提出了一类非线性异方差分层模型,研究了其固定效应和方差分量的极大似然估计问题.主要采用了期望条件最大化算法(Expectation Conditional Maximization Algorithm)和蒙特卡罗积分法 (Monte-Carlo integration method).对于随机效应和模型误差的方差-协方差矩阵,本文既考虑了一般的非结构化形式,也考虑了诸如自回归(AR(1))和复合对称等的结构化形式.仿真模拟的结果显示本文提出的模型及参数估计方法表现良好. 此外,本文还将该类模型和估计方法应用到中国官方经济数据上,得到了一些有意义的结论.
研究了环扩张下的Gorenstein平坦模型结构及其同伦范畴.设R≤S是满足一些条件的平坦扩张.我们证明了若f:M→N在S-模范畴的Gorenstein平坦模型结构中是上纤维化(纤维化,弱等价),则f:M→N在R-模范畴中亦如此;若R≤S是优越扩张,反过来也成立,即在优越扩张下Gorenstein平坦模型结构是不变的.进而,相关的稳定范畴是等价的,当且仅当对任意Gorenstein平坦S-模M,Coker(ηM)是平坦的,其中η表示S-模范畴和R-模范畴间的Quillen伴随函子的单位.
分位数的估计在生物医学、社会经济调查等领域有着广泛的应用,然而在实际问题的研究 中,往往由于各种人为或不可控因素造成数据收集不完全. 本文在随机缺失(MAR)假设条件下,利用非参数核补法和局部多重插补法给出了响应变量缺失时样本分位数的估计,并利用经验过程等理论证明了由这两种方法得到的分位数估计的大样本性质,同时,使用重抽样方法给出了估计的 渐近方差的估计,模拟结果验证了这两种方法的有效性. 文章所提两种方法的优点在于:首先,所提出的缺失修正方法不需要对缺失概率的模型做任何假设; 其次,方法亦适用于其他有关参数 不可微的估计目标函数; 最后,方法很容易地推广到一般M估计的情况,并可以对多个分位数同时进行估计.