×
模态框(Modal)标题
在这里添加一些文本
关闭
关闭
提交更改
取消
确定并提交
×
模态框(Modal)标题
在这里添加一些文本
关闭
×
下载引用文件后,可以用常见的文献管理软件打开和编辑,包括: BibTex, EndNote, ProCite, RefWorks, and Reference Manager.
选择文件类型/文献管理软件名称
RIS (ProCite, Reference Manager)
BibTeX
选择包含的内容
仅文章引用信息
引用信息及摘要
导出
Toggle navigation
首页
期刊介绍
编委会
投稿审稿
作者登录
专家审稿
编委审稿
主编办公
编辑办公
投稿指南
在线期刊
当期目录
最新录用
过刊浏览
阅读排行
下载排行
引用排行
E-mail alert
下载中心
联系我们
English
本期目录
2024年, 第40卷, 第2期 刊出日期:2024-04-26
全选
|
本刊特稿
Select
躬耕一生仰之弥高———纪念茆诗松先生逝世一周年
王静龙, 周纪芗, 濮晓龙, 汤银才, 李艳
应用概率统计. 2024, 40(2): 183.
摘要
(
)
PDF全文
(
)
可视化
收藏
Select
诗韵流芳松韵长存——记华东师范大学茆诗松先生
朱利平, 郭菁, 袁卫
应用概率统计. 2024, 40(2): 194-200.
摘要
(
)
PDF全文
(
)
可视化
收藏
学术论文
Select
非参数可加模型的迭代自适应稳健变量选择
朱能辉, 尤进红, 徐群芳
应用概率统计. 2024, 40(2): 201-228.
https://doi.org/10.3969/j.issn.1001-4268.2024.02.001
摘要
(
)
PDF全文
(
)
可视化
收藏
本文结合稳健损失函数、B样条逼近和自适应组Lasso研究一个高维可加模型,以识别``大p小n'下的不显著协变量.与传统的最小二乘自适应组Lasso相比,该方法具有较好的抵消重尾误差和异常值的影响. 为证明方便,本文进一步考虑了更一般的加权稳健组Lasso估计,且该权向量对所建议的估计量具有模型选择oracle性质和渐近正态性的证明中起着关键作用. 稳健组Lasso和自适应稳健组Lasso可以看作是加权稳健组Lasso在不同权向量下的特殊情况. 在实际应用中,我们使用稳健组~Lasso~获得初始估计以降低问题的维数,然后使用迭代自适应稳健组Lasso选择非零分量. 数值结果表明,所提出的方法对中等规模的样本具有良好的适用性.高维基因TRIM32数据验证了该方法的应用.
Select
倚抽样问题的选择性评论及其在现代统计学中的应用
秦进
应用概率统计. 2024, 40(2): 229-263.
https://doi.org/10.3969/j.issn.1001-4268.2024.02.002
摘要
(
)
PDF全文
(
)
可视化
收藏
偏倚抽样是一个普遍存在的问题,跨越各个学科领域, 影响着计量经济学、流行病学、医学、调查研究,以及最近的机器学习和人工智能AI等领域.当选择用于分析或研究的数据点引入系统性偏倚时,这种无处不在的挑战可能会影响研究结果的准确性和可靠性.本文的目标是全面介绍与偏倚抽样问题相关的基础概念和推理方法.此外, 我们还旨在建立偏倚抽样问题与机器学习中关于分布转移问题的最新讨论之间的联系. 我们还将深入探讨偏倚抽样的最新进展,特别是在转移学习和预测置信区间的符合推理方面.我们的最终目标是以一种对研究生易于理解的方式呈现这些材料,使他们能够在自己的研究工作中识别偏倚抽样问题的应用.
我们怀着深深的敬意和感激之情, 将本文献给已故的茆诗松教授,他多年来的指导和智慧对我们至关重要.
Select
带有时变杠杆效应的随机波动率模型参数估计及其应用
郝红霞, 胡红倩, 韩忠成, 林金官
应用概率统计. 2024, 40(2): 264-276.
https://doi.org/10.3969/j.issn.1001-4268.2024.02.003
摘要
(
)
PDF全文
(
)
可视化
收藏
为了更好地捕捉金融时间序列中杠杆效应的时变非对称性,本文基于线性样条思想, 提出一种带有时变杠杆效应的半参数随机波动率模型,并利用贝叶斯MCMC方法对所提模型中的参数进行了估计.模拟研究表明贝叶斯MCMC方法在所提模型的参数估计方面有着良好的有限样本表现.最后利用本文所提出的带有时变杠杆效应的半参数随机波动率模型对2000年1月4日至2020年8月18日的上证综合指数和深证成份指数日收益数据进行了实证分析,结果表明利用本文所提出的模型拟合这两组实例数据是合理的.
