Cox模型的不足,使分析更加全面合理。(本文来源于《黑龙江科学》期刊2019年06期）
张婷,李峰,杨洋,林金官[3]（2019）在《广义负相依重尾随机变量和及其最大值尾概率的渐近性》一文中研究指出假设X_1,X_2…,X_n是一列具有广义负相依结构的随机变量(r.v.s.),分别具有分布F_1,F_2,...,F_n.假设S_n:=X_1+X_2+…+X_n.本文分别在叁类重尾分布族下得到了如下量之间的渐近关系:P(S_n>x),P(max{X_1,X_2,…,x_n}>x), P(max{S_1, S_2,…,S_n}> X)和(?)P(X_k> x).在此基础上,本文还探讨了随机加权和最大值尾概率的渐近性质,并运用蒙特卡洛(CMC)数值模拟验证了其有效性.最后,本文将得到的主要结果应用到了一个带有保险风险与金融风险的离散时间风险模型,得到了有限时间破产概率的渐近性.(本文来源于《应用概率统计》期刊2019年01期）
李婉星,龙永红,薛清水[4]（2018）在《竞争风险数据和协变量相依权重下可加可乘的子分布风险率模型》一文中研究指出本文在竞争风险数据下提出一种灵活的含变系数的可加可乘的子分布风险率模型.通过对删失时间的风险函数建立Cox比例风险模型,得到调整后的与协变量相依的权重,在新权重下建立估计方程来估计模型参数,并获得了估计的大样本性质,同时提出了模型中协变量的时变效应的检验方法.通过数值模拟验证了所提方法的有限样本性质,结果表明所提方法可以大大降低估计偏差.最后,分析了一组淋巴滤泡细胞的竞争风险数据集来展示所提方法的实际应用效果.(本文来源于《数学学报(中文版)》期刊2018年03期）
郝智慧[5]（2018）在《包含相依变量的无模型特征筛选》一文中研究指出随着大数据时代的到来,越来越多的超高维数据被应用于科学研究的各个领域。对于超高维数据进行特征筛选成为了统计学家们热衷研究的课题。在前人研究的基础上,本文提出了一种新的无模型特征筛选方法,放宽了之前的特征筛选方法对于模型的限制,从而能够应用于自变量对因变量的影响与另一个变量(相依变量)有关的情形。这种方法将因变量的示性函数与自变量之间的条件相关系数作为每个解释变量的边际得分函数来衡量他们的重要程度。我们运用核平滑法对自变量的边际效用进行估计并得到样本形式下的筛选标准。在对每个解释变量对应的筛选标准进行排序后选出排在前面的部分解释变量作为活跃解释变量进入到子模型中。本文还介绍并证明了这种新的特征筛选方法具有确保筛选性以及秩相合性,保证重要解释变量能够排在前面并且全部进入子模型中。本文构造了四种不同的模型框架,每种情形都通过蒙特卡洛模拟将我们的方法与前人提出的其他叁种特征筛选方法进行对比,从而验证了我们这种方法的理论性质,并且证实了该方法在十分广泛的模型框架下有效。最后我们还将这种方法应用于人类乳腺癌数据进行了实证分析,挑选出了与乳腺癌患者腋窝淋巴结转移最相关的几个基因。最终我们得出结论,这种方法可以在不限定模型具体形式的情况下对存在相依变量的超高维数据进行特征筛选,这在已有的其他特征筛选方法中还未实现过。(本文来源于《厦门大学》期刊2018-04-01）
唐风琴[6]（2018）在《Sarmanov相依随机变量随机加权和的渐近估计》一文中研究指出文章考虑Sarmanov分布的随机变量序列{(X_i,Y_i),i≥1}的随机加权和(∑ni=1θiXi,n∑j=1θjYj)尾概率的渐近估计问题,所得结果推广了一维随机变量加权和渐近估计结果.(本文来源于《淮北师范大学学报(自然科学版)》期刊2018年01期）
陈建兵,万志强,宋鹏彦[7]（2018）在《相依随机变量的随机函数模型》一文中研究指出针对二维非独立随机变量的概率描述,提出了随机函数模型,将其转化为二维独立随机变量问题.该模型中的待定函数恰好为条件均值函数与条件标准差函数,可根据物理机制或实测数据确定.特别地,本文建议根据问题的物理机制确定待定函数的基本形式,进而基于数据确定基本变量的概率分布.以混凝土的弹性模量和抗压强度关系为例详细阐述了上述步骤.其中,考虑混凝土的一维损伤演化机制,研究了混凝土弹性模量与抗压强度分布界限,结合物理机制确定待定函数的形式并通过试验数据识别参数,建立了实用随机函数模型的具体表达式.与Copula函数模型的对比表明,该模型可以很好地刻画数据的基本概率特征,且避免了直接处理联合概率分布,便于在工程中应用.本文提出的方法可以推广到高维非独立随机变量的概率描述之中.(本文来源于《中国科学:物理学 力学 天文学》期刊2018年01期）
耿冰振,陈岑[8]（2017）在《相依结构下重尾随机变量和条件分布尾渐近性态》一文中研究指出给定n个非负基本随机变量,其分布属于一致变化重尾分布族,以及另外n个非负任意相依的加权随机变量,但是与基本随机变量相互独立,在一类相依结构下,本文得到了基本随机变量和与加权随机变量和条件分布尾若干渐近公式,并给出了它们在风险度量中的一个应用,推广了相关文献的结论。(本文来源于《安庆师范大学学报(自然科学版)》期刊2017年03期）
黄海午[9]（2017）在《行负相依随机变量阵列的完全收敛性（英文）》一文中研究指出本文研究同分布假设条件和随机控制要求下行负相依随机变量阵列最大值部分和的完全收敛性的问题,得到一些新的结果.这些结果推广和改进了已有关于行独立随机变量阵列和行负相依随机变量阵列的相关定理.作为应用,行负相依随机变量阵列的Chung型强大数定律被取得.(本文来源于《应用数学》期刊2017年04期）
华志强[10]（2017）在《重尾相依随机变量和的差的精确大偏差》一文中研究指出在保险精算学中常常用重尾分布来刻画极端事件的性质,进而服从重尾分布的随机变量和的精确大偏差问题逐渐成为保险精算学中学者们所关心的一个热点问题.假设保险公司存在(X1i,i≥1}和{X2i,i≥1}两种不同类型的保单,当x→∞时{(∑j=1n1X1j-∑j=1n2X2j)>x}表示的是前一种保单的索赔远远大于后一种保单的索赔,前一种的保单更容易使保险公司破产,保险公司对该种保单应更加关注.到目前为止,有关∑j=1n1X1j-∑j=1n2X2j的渐近行为研究较少.本文首先在已有的研究成果上主要对两种不同保单之差的重尾精确大偏差的问题进行了研究,随后研究了满足UEND和φ混合随机变量随机和的精确大偏差问题,最后研究了索赔风险模型和索赔盈余风险模型中的精确大偏差问题.本文主要的研究内容包括以下几个方面:第一,令{X1j,≥ 1}为一列非负NA同分布的随机变量序列,F1∈C,{X2j,j≥1}为一列非负独立同分布的随机变量序列,n(i = 1,2)是取正整数的函数,且满足当t→ ∞时有ni(t)→∞.我们研究了∑j=1n1X1j-∑j=1n2X2j的尾概率问题,在给出某些特定条件下得到∑j=1n1X1j-∑j=1n2X2j的精确大偏差的渐近结论,推广了 已存在的独立同分布条件下的相应结论.第二,对于i=1,2,令{Xij,j ≥ 1}为一列非负END同分布的随机变量序列,分布为Fi,有限均值为μi.我们研究了在F1 ∈ C,F2是任意的分布等条件下,得到了∑ X1j-∑j=1n2X1j和∑j=1N1X1j-∑j=1N2X2j的精确大偏差的渐近结论.