金应华 作品数:8 被引量:4 H指数:1 供职机构: 广东工业大学应用数学学院 更多>> 发文基金: 国家自然科学基金 广东省自然科学基金 中国人民大学科学研究基金 更多>> 相关领域: 理学 自动化与计算机技术 文化科学 更多>>
对数线性模型下基于Φ-散度测度的均值滑动检验 2018年 研究了对数线性模型的均值滑动检验.基于Φ-散度和最小Φ-散度估计提出了3类检验统计量,它们是似然比检验统计量和Pearson检验统计量的推广.研究了这3类统计量的渐近分布,并用此理论结果分析了一组实际数据.最后通过模拟研究表明,在小样本量下,这3类统计量中有比似然比检验统计量和Pearson检验统计量表现更好的统计量. 金应华 向思源应用统计学专业人才培养探索 被引量:2 2019年 文章首先分析了应用统计学专业人才培养背景,然后阐述了应用统计学专业人才培养策略,包括设置完备的课程体系;加强师资队伍建设;建设竞赛管理和激励机制;建设实践教学基地;搭建专任教师和行业专家之间的合作互助平台;提高教学日常管理质量。 金应华关键词:实践教学 基于经验似然的自回归条件久期模型的统计推断 被引量:1 2013年 利用经验似然方法对自回归条件久期(ACD)模型参数进行统计检验,给出了自回归条件久期模型参数的经验似然比统计量,并证明了该统计量渐近服从χ2-分布.数值模拟结果表明,经验似然方法优于拟似然方法. 韩玉 金应华 吴武清关键词:经验似然 自回归条件 基于φ-散度的乘积多项抽样下对数线性模型的检验水平和功效(英文) 被引量:1 2009年 考虑了乘积多项抽样下的对数线性模型.在这个模型下,文献[Jin Y H,Wu Y H.Mini mumφ-divergence esti mator and hierarchical testing in log-linear models under product-multinomial sampling.Journal of Statistical Planning and Inference,2009,139:3 488-3 500]用基于-散度和最小-散度估计构造的统计量研究了几类假设检验问题,这其中就有嵌套假设.最小-散度估计是极大似然估计的推广.在上述文献的基础上,给出了其中一类检验的功效函数的渐近逼近公式;另外,还研究了在一列近邻假设下检验统计量的渐近分布.通过模拟研究发现,与Pearson型统计量和对数极大似然比统计量相比,Cressie-Read型检验统计量有差不多的甚至更好的模拟功效和水平. 金应华 吴耀华对数线性模型下基于φ-散度的单边检验 2018年 单边检验是假设检验理论的重要组成部分之一.本文研究了在乘积多项抽样对数线性模型下的某种单边假设检验问题.基于Ф-散度和约束最小Ф散度估计(RMФE),提出了三类检验统计量,证明了它们有相同的渐近分布,即类卡方(Chi-bar-square)分布.此三类统计量包含似然比(likelihood ratio)统计量和皮尔逊(Pearson)统计量等特例,推广了现有文献的研究结果.实例分析展示了此三类统计量的检验效果.模拟研究表明,在样本量较小时,功效散度(power-divergence)族中存在比似然比统计量和皮尔逊统计量表现更好的替代. 金应华 吴耀华 邵全喜对数线性模型中若干统计问题的研究 属性数据分析是研究名义数据和有序数据的有效工具。在属性数据分析中,经常用对数线性模型来拟合列联表;可以用对数线性模型来分析列联表中变量之间的关联性,这是对数线性模型的一个突出的优点。φ-散度测度(φ-divergence... 金应华关键词:属性数据 数据分析 基于功效散度和成对约束的半监督聚类算法 被引量:1 2019年 现有成对约束半监督聚类算法(CE-sSC)克服了极大熵聚类(MEC)算法不能利用样本成对约束信息的缺点,但CE-sSC算法的惩罚项中各熵项之间相互干扰,不利于惩罚项系数的选择。为克服此问题,基于相对熵提出了一类新的半监督聚类算法(PD-sSC),并把表示成对约束样本信息(外部信息)的相对熵项推广到了功效散度(PD)族。此时,PD指标可取任意的实数,当成对约束数较少时,可通过调整PD散度指标来选择比对比算法表现更好的PD-sSC算法。实验结果显示了PD-sSC算法的优良性质,PD-sSC算法惩罚系数的选择也比CE-sSC算法简单且高效。 向思源 金应华 徐圣兵关键词:半监督聚类 基于闭包准则和成对约束的半监督聚类算法 2020年 基于功效散度和成对约束的半监督聚类算法(PD-sSC)将相对熵推广到功效散度(PD)族,剔除了目标函数中不同惩罚熵项之间的干扰,提高了惩罚项系数的选择效率。但当成对约束数目相对较大时,PD-sSC算法聚类效果不够理想。为了解决这个问题,提出了一种基于闭包准则的成对约束打包算法(CCPC),该算法利用must-link约束对原样本组进行打包,再利用各个包的中心点替代整个包,从而得到一组新样本,最后利用PD-sSC算法对新样本进行聚类分析。实验结果表明,无论成对约束数目是大还是小,CCPC算法都有很好的表现。 向力宏 金应华 徐圣兵