留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于矩估计法的P范分布参数估计

潘雄 罗静 刘衍宏 韦忠扬 徐景田

潘雄, 罗静, 刘衍宏, 韦忠扬, 徐景田. 基于矩估计法的P范分布参数估计[J]. 武汉大学学报 ● 信息科学版, 2017, 42(4): 563-568. doi: 10.13203/j.whugis20140968
引用本文: 潘雄, 罗静, 刘衍宏, 韦忠扬, 徐景田. 基于矩估计法的P范分布参数估计[J]. 武汉大学学报 ● 信息科学版, 2017, 42(4): 563-568. doi: 10.13203/j.whugis20140968
PAN Xiong, LUO Jing, LIU Yanhong, WEI Zhongyang, XU Jingtian. Parameter Estimation of P-norm Distribution Based on the Moments Approach[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4): 563-568. doi: 10.13203/j.whugis20140968
Citation: PAN Xiong, LUO Jing, LIU Yanhong, WEI Zhongyang, XU Jingtian. Parameter Estimation of P-norm Distribution Based on the Moments Approach[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4): 563-568. doi: 10.13203/j.whugis20140968

基于矩估计法的P范分布参数估计

doi: 10.13203/j.whugis20140968
基金项目: 

国家自然科学基金 41374017,40974002, 11471105

详细信息
    作者简介:

    潘雄,博士,教授,主要从事测绘数据处理及应用研究。pxjlh@163.com

    通讯作者: 徐景田,博士,副教授。512150811@qq.com
  • 中图分类号: P207

Parameter Estimation of P-norm Distribution Based on the Moments Approach

Funds: 

The National Natural Science Foundation of China 41374017,40974002, 11471105

More Information
    Author Bio:

    PAN Xiong, PhD,professor, specialized in the research on surveying data processing.E-mail:pxjlh@163.com

    Corresponding author: XU Jingtian,PhD, associate professor. E-mail:512150811@qq.com
  • 摘要: P范分布的参数估计值的精度对观测值的估计效率和数据处理的精度影响较大。从观测值分布的实际情况和简化运算出发,引入二/四阶矩估计方法估计P范分布的形状参数和方差,给出了二/四阶矩估计法的形状参数的近似计算式。为了进一步提高估计效率,引入对数期望矩估计法,将绝对矩与对数绝对矩相结合,导出了基于对数期望矩估计法的P范分布形状参数p、方差σ的合理估计表达式。最后利用两组模拟数据对该模型和计算方法的正确性进行了验证,并与传统极大似然估计方法进行了对比分析。结果表明,当样本数较少时,二/四阶矩估计法和对数期望矩估计法在收敛性、稳定性和准确性等方面优于极大似然估计法。
  • 图  1  p=1时3种方法的估计量的相对偏差曲线

    Figure  1.  Relative Deviation Curve of Estimations by Three Methods when p=1

    图  2  p=1时3种方法的估计量的估计效率曲线

    Figure  2.  Estimation Efficiency Curve of Estimations by Three Methods when p=1

    图  3  p=2时3种方法的估计量的相对偏差曲线

    Figure  3.  Relative Deviation Curve of Estimations by Three Methods when p=2

    图  4  p=2时3种方法的估计量的估计效率曲线

    Figure  4.  Estimation Efficiency Curve of Estimations by Three Methods when p=2

    表  1  p=1时的参数平差结果对比情况

    Table  1.   Comparison Situation of Parameter-estimation Value when p=1

    n极大似然平差法二/四阶矩估计法对数期望矩估计法
    103.457 30.723 51.656 50.539 41.618 50.541 2
    202.398 00.511 81.400 20.697 81.517 50.621 0
    301.393 00.910 21.217 01.039 41.105 41.060 9
    400.778 91.037 11.177 00.850 80.838 60.942 3
    501.297 30.898 91.128 30.877 51.122 80.926 5
    600.798 10.880 31.135 20.775 41.132 10.792 1
    700.891 80.827 51.131 80.862 30.884 80.837 6
    800.936 60.908 90.966 41.081 00.939 61.089 0
    900.969 60.967 91.030 50.915 20.992 10.920 0
    1000.953 21.088 71.038 71.071 00.947 61.096 1
    1100.962 11.053 90.987 51.043 91.010 91.037 9
    1200.973 91.015 00.982 50.995 30.975 30.982 4
    1300.978 01.021 30.981 11.015 71.036 41.002 0
    1401.028 40.968 30.972 00.982 00.975 50.994 9
    1501.023 60.971 00.972 70.978 80.995 30.973 1
    1601.030 40.992 11.023 60.986 00.989 40.994 4
    1701.028 70.974 11.021 60.975 21.011 30.977 6
    1801.029 30.970 21.038 60.963 40.974 80.989 6
    1901.023 70.953 21.013 70.955 11.014 80.954 8
    2000.983 21.015 41.011 90.981 30.970 50.967 6
    下载: 导出CSV