其中{Ni(t),t≥0}i=1,2和{Xij,j ≥1}i=1,2彼此相互独立,且{Ni(t),t≥0}i=1,2为取非负整数值的计数过程.第叁,研究∑j=1n1X1j-∑j=1n2X2j和∑j=1N1X1j-∑j=1N2X2j的大偏差,其中{X1j,j≥1}为一列非负WUOD不同分布的随机变量序列,{X2j,j≥ 1}是一列非负独立同分布的随机变量序列,ni(t)(i= 1,2)是取正整数的函数,{Ni(t),t≥0}i=1,2是满足ENi(t)=λi(t)的两个计数过程.在给定其他的一些假设条件下,我们得到了∑j=1n1X1j-∑j=1n2X2j和∑j=1N1X1j-∑j=1N2X2j的精确大偏差的渐近结论,推广了已存在的相应结论.第四,考虑满足UEND和φ混合随机变量随机和的尾概率问题,采用求相依同分布的随机变量随机和的精确大偏差渐近结论的类似方法,得到了 UEND和φ混合不同分布的随机变量随机和的精确大偏差渐近结论,将独立不同分布的随机变量随机和的精确大偏差渐近结论推广到相依不同分布的结论上.第五,令{Xk,k≥ 1}是一个D族END和φ混合不同分布的随机变量序列,用以表示一个索赔过程;令{Yj,j≥1}是一个非负END同分布的随机变量序列,用以表示一个保费过程.由{Xk,k≥ 1}构成一个索赔风险模型,研究该模型中非随机和与随机和的尾概率渐近问题,采用求相依不同分布的随机变量非随机和与随机和的精确大偏差渐近结论的类似方法,得到该索赔风险模型中非随机和与随机和的精确大偏差渐近公式.再考虑由索赔过程{Xk,k≥1}和保费过程{Yj,j≥1}构成的索赔盈余风险模型,得到该模型中的精确大偏差渐近公式。(本文来源于《大连理工大学》期刊2017-07-01）
相依变量论文开题报告
（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：
结合R软件对时间相依协变量Cox模型进行变量选择研究。介绍了时间相依协变量Cox模型的一般形式。分析了时间相依协变量Cox模型的数据来源和建模过程。结果表明,时间相依协变量Cox模型就是一种对Cox模型的扩展和改进。当数据中存在伴随时间而发生变化的变量时,时间相依协变量Cox模型能弥补时间独立协变量Cox模型的不足,使分析更加全面合理。
（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。
相依变量论文参考文献
[1].邓韬.带区间删失的相依协变量比例危险率模型的经验似然推断[D].湖南师范大学.2019
[2].韦新星.时间相依协变量Cox模型的变量选择[J].黑龙江科学.2019
[3].张婷,李峰,杨洋,林金官.广义负相依重尾随机变量和及其最大值尾概率的渐近性[J].应用概率统计.2019
[4].李婉星,龙永红,薛清水.竞争风险数据和协变量相依权重下可加可乘的子分布风险率模型[J].数学学报(中文版).2018
[5].郝智慧.包含相依变量的无模型特征筛选[D].厦门大学.2018
[6].唐风琴.Sarmanov相依随机变量随机加权和的渐近估计[J].淮北师范大学学报(自然科学版).2018
[7].陈建兵,万志强,宋鹏彦.相依随机变量的随机函数模型[J].中国科学:物理学力学天文学.2018
[8].耿冰振,陈岑.相依结构下重尾随机变量和条件分布尾渐近性态[J].安庆师范大学学报(自然科学版).2017
[9].黄海午.行负相依随机变量阵列的完全收敛性（英文）[J].应用数学.2017
[10].华志强.重尾相依随机变量和的差的精确大偏差[D].大连理工大学.2017
论文知识图
