导读:本文包含了分布族论文开题报告文献综述及选题提纲参考文献，主要关键词:EGB2分布,得分函数,矩函数,EGARCH模型
分布族论文文献综述
姚萍,王杰,杨爱军,刘晓星[1]（2019）在《基于EGB2分布族的GAS-EGARCH模型与VaR预测》一文中研究指出GARCH族模型是刻画资产收益率的常用工具,在风险度量领域具有广泛应用。为了更有效地描述收益率的偏斜厚尾等特征,越来越多学者对GARCH族模型的条件分布形式进行了研究。但是仅对GARCH模型条件分布进行修正是不够的,还需要对模型本身的函数形式进行修正。基于得分函数的时变参数建模思想近年来受到广泛关注,本文借助这一思想对EGARCH模型中对数标准差进行时变波动建模,并利用EGB2分布族作为模型的条件分布,进而建立GAS-EGARCH-EGB2模型。以我国10只中证行业指数为研究对象考察GAS-EGARCH-EGB2模型的风险预测效果,GAS-EGARCH-EGB2模型样本外VaR预测表现普遍优于ACM-EGARCH-EGB2模型。(本文来源于《运筹与管理》期刊2019年11期）
刘云,黄荣乘[2]（2019）在《基于指数分布族的类特定文本分类算法》一文中研究指出在文本分类中,选取一个高效的分类算法是提高文本分类准确度,缩短分类时间的关键。提出基于指数分布族的多项式贝叶斯类特定分类算法(exponential family-multinomial naive Bayes,EF-MNB),基于多项式模型构造了N个类的分布,利用类特定特征选择算法得到第N个类的特征子集及对应类的特征概率密度函数(probability density function,PDF),通过指数分布族构造了N个类的原始PDF估计表达式,给定N个类的训练集,得到了第N个类的最优PDF估计,并基于贝叶斯定理制定了分类规则。仿真结果表明,与基于文档主题生成模型和支持向量机(latent dirichlet allocation-support vector machine,LDA-SVM)的层次分析分类算法、改进的超球支持向量机(improved hyper-sphere support vector machine,IHS-SVM)文本分类算法和基于主成份分析和k最近邻(principal component analysis-k-nearest-neighbor,PCA-KNN)混合分类算法相比,EF-MNB类特定分类算法使用少量的时间就可获得更高分类准确率。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2019年05期）
黄金超[3]（2019）在《广义指数分布族参数的经验Bayes检验问题》一文中研究指出文章在"线性损失"下,研究了一类广义指数分布族参数经验检单调性,构造了经验Bayes检验问题,利用递归核估计和Bayes验函数的Bayes检验函数;在适当的条件下,收敛速度的阶可任意接近,改进文献的相应结果,并给出满足定理条件的一个例子。(本文来源于《统计与决策》期刊2019年07期）
黄金超[4]（2017）在《Lomax分布族形状参数的经验Bayes双侧检验》一文中研究指出文章在"平方损失"下,研究了Lomax分布族形状参数经验Bayes(EB)双侧检验问题,利用概率密度函数的递归核估计,构造了形状参数的经验Bayes检验函数,证明了所提出的经验Bayes检验函数的渐近最优(a.o.)性,并获得了其收敛速度。(本文来源于《统计与决策》期刊2017年20期）
雷庆祝,秦永松,罗敏[5]（2017）在《强混合样本下刻度指数分布族参数的经验贝叶斯估计和检验》一文中研究指出本文研究强混合样本下刻度指数分布族参数的经验贝叶斯(EB)估计和检验问题,提出了2种EB估计和2种EB检验方法,在较一般的正则条件下,给出了在强混合样本下所提出的EB估计和EB检验的收敛速度,并模拟研究了EB方法的优劣性。(本文来源于《广西师范大学学报(自然科学版)》期刊2017年03期）
刘晓丽[6]（2017）在《α-混合样本下连续型双边截断型分布族的经验贝叶斯估计与检验》一文中研究指出贝叶斯方法起始于1763年,而经验贝叶斯方法,是Robbins在1955年提出来的,经验贝叶斯是频率派与贝叶斯派观点的完美结合的产物,它与贝叶斯学派观点一样,认为参数可被看成是随机变量,需要考虑参数的先验信息,然后利用频率派的方法得到参数的先验信息.构造合宜的经验贝叶斯估计是经验贝叶斯估计理论研究的一个基本问题.我们在本文中讨论了 α-混合样本下连续型双边截断型分布族的经验贝叶斯估计与检验.一方面,我们得到了在一定损失函数下参数的经验贝叶斯估计和另一种损失函数下的经验贝叶斯检验;另一方面,我们证明了上述估计与检验函数为渐近最优的,并得到了其收敛速度,最后给出了一个例子来验证文中定理条件设置的合理性,并进行了模拟研究.本文的主要结果和特色如下:1.本文在假设当前样本与历史样本整体为一个α-混合样本的前提下,研究了一类连续型双边截断型分布族的经验贝叶斯估计与检验.在独立情形下,对这方面的研究基本成熟,但是相依样本情形的研究进展甚微,甚至很多文献虽然研究的是相依情形,但均是在默认当前样本与历史样本相互独立的情形下进行研究的.因而假设当前样本与历史样本整体为一个α-混合样本的研究是很有研究价值的.2.本文不仅研究了 α-混合样本下一类连续型双边截断型分布族的经验贝叶斯估计,证明了该估计的渐近最优性质并获得了其收敛速度;对于该分布族,我们还考虑了一类检验问题,得到了该经验贝叶斯检验函数的贝叶斯风险,并得出该检验函数的渐近最优性质及收敛速度.3.本文还对参数估计和检验函数的收敛速度进行了数值模拟,得到了在估计和检验中,随着样本容量的增大,经验贝叶斯风险与贝叶斯风险的差值越来越小.(本文来源于《广西师范大学》期刊2017-06-01）
张东丽,王莘[7]（2017）在《指数型分布族的一个性质及其应用》一文中研究指出基于特征函数的定义,对于指数型分布族c(w)exp{∑kj=1w_jT_j(x)}h(x)dμ,给出T_j(X)(j=1,…,k)的任意线性组合的特征函数的显式表达式,并通过算例验证了结果的实用性.(本文来源于《天津师范大学学报(自然科学版)》期刊2017年02期）
段东海[8]（2016）在《指数型分布族的性质》一文中研究指出本文主要是分析讨论了指数型分布族的性质,并通过性质验证了常用分布是属于指数分布族。(本文来源于《价值工程》期刊2016年34期）
王克达,陈维[9]（2016）在《强次指数分布族S*(γ)的μ积分尾分布的卷积等价性》一文中研究指出在Klüppelberg提出强次指数分布族并研究其积分尾分布的次指数性的基础上,推广Foss等关于强次指数分布族S*的μ积分尾分布的次指数性结果,得到S*(γ)的μ积分尾分布的卷积等价性.(本文来源于《数学的实践与认识》期刊2016年19期）
黄金超,杨颖颖,郭栋[10]（2016）在《Weibull分布族参数的经验Bayes检验问题》一文中研究指出在NA样本下研究了Weibull分布族刻度参数经验Bayes(EB)单侧检验问题,利用概率密度函数的核估计,构造了刻度参数的EB检验函数,并证明了所提出的经验Bayes检验函数的渐近最优(a.o.)性,获得了其收敛速度.(本文来源于《淮阴师范学院学报(自然科学版)》期刊2016年03期）
分布族论文开题报告
（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：
在文本分类中,选取一个高效的分类算法是提高文本分类准确度,缩短分类时间的关键。提出基于指数分布族的多项式贝叶斯类特定分类算法(exponential family-multinomial naive Bayes,EF-MNB),基于多项式模型构造了N个类的分布,利用类特定特征选择算法得到第N个类的特征子集及对应类的特征概率密度函数(probability density function,PDF),通过指数分布族构造了N个类的原始PDF估计表达式,给定N个类的训练集,得到了第N个类的最优PDF估计,并基于贝叶斯定理制定了分类规则。仿真结果表明,与基于文档主题生成模型和支持向量机(latent dirichlet allocation-support vector machine,LDA-SVM)的层次分析分类算法、改进的超球支持向量机(improved hyper-sphere support vector machine,IHS-SVM)文本分类算法和基于主成份分析和k最近邻(principal component analysis-k-nearest-neighbor,PCA-KNN)混合分类算法相比,EF-MNB类特定分类算法使用少量的时间就可获得更高分类准确率。
（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。
分布族论文参考文献
[1].姚萍,王杰,杨爱军,刘晓星.基于EGB2分布族的GAS-EGARCH模型与VaR预测[J].运筹与管理.2019
[2].刘云,黄荣乘.基于指数分布族的类特定文本分类算法[J].重庆邮电大学学报(自然科学版).2019
[3].黄金超.广义指数分布族参数的经验Bayes检验问题[J].统计与决策.2019
[4].黄金超.Lomax分布族形状参数的经验Bayes双侧检验[J].统计与决策.2017
[5].雷庆祝,秦永松,罗敏.强混合样本下刻度指数分布族参数的经验贝叶斯估计和检验[J].广西师范大学学报(自然科学版).2017
[6].刘晓丽.α-混合样本下连续型双边截断型分布族的经验贝叶斯估计与检验[D].广西师范大学.2017
[7].张东丽,王莘.指数型分布族的一个性质及其应用[J].天津师范大学学报(自然科学版).2017
[8].段东海.指数型分布族的性质[J].价值工程.2016
[9].王克达,陈维.强次指数分布族S*(γ)的μ积分尾分布的卷积等价性[J].数学的实践与认识.2016
[10].黄金超,杨颖颖,郭栋.Weibull分布族参数的经验Bayes检验问题[J].淮阴师范学院学报(自然科学版).2016