2.1. DRM简介
在本节中,我们首先简要介绍DRM,…,,是独立的CDF。如果这些分布通过
哪里是一些预先指定的向量值基函数是未知的参数向量。我们接受为了简单起见。在上述假设下,这些分布具有相同的支持。在这个公式中,基线分布未指定。DRM非常灵活,包括许多常见的分布族:整个正态分布族; 伽马分布族。的组件线性无关,其第一个元素为1。选择可以在应用程序中逐个进行设置。如果人口分布是正态的,是一个不错的选择,而对于生存型观测,是一个不错的选择。应该指出涵盖了大量的分销家庭。
假设是,.让表示观测值,,。对于,假设独立且同分布假设总样本量,和样本分数保持不变,接下来,我们估计模型参数θ和根据最大经验似然。表示为所有人k个,j个,对数经验似然函数为
其中,关于在整个范围内[22]. DRM假设表明,
因此,对于任何,,θ和需要满足以下约束:
最大经验似然估计量是的最大点(5).
Keziou和Leoni-Aubin[15]指出了基于DRM的最大EL估计器和两者的最大对偶EL估计器的等价性θ和在(4). 此外,Li等。 [18]仔细比较了基于DRM的EL估计方法和双样本DRM下的双EL估计方法,发现这两种方法对任何潜在参数都具有相同的点估计。蔡等。 [8]使用双EL比率来研究多样本DRM下的假设检验问题,以避免无法获得基于DRM的EL比率检验的极限分布。除了理论上的优点外,与基于最大DRM的EL方法相比,双重EL估计具有更简单的分析形式和更容易计算。因此,在本文中,我们认为作为以下双EL函数的最大点:
给定最大对偶EL估计量,的拟合值是
哪里因此,拟合的人口分布由提供
哪里)、和表示事件的指示功能A类.
陈和刘[10]显示了对于任何实数支持,,,与平均值共同渐近正态和协方差矩阵.表示如果第页 = 秒否则为0。让,并定义
哪里.然后,由提供
哪里是长度向量医学博士用它的秒第th段长度d日存在,,
2.2. 建议估算值π指数
在陈和刘的条件下[10]我们认为和是DRM中的两个分布,以及F类和G公司是连续的。表示和估计值由(7). 我们提出的估计量如下所示
让
弱收敛到高斯过程在所有有限维分布中[10]. 高斯过程具有均值零和协方差函数
哪里在中给出(8). 什么时候?x个=========================================================================年,我们得到方差函数
定理2.1假设陈和刘的条件[10]保持。对于连续分布F类和G公司,表示,其中.然后,
附录1中给出了证明。注意,如果,.如果比如说,由一个点组成,然后、和以正态居中,方差由(10). 如果包含两个或多个点,则不正常。
阿尔瓦雷斯-埃斯特班等。 [1]给出了以下形式的完全非参数估计(三). 与传统的经验似然估计相比,我们的估计在理论上应该具有较小的方差。我们可以从中看到(8). 另一方面,如果我们知道F类和G公司属于参数化分布族和,我们可以得到最大似然估计和,然后估计通过和也就是说,
这种参数估计应该是有效的,并且具有良好的渐近性质,但可能在很大程度上依赖于模型假设。在许多情况下,我们无法确切地知道数据来自哪个参数模型。
2.3. Bootstrap假设检验和置信区间
什么时候?由一个点组成,定理2.1中的渐近结论具有渐近方差表达式,但这取决于未知的分布配置F类和G公司为了克服这一困难,我们提出了一种自举方法。具体步骤如下:
步骤1。对于给定的,绘制条件独立和相同分布的样本从.
第2步。在DRM假设下,计算最大经验似然估计基于引导示例随后,获得引导分布估计值,特别是,和.
步骤3。自然,得到.
步骤4。重复步骤1-3
R(右)次数并获得.
步骤5。计算通过
哪里表示平均函数。
从附录1定理2.1的证明中,很容易看出含羞草如果只包含一个点。因此,我们直接给出以下结果。
定理2.2让表示给定数据的条件概率。假设陈和刘的所有条件[10]满足和分布F类和G公司是连续的。如果由一个点组成,那么,
此外,基于引导变量,我们可以检验假设并构造置信区间。给定显著性水平α,让表示α-标准正态分布的分位数。对于测试值,如果
我们拒绝零假设英寸(2). 拒绝将提供统计证据支持这一点G公司大约占主导地位F类分歧程度小于同时在水平可以通过以下公式给出