    表  2  p=2时的参数估值对比情况

    Table  2.   Comparison Situation of Parameter-estimation Value when p=2

    n极大似然平差法二/四阶矩估计法对数期望矩估计法
    103.493 81.314 83.119 91.145 71.511 41.128 9
    203.016 60.730 32.448 10.734 91.770 80.733 6
    302.738 70.801 21.834 60.889 71.890 40.899 9
    401.749 00.969 21.835 20.971 41.904 00.967 0
    501.876 10.784 81.967 00.806 11.907 40.845 4
    602.213 01.188 32.081 01.196 41.912 11.211 7
    701.966 70.999 21.966 20.997 81.934 11.013 7
    802.084 01.042 92.059 21.060 61.958 31.066 6
    901.888 21.092 81.931 91.083 81.926 51.094 2
    1001.834 60.976 71.947 10.982 81.940 30.984 6
    1102.045 60.935 21.933 70.961 72.067 80.948 3
    1202.045 10.952 41.965 00.969 32.048 00.960 6
    1302.025 81.011 32.015 81.002 91.958 81.046 2
    1401.976 41.000 32.005 30.995 91.962 81.007 1
    1502.036 91.047 41.971 01.058 91.950 21.062 2
    1601.976 91.035 41.960 71.059 21.976 31.035 8
    1702.026 51.000 61.971 21.009 01.961 21.025 6
    1801.963 21.028 91.977 31.034 52.027 61.031 6
    1901.981 51.032 32.013 61.029 91.974 31.051 7
    2001.976 41.021 82.020 21.019 51.972 51.044 0
    下载: 导出CSV
  • [1] 孙海燕. P范分布的近似表示[J].武汉大学学报·信息科学版,2001,26(3):222-225 http://ch.whu.edu.cn/CN/abstract/abstract5172.shtml

    Sun Haiyan.Approximate Representation of the P-norm Distribution[J].Geomatics and Information Science of Wuhan University,2001,26(3):222-225 http://ch.whu.edu.cn/CN/abstract/abstract5172.shtml
    [2] 刘大杰,史文中,童小华,等.GIS空间数据的精度分析与质量控制[M].上海:上海科学技术文献出版社,1999

    Liu Dajie,Shi Wenzhong,Tong Xiaohua, et al. The Precision Analysis and Quality Control of GIS Spatial Data[M]. Shanghai:Shanghai Science and Technology Literature Press,1999
    [3] 蓝悦明,贾媛.GPS观测值误差分布的研究[J].测绘通报,2008,4:12-13 http://www.cnki.com.cn/Article/CJFDTOTAL-CHTB200804007.htm

    Lan Yueming, Jia Yuan. Research on the Distribution of GPS Observation Error[J].Bulletin of Surveying and Mapping, 2008,4:12-13 http://www.cnki.com.cn/Article/CJFDTOTAL-CHTB200804007.htm
    [4] 潘雄,半参数模型的估计理论及其应用[D].武汉:武汉大学,2005

    Pan Xiong.The Estimation Theory and Application of Semi-parametric Model[D].Wuhan:Wuhan University, 2005
    [5] 李克行.基于LP估计的SLR数据处理与分析[D].上海:中国科学院上海天文台,2005

    Li Kexing.SLR Data Processing and Analysis Based on LP Estimation[D]. Shanghai:Shanghai Astronomical Observatory, CAS,2005
    [6] 李博峰,沈云中.P范分布混合整数模型极大似然估计[J].测绘学报,2010, 39 (2):141-145 http://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201002009.htm

    Li Bofeng,Shen Yunzhong.Maximum Likelihood Estimation in Mixed Integer Linear Model with P-norm Distribution[J].Acta Geodaetica et Cartogra-phica Sinica,2010,39(2):141-145 http://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201002009.htm
    [7] 刘正才, 朱建军, 王怀玉. P范分布密度函数的形式差异辨析与统一[J]. 武汉大学学报·信息科学版,2005,30(12):1052-1055 http://ch.whu.edu.cn/CN/abstract/abstract2336.shtml

    Liu Zhengcai,Zhu Jianjun,Wang Huaiyu. Formal Difference Analysis and Unification on P-norm Distribution Density Functions[J].Geomatics and Information Science of Wuhan University,2005,30 (12):1052-1055 http://ch.whu.edu.cn/CN/abstract/abstract2336.shtml
    [8] 孙海燕, 胡宏昌.P范分布及其抽样分布[J].应用概率统计,2009, 19(4):424 -428 http://www.cnki.com.cn/Article/CJFDTOTAL-YYGN200304011.htm

    Sun Haiyan,Hu Hongchang.P-norm Distribution and Its Sampling Distributions[J].Chinese Journal of Applied Probability and Statistics,2009, 19(4):424-428 http://www.cnki.com.cn/Article/CJFDTOTAL-YYGN200304011.htm
    [9] 潘雄,程少杰,赵春茹.一元P范分布的参数快速估计方法[J].武汉大学学报·信息科学版,2010, 35(2):189 -192 http://ch.whu.edu.cn/CN/abstract/abstract861.shtml

    Pan Xiong, Cheng Shaojie, Zhao Chunru.The Fast Paramrter Estimation Method of Monadic P-norm Distribution[J].Geomatics and Information Science of Wuhan University, 2010,35(2):189-192 http://ch.whu.edu.cn/CN/abstract/abstract861.shtml
    [10] 潘雄,付宗堂.一元有界P范分布的参数自适应估计[J].武汉大学学报·信息科学版,2007, 32(4):323-325 http://ch.whu.edu.cn/CN/abstract/abstract1861.shtml

    Pan Xiong,Fu Zongtang.Parameter Adaptive Estimation of Bounded P-norm Distribution[J].Geomatics and Information Science of Wuhan University,2007,32(4):323-325 http://ch.whu.edu.cn/CN/abstract/abstract1861.shtml
    [11] 胡文琳,王永良.基于zrlog(z)期望的K分布参数估计[J].电子与信息学报, 2008,30(1):203-205

    Hu Wenlin,Wang Yongliang. Parameter Estimation for the K Distribution Based on zr log(z)Expectation[J].Journal of Electronics and Information Technology,2008, 30(1):203-205
    [12] Armando J G. A Practical Procedure to Estimate the Shape Parameter in the Generalized Gaussian Distribution[J]. Technique Report,2003:101-138
    [13] Blacknell D, Tough R J. Parameter Estimation for the K-Distribution Based on[zlog(z)] [J]. IEEE Proc-Radar, Sonar, Navigation, 2001, 148 (6):309-312 doi:  10.1049/ip-rsn:20010720
  • [1] 王乐洋, 邹传义.  乘性误差模型参数估计及精度评定的Sterling插值方法 . 武汉大学学报 ● 信息科学版, 2022, 47(2): 219-225. doi: 10.13203/j.whugis20200052
    [2] 王乐洋, 邹传义.  PEIV模型参数估计理论及其应用研究进展 . 武汉大学学报 ● 信息科学版, 2021, 46(9): 1273-1283, 1297. doi: 10.13203/j.whugis20200312
    [3] 汪奇生, 杨德宏, 杨腾飞.  EIV模型参数估计的新方法 . 武汉大学学报 ● 信息科学版, 2016, 41(3): 356-360. doi: 10.13203/j.whugis20140182
    [4] 李凯锋, 欧阳永忠, 陆秀平, 吴太旗.  海道测量定位中对流层延迟差分估计技术研究 . 武汉大学学报 ● 信息科学版, 2013, 38(8): 930-934.
    [5] 刘经南, 曾文宪, 徐培亮.  整体最小二乘估计的研究进展 . 武汉大学学报 ● 信息科学版, 2013, 38(5): 505-512.
    [6] 张小红, 李盼, 李星星, 郭斐.  天线相位中心改正模型对PPP参数估计的影响 . 武汉大学学报 ● 信息科学版, 2011, 36(12): 1470-1473.
    [7] 潘雄, 程少杰, 赵春茹.  一元p范分布的参数快速估计方法 . 武汉大学学报 ● 信息科学版, 2010, 35(2): 189-192.
    [8] 陶本藻, 邱卫宁.  线性模型估计方法的分析与进展 . 武汉大学学报 ● 信息科学版, 2007, 32(11): 972-974.
    [9] 潘雄, 付宗堂.  一元有界p范分布的参数自适应估计 . 武汉大学学报 ● 信息科学版, 2007, 32(4): 323-325.
    [10] 宁伟, 陶华学, 卿熙宏.  广义非线性最小二乘测量参数平差的快速差分迭代解算 . 武汉大学学报 ● 信息科学版, 2005, 30(7): 617-620.
    [11] 李书进, 虞晖.  基于扩展卡尔曼滤波的非线性带滑移滞变系统的实时估计 . 武汉大学学报 ● 信息科学版, 2004, 29(1): 89-92.
    [12] 孙海燕, 潘雄.  一元p-范分布的参数估计 . 武汉大学学报 ● 信息科学版, 2003, 28(5): 551-554.
    [13] 游扬声, 王新洲.  基于信息扩散的极大似然估计 . 武汉大学学报 ● 信息科学版, 2003, 28(5): 562-565.
    [14] 陶本藻, 姚宜斌.  基于多面核函数配置型模型的参数估计 . 武汉大学学报 ● 信息科学版, 2003, 28(5): 547-550.
    [15] 王新洲.  基于信息扩散原理的估计理论、方法及其抗差性 . 武汉大学学报 ● 信息科学版, 1999, 24(3): 240-244.
    [16] 王新洲.  非线性模型参数估计的直接解法 . 武汉大学学报 ● 信息科学版, 1999, 24(1): 64-67.
    [17] 陶本藻, 刘大杰.  参数估计的统一模型——广义Gauss-Markov模型 . 武汉大学学报 ● 信息科学版, 1990, 15(4): 76-84.
    [18] 奚长元.  变形模型辨识与参数估计 . 武汉大学学报 ● 信息科学版, 1990, 15(2): 72-81.
    [19] 林高宇, 王磊, 何飞扬, 宋晓迪, 郭际明.  Swarm低轨卫星星座的GPS接收机差分码偏差估计 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20200479
    [20] 彭飞,王中,孟庆旭,邱封钦,杨玉锋,潘雄.  EM 算法在 P 范混合模型的参数估计中的应用 . 武汉大学学报 ● 信息科学版, 0, 0(0): 0-0. doi: 10.13203/j.whugis20200172
  • 加载中
图(4) / 表(2)
计量
  • 文章访问数:  1223
  • HTML全文浏览量:  77
  • PDF下载量:  407
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-03-26
  • 刊出日期:  2017-04-05

基于矩估计法的P范分布参数估计

doi: 10.13203/j.whugis20140968
    基金项目:

    国家自然科学基金 41374017,40974002, 11471105

    作者简介:

    潘雄,博士,教授,主要从事测绘数据处理及应用研究。pxjlh@163.com

    通讯作者: 徐景田,博士,副教授。512150811@qq.com
  • 中图分类号: P207

摘要: P范分布的参数估计值的精度对观测值的估计效率和数据处理的精度影响较大。从观测值分布的实际情况和简化运算出发,引入二/四阶矩估计方法估计P范分布的形状参数和方差,给出了二/四阶矩估计法的形状参数的近似计算式。为了进一步提高估计效率,引入对数期望矩估计法,将绝对矩与对数绝对矩相结合,导出了基于对数期望矩估计法的P范分布形状参数p、方差σ的合理估计表达式。最后利用两组模拟数据对该模型和计算方法的正确性进行了验证,并与传统极大似然估计方法进行了对比分析。结果表明,当样本数较少时,二/四阶矩估计法和对数期望矩估计法在收敛性、稳定性和准确性等方面优于极大似然估计法。

English Abstract

潘雄, 罗静, 刘衍宏, 韦忠扬, 徐景田. 基于矩估计法的P范分布参数估计[J]. 武汉大学学报 ● 信息科学版, 2017, 42(4): 563-568. doi: 10.13203/j.whugis20140968
引用本文: 潘雄, 罗静, 刘衍宏, 韦忠扬, 徐景田. 基于矩估计法的P范分布参数估计[J]. 武汉大学学报 ● 信息科学版, 2017, 42(4): 563-568. doi: 10.13203/j.whugis20140968
PAN Xiong, LUO Jing, LIU Yanhong, WEI Zhongyang, XU Jingtian. Parameter Estimation of P-norm Distribution Based on the Moments Approach[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4): 563-568. doi: 10.13203/j.whugis20140968
Citation: PAN Xiong, LUO Jing, LIU Yanhong, WEI Zhongyang, XU Jingtian. Parameter Estimation of P-norm Distribution Based on the Moments Approach[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4): 563-568. doi: 10.13203/j.whugis20140968
    • 在测量数据处理中,通常假设观测误差服从正态分布,利用最小二乘法求解待估参数的估计值。随着观测手段与观测仪器的进步,观测值日趋多样化,观测误差的分布有时并不服从正态分布[1],如地图数字化误差一般就是服从p=1.6的P范分布[2],GPS观测误差服从p=1.4的P范分布[3]等。当观测误差不服从正态分布时,少数几个含有较大误差或粗差的观测值就可能使最小二乘解崩溃[1, 4]。文献[1]认为观测值服从P范分布[1, 3, 5],利用P范最小估计准则能较好地解决这一问题;李博峰[6]、刘正才[7]、孙海燕[1, 8]等分别研究了P范分布的多种变形形式,得到了一些有用的结果。

      利用P范最小估计准则进行平差时需要事先知晓形状参数p的值。但实际情况则是给定一组观测值,并不知道p取何值最合适。在进行数据处理时,应该合理选择p,使得观测值的误差分布更接近于实际情况,从而提高参数估计的精度。文献[9]指出,当所选择的p与实际值p0不符时,参数估计的效率相差较大。例如,当误差实际分布p0=2,选定p=1进行估计时,估计效率只能达到63.7%。当实际分布p0=1,而选定的p=2进行估计时,估计效率却只能达到50%。文献[5]指出,p的取值只有0.1个数量级的变化时,对数据处理的精度所产生的影响却是指数级的。因此探讨参数p的合理快速取值方法十分必要[10-12]

      本文从一元P范分布参数估计的快速性、稳定性和高精度性出发,利用矩值法分别给出了基于二/四阶矩估计法与对数期望矩估计法的P范分布的形状参数p以及方差σ的合理计算公式,利用该公式可以直接求解得到观测值的p值,免去了繁琐的重复迭代过程,能够快速地求解各参数。

    • 假设观测值误差Δ服从一元P范分布,概率密度函数为[1]

      (1)

      式中,为伽玛函数;σ表示观测值标准差;p表示形状参数。设x1x2、 …、 xn为服从P范分布的一个简单样本值。其m阶矩如下:

      (2)

      由于偶数阶中心矩的大小与图形分布的峰度系数有关,峰度系数可以表征观测数据概率密度函数曲线在平均值处的峰值高低。二阶中心矩就是观测值的方差,它在一定程度上可以反映分布的峰度系数,但方差相同的数据却可能有不同的峰度系数。此时可以利用四阶中心矩来反映分布的尖峭程度。因此,将二阶与四阶矩结合起来研究形状参数的合理取值,具有一定的理论意义。

      由式 (2) 定义二/四阶矩估计如下:

      (3)

      对式 (3) 以样本矩代替总体矩,则有:

      (4)

      由式 (2) 知,当m=1时,可以得到标准差σ的估计公式:

      (5)

      因此,由式 (4)、式 (5),利用观测值就可以得到参数的估计值。

      由于式 (4) 为非线性方程,一般采用迭代的方法进行求解。合理选取迭代初始值之后,能快速地得到最优估值。为了更快捷地得到值,在此不妨采用曲线拟合的方法简化H2(p)。通过观察函数H2(p) 的图形,发现其函数图像与指数函数图像较为相似。因此,设拟合的指数函数模型为y=a+becp, 利用MATLAB的cftool工具箱自定义该模型进行拟合,得到参数a、 b、 c的估计值分别为,则H2(p) 的近似函数为:

      (6)

      由式 (6) 得到参数p的估计公式:

      (7)
    • 式 (6) 是通过拟合得到的估计公式,为了进一步提高估计精度,引入对数期望矩估计法。由于基于对数的估计方法进行快速计算时,对于降低数据计算的复杂性具有一定的优势,因此定义一阶对数绝对矩为:

      (8)

      将绝对矩与对数绝对矩结合起来得到:

      (9)

      , 则,对式 (8)、式 (9) 进行计算,得:

      (10)
      (11)

      由式 (11),得对数期望法求解p值的表达式为:

      (12)

      式中,φ(·) 是普西函数,用样本矩代替总体矩,式 (12) 变为:

      (13)

      式 (13) 即为对数期望矩估计法求解P范分布参数估计值的表达式,该式避免了分数运算,形式较二/四阶矩估计法更为简洁。采用数值方法求解式 (13) 即能快速得到P范分布的参数估计值,进一步得到方差的估计值

      在数据处理过程中,形状参数p一直都是最难确定的值。在之前的计算方法中[1, 4],需采用迭代方法得到关于p的重复迭代式,然后通过多步迭代直到满足迭代条件时确定p值,因此其计算量较大,计算过程比较繁琐且耗时较长。另外,迭代初值的选取也在很大程度上影响最终的迭代结果以及迭代的速度。通过二/四阶矩估计法和对数期望矩估计法,能将参数p的求解过程简单化,避免了繁琐的迭代过程。

    • 本文利用两组来自不同母体的观测数据,讨论利用§1与§2两种方法估计参数p的估计效果,一组数据来自标准正态分布的子样 (p=2, σ=1),另一组来自标准拉普拉斯分布的子样 (p=1, σ=1),样本总数均为200。由式 (7) 和式 (13),得到不同样本情况下的参数估值。

    • 当观测子样服从拉普拉斯分布时 (形状参数p=1),分别利用极大似然估计法、二/四阶矩估计法和对数期望矩估计法推导的公式进行计算得到样本量由小至大时的参数估值,计算结果见表 1

      表 1  p=1时的参数平差结果对比情况

      Table 1.  Comparison Situation of Parameter-estimation Value when p=1

      n极大似然平差法二/四阶矩估计法对数期望矩估计法
      103.457 30.723 51.656 50.539 41.618 50.541 2
      202.398 00.511 81.400 20.697 81.517 50.621 0
      301.393 00.910 21.217 01.039 41.105 41.060 9
      400.778 91.037 11.177 00.850 80.838 60.942 3
      501.297 30.898 91.128 30.877 51.122 80.926 5
      600.798 10.880 31.135 20.775 41.132 10.792 1
      700.891 80.827 51.131 80.862 30.884 80.837 6
      800.936 60.908 90.966 41.081 00.939 61.089 0
      900.969 60.967 91.030 50.915 20.992 10.920 0
      1000.953 21.088 71.038 71.071 00.947 61.096 1
      1100.962 11.053 90.987 51.043 91.010 91.037 9
      1200.973 91.015 00.982 50.995 30.975 30.982 4
      1300.978 01.021 30.981 11.015 71.036 41.002 0
      1401.028 40.968 30.972 00.982 00.975 50.994 9
      1501.023 60.971 00.972 70.978 80.995 30.973 1
      1601.030 40.992 11.023 60.986 00.989 40.994 4
      1701.028 70.974 11.021 60.975 21.011 30.977 6
      1801.029 30.970 21.038 60.963 40.974 80.989 6
      1901.023 70.953 21.013 70.955 11.014 80.954 8
      2000.983 21.015 41.011 90.981 30.970 50.967 6

      用估计量的相对偏差来表示参数估计的精度,3种方法的估计量的相对偏差曲线如图 1所示。

      图  1  p=1时3种方法的估计量的相对偏差曲线

      Figure 1.  Relative Deviation Curve of Estimations by Three Methods when p=1

      图 1可以看出,当样本数小于60时,极大似然估计法精度最低,其余两种方法精度相差不大,当样本数大于60时,三者精度相差不大。在测绘数据处理过程中得到的数据一般为小样本数据,因此,应用本文方法较好。由文献[6]可以计算出样本数与参数估计效率的关系,如图 2所示。

      图  2  p=1时3种方法的估计量的估计效率曲线

      Figure 2.  Estimation Efficiency Curve of Estimations by Three Methods when p=1

      图 2可以看出,当样本数为30时,估计效率就达到1,优于传统的极大似然估计方法。

    • 为了进一步验证本文方法的普适性,采用服从正态分布 (p=2) 的样本,利用上述3种方法验证3种方法的估计效果。参数估值对比情况见表 2

      表 2  p=2时的参数估值对比情况

      Table 2.  Comparison Situation of Parameter-estimation Value when p=2

      n极大似然平差法二/四阶矩估计法对数期望矩估计法
      103.493 81.314 83.119 91.145 71.511 41.128 9
      203.016 60.730 32.448 10.734 91.770 80.733 6
      302.738 70.801 21.834 60.889 71.890 40.899 9
      401.749 00.969 21.835 20.971 41.904 00.967 0
      501.876 10.784 81.967 00.806 11.907 40.845 4
      602.213 01.188 32.081 01.196 41.912 11.211 7
      701.966 70.999 21.966 20.997 81.934 11.013 7
      802.084 01.042 92.059 21.060 61.958 31.066 6
      901.888 21.092 81.931 91.083 81.926 51.094 2
      1001.834 60.976 71.947 10.982 81.940 30.984 6
      1102.045 60.935 21.933 70.961 72.067 80.948 3
      1202.045 10.952 41.965 00.969 32.048 00.960 6
      1302.025 81.011 32.015 81.002 91.958 81.046 2
      1401.976 41.000 32.005 30.995 91.962 81.007 1
      1502.036 91.047 41.971 01.058 91.950 21.062 2
      1601.976 91.035 41.960 71.059 21.976 31.035 8
      1702.026 51.000 61.971 21.009 01.961 21.025 6
      1801.963 21.028 91.977 31.034 52.027 61.031 6
      1901.981 51.032 32.013 61.029 91.974 31.051 7
      2001.976 41.021 82.020 21.019 51.972 51.044 0

      三种方法得到的估计量的相对偏差曲线和估计效率曲线如图 3图 4所示。

      图  3  p=2时3种方法的估计量的相对偏差曲线

      Figure 3.  Relative Deviation Curve of Estimations by Three Methods when p=2

      图  4  p=2时3种方法的估计量的估计效率曲线

      Figure 4.  Estimation Efficiency Curve of Estimations by Three Methods when p=2

      表 2图 3图 4可以看出,当样本数小于30时,就可以达到较高的估计精度,并且优于传统的极大似然估计方法。

    • 从上述计算结果可以看出,无论观测数据服从何种分布,当观测子样较少 (小于30) 时,二/四阶矩估计法和对数期望矩估计法的估计值均偏离真实值,均优于极大似然平差法。随着参与平差的样本数的增加,通过这三种方法求得的P范分布形状参数与标准差的估计值均越来越接近于理论值,估值之间差别不大,且逐渐稳定,符合统计规律。在大样本量的情况下,对数期望矩估计法和二/四阶矩估计法与极大似然估计法估计效果相当。在小样本量的情况下,采用对数矩估计法和二/四阶矩估计法估计结果要要优于极大似然估计法。

      图 1~图 4可以看出,极大似然估计法的参数估计值的偏差的收敛速度最快,其次是二/四阶矩估计法、对数期望矩估计法,当样本量增大到一定程度时,收敛速度趋于稳定。相同样本下,对数期望矩估计法的估计效率最高。在估计的稳定性方面,样本量小时,二/四阶矩估计法与对数期望矩估计法的估计量明显优于极大似然估计法。通过多组模拟数据计算分析,对数期望矩估计法表现出更优的稳定性以及精确性。

      因此,采用二/四阶矩估计法与对数期望矩估计法可以一定程度上提高参数估计的效率。

    • 本文利用矩估计法对P范分布的参数进行估计,对如何利用二/四阶矩估计法与对数期望矩估计法合理求解形状参数p及方差σ的估计过程进行了详细的介绍。最后通过模拟数据,验证了二/四阶矩估计法与对数期望矩估计法的有效性、稳定性以及高精度性,为P范分布理论的扩展提供新的思路。

参考文献 (13)

目录

    /

    返回文章
    返回