Select
有限相依随机序列的非贝叶斯变点最优监测
韩东, 宗福季
应用概率统计. 2024, 40(2): 277-286.
https://doi.org/10.3969/j.issn.1001-4268.2024.02.004
摘要
(
)
PDF全文
(
)
可视化
收藏
本文研究了有限相依样本序列的非贝叶斯变点检测问题.通过引入非负动态随机控制线, 我们不仅构造并证明了两个最优控制图,
而且还得到了比原定义更容易计算的Lorden测度和Pollak测度的最小值的表达式.
Select
不可忽略的无响应缺失下的协变量选择
邵军, 王磊
应用概率统计. 2024, 40(2): 287-297.
https://doi.org/10.3969/j.issn.1001-4268.2024.02.005
摘要
(
)
PDF全文
(
)
可视化
收藏
本文旨在建立一个存在不可忽略的无响应缺失时高维协变量向量的协变量选择方法. 由于有不可忽略的缺失响应数据,必须建立一种新的协变量选择方法来删除既与响应变量也与缺失机制无关的协变量.一旦冗余协变量被删除,现有的缺失机制估计和其他基于逆缺失机制加权的分析方法可以被应用.我们提供了一些模拟结果来展示我们方法的有效性.
Select
基于贝叶斯深度学习方法的上海新冠肺炎病例时空预测和不确定性量化
周世荣, 汤银才, 王平平, 庄亮亮, 徐嘉威
应用概率统计. 2024, 40(2): 298-322.
https://doi.org/10.3969/j.issn.1001-4268.2024.02.006
摘要
(
)
PDF全文
(
)
可视化
收藏
2022年春季在上海爆发的新冠肺炎疫情对上海的社会、经济和居民的日常生活造成了严重影响.新冠肺炎的传播通常表现出复杂的非线性动力学,受环境、人口统计、医疗条件、核酸或抗原检测频率、流行病控制策略等影响.具有复杂网络结构和广泛训练的长短期记忆(LSTM)模型被广泛用于学习和预测流行病的传播. 然而, 这种模型既没有解释数据的不确定性,也没有考虑各种协变量和异质性的影响. 因此,本文提出了一个两阶段LSTM嵌套广义泊松回归模型来分析2022年春季上海爆发的新冠肺炎疫情数据. 在第一阶段,训练一个多层LSTM网络来学习特定地区的感染数据,然后使用训练好的LSTM来拟合和预测有症状的新冠肺炎感染人数.在第二阶段,在分层贝叶斯框架下通过广义泊松回归模型对预测的病例数进行建模,其中相对风险的对数用带有协变量和时空异质性的随机效应的线性函数来建模.在深度学习方法的帮助下,时空广义泊松回归模型可以预测和量化每日新增症状感染数量的不确定性.此外, 得益于从协变量和时空异质性的借力,基于贝叶斯深度学习方法的预测比基于LSTM方法的预测性能更好.
Select
分数阶时间导数方程和反常亚扩散过程——纪念茆诗松教授
陈振庆
应用概率统计. 2024, 40(2): 323-342.
https://doi.org/10.3969/j.issn.1001-4268.2024.02.007
摘要
(
)
PDF全文
(
)
可视化
收藏
本文介绍并且改进和推广了时间导数为分数阶的方程,以及与反常亚扩散过程相关联的最近的一些结果.
Select
缺失数据过程的自适应多元EWMA控制图
濮晓龙, 项冬冬, 陈昕妍
应用概率统计. 2024, 40(2): 343-363.
https://doi.org/10.3969/j.issn.1001-4268.2024.02.008
摘要
(
)
PDF全文
(
)
可视化
收藏
随着生产过程的日益复杂,多元统计过程控制(SPC)领域对在线算法的关注与日俱增. 然而,基于完整数据和均匀时间间隔假设的传统方法在存在缺失数据时表现并不理想.为了最大化利用可用信息,我们提出了一种自适应指数加权移动平均(EWMA)控制图,它采用了加权插补方法, 能够充分利用完整数据和不完整数据之间的关系.具体而言, 我们首先引入了两种恢复方法:改进的K近邻方法和传统的单变量EWMA方法. 然后,我们构造了一个自适应加权函数来结合这两种方法,即当样本信息表明过程超出控制的可能性增加时, 会降低EWMA统计量的权重,反之亦然. 通过模拟结果和一个实际案例,我们证明了所提出方案的稳健性和敏感性.
应用概率统计(双月刊)
(1985年创刊)
主管单位:中国数学会概率统计学会
编辑单位:《应用概率统计》编辑部
主 编:陈松蹊
国际刊号:ISSN 1001-4268
国内刊号:CN 31-1256 / O1
邮发代号:4-414
单 价:12元/期
定 价:72元/年
下载中心
更多>>
稿件模板
版权转让协议
专家审稿单
作者投稿申明
专家信息采集表
稿件推荐表
友情链接
更多>>
华东师范大学统计学院
华东师范大学经管学部
Statistical Theory and Related Fields
中国数学会
中国科学技术协会
访问统计
总访问量
今日访问
在线人数
分享到: