【目的】通量塔观测的CO2通量数据具有较高的缺失比率,给通量塔数据的应用带来困难,因此,需要建立合理的插补方法对缺失数据进行插补,获取完整和可靠的CO2通量数据。本研究分析了不同参数估计窗口大小条件下基于夜间数据(NB)和基于白天数据(DB)的插补方法对CO2通量估算的影响,从而为选择最优的插补方法提供参考依据。【方法】以2011年毛竹林生态系统碳通量塔观测的净生态系统交换量、温度以及光合有效辐射为基础数据,给定不同的参数估计窗口大小,采用NB和DB插补方法对CO2通量缺失数据进行插补,以实测数据评价参数估计窗口大小对CO2通量估算的影响。【结果】参数估计窗口影响插补的波动程度随窗口增大而降低...

在抽样调查活动中,如何对含缺失的数据集进行总体参数估计是一个热点话题。目前已有方法主要针对因变量数据缺失的情形,对协变量缺失的情况研究较少。文章在协变量数据缺失机制为MAR或NMAR的情形下,介绍了几种协变量缺失情形下参数估计的方法,包括多重插补法、Bayes法、EM极大似然估计法,尝试将EM算法、Gibbs抽样法、数据扩充算法等统计计算方法引入协变量缺失情形下的参数估计问题。并通过数值模拟,对几种方法进行比较。

【目的】探究环境因子对毛竹林CO_2通量的影响,为亚热带典型森林碳循环模拟提供技术和理论支撑。【方法】基于浙江省安吉县山川乡2011—2014年毛竹林通量塔观测数据,采用随机森林模型对毛竹林CO_2通量进行模拟,以均方根误差(RMSE)、决定系数(R~2)和林氏调和系数(LCCC)3个指标评价模型精度,并通过计算环境因子重要性得分来分析环境因子对毛竹林CO_2通量的影响。【结果】随机森林模型能以较高精度模拟毛竹林CO_2通量,但由于2013年7和8月发生极端高温干旱,模型难以刻画这种短时、剧烈的干扰,最终导致测试阶段模型精度(R~2=0.845 5,RMSE=0.437 7 mg·m~(-2)s~(-1),LCCC=0.914 1)低于训练阶段模型精度(R~2=0.961 5,RMSE=0.005 4 mg·m~(-2)s~(-1),LCCC=0.980 1);十折交叉验证表明,随机森林模型拟合效果稳定,且模型内部参数设置合理,模型误差主要来自于输入数据;在月尺度上,环境因子对毛竹林CO_2通量影响的重要性得分表现为光合有效辐射PAR(63.332)>土壤5 cm深处温度T_S(29.932)>空气相对湿度R_H(25.839)>大气温度T_A(25.581)>空气CO_2浓度C_(CO_2)(25.095)>饱和水汽压差VPD(24.123)>风速W_S(23.504)>生态系统有效能量A_E(19.323)>土壤热通量Q_S(18.502),PAR对毛竹林CO_2通量变化影响最大,PAR、T_S和VPD对毛竹林CO_2通量的影响较显著(P

抽样调查领域常采用对多个受访者进行跟踪调查得到面板数据,进而对总体特性进行统计推断,在面板数据中常含缺失数据,大多数处理面板缺失数据的软件都是直接删去含缺失值的受访者以得到完全数据集,当数据缺失机制为非随机缺失时会导致总体参数估计结果有偏。本文针对数据缺失机制为非随机缺失的情形,阐述了如何对面板数据进行统计分析,主要是基于模型的似然推断法,对目标变量、缺失指示变量和随机效应向量的联合分布建模,在已有选择模型和模式混合模型的基础上,引入随机效应,研究目标变量期望的计算方法,并研究随机效应杂合模型下参数的估计方法,在变量分布相对简单的情形下给出了用极大似然法推断总体参数的估计步骤,最后通过模拟分析比较方法的优劣。

Weibull分布是一种常见的计算可靠性的分布，其尺度参数和形状参数常用极大似然估计法或最小二乘法进行估计。在对含缺失数据的Weibull分布进行参数估计时，若只使用完整数据进行估计，将会造成较大偏差。针对该问题，文章模拟一组服从Weibull分布的数据集，使其分别随机缺失10%、25%、40%和60%，缺失数据采用Bootstrap插补法处理，模拟验证结果表明，随着缺失比例增加，参数估计值与真实值的差别逐渐扩大，当缺失比例不超过60%时，Bootstrap插补法可作为处理Weibull分布缺失数据的方法。用MCMC法验证不同缺失比例下Bootstrap插补法的性能，结果表明，缺失比例越高，估计值的偏差和均方误差越大。运用真实经纱断裂数据验证上述试验，所得结果与模拟试验结果基本吻合。

文章在响应变量随机缺失下研究非线性均值方差模型的参数估计问题。基于回归插补和随机回归插补两种缺失插补方法以及结合Gauss-Newton迭代计算算法给出该模型中未知参数的极大似然估计。并通过对两个随机模拟例子实际例子的研究分析,结果都表明了所提出的模型与统计方法具有可行性和实用性。

文章研究了响应变量随机缺失下分位数回归模型的参数估计问题。首先基于观测数据得到了响应变量的条件分位数估计;其次在响应变量随机缺失的假定下,对缺失数据进行多重插补;最后,基于插补后的数据集对模型进行参数估计。该方法在数据缺失率较大或协变量维数较大时,参数估计结果依然有效。通过随机模拟说明了该方法的优越性。

文章在响应变量随机缺失下研究非线性均值方差模型的参数估计问题。基于回归插补和随机回归插补两种缺失插补方法以及结合Gauss-Newton迭代计算算法给出该模型中未知参数的极大似然估计。并通过对两个随机模拟例子实际例子的研究分析,结果都表明了所提出的模型与统计方法具有可行性和实用性。

随机系数自回归模型能够较好地描述模型系数随时间变化的特性,因此得到了广泛应用。文章讨论具有缺失数据的随机系数自回归模型的参数估计问题,在缺失数据情形下给出了四种模型参数估计方法:无数据填充条件最小二乘法、均值填充法、条件均值填充法以及桥填充法。最后,通过随机模拟说明了上述估计方法的精确性,并给出了应用实例。

因变量非随机缺失是指样本中因变量的缺失机制与其自身特征高度相关,由于样本缺失具有选择性而不再适合推断总体特征。文章借鉴非随机缺失数据均值泛函估计的思想,运用基于指数倾斜的半参数模型解决非随机缺失样本的二分类问题,结合8类因变量缺失情形进行数值模拟研究,将半参数模型对非随机缺失样本的分类效果与Logit模型、SVM模型、决策树模型进行比较,实证结果表明,半参数方法的分类效果具有明显优势。

文章针对林学研究中缺失数据下的线性模型,依据贝叶斯原理,推导出了基于MCMC方法参数估计的迭代公式。并以8个杉木固定样地观测资料的真实数据建立模型,通过s-plus软件编程,进行计算机模拟和有关的数据分析,得到了不同缺失率下参数的估计结果。

【目的】探讨受保护状态下的杭州西溪湿地基塘系统不同类型竹林土壤CO_2通量特征,为基塘湿地生态系统温室气体估算和碳氮循环研究提供科学依据。【方法】采用静态密闭箱-气相色谱法测定西溪国家湿地公园保护区内毛竹林和早竹林的土壤CO_2通量,蒸馏水浸提法与TOC-Vcp H测定土壤水溶性碳氮(WSOC和WSON)含量,氯仿熏蒸-K2SO4提取法测定土壤微生物生物量碳氮(MBC和MBN)含量。【结果】2种竹林土壤CO_2通量差异明显,毛竹林土壤CO_2通量较高,全年各月土壤CO_2通量为(127.4±24.1)~(537.2±41.1)mg·m~(-2)h~(-1),早竹林土壤CO_2通量为(2.1±0.6)~(120.0±22.9)mg·m~(-2)h~(-1);毛竹林与早竹林全年土壤CO_2累积排放量分别为3 366.3和558.4 g·m~(-2)a~(-1),毛竹林土壤CO_2年累积排放量是早竹林的6倍;2种竹林土壤CO_2通量与10 cm深处土壤层温度、土壤含水量呈线性相关;毛竹林与早竹林的土壤水溶性碳含量均在8月达到最大值,分别为(348.1±25.5)和(146.1±9.9)mg·kg~(-1),均在10和12月出现最低值,分别为(202.5±28.5)和(54.9±13.8)mg·kg~(-1),土壤水溶性氮含量在2种竹林中都没有表现出特殊规律,年度波动较大;毛竹林与早竹林土壤微生物生物量碳含量峰值出现在6月,分别为(279.0±17.6)和(313.9±38.6)mg·kg~(-1),2—4月出现最低值,分别为(219.7±13.8)和(198.7±12.8)mg·kg~(-1),毛竹林各月土壤微生物生物量氮含量为(21.4±3.8)~(43.7±4.2)mg·kg~(-1),早竹林各月土壤MBN含量的波动范围比毛竹林大,为(13.9±1.4)~(57.0±10.8)mg·kg~(-1);2种竹林土壤CO_2通量与土壤水溶性碳含量显著正相关(P<0.05),与其他参数间相关性均不显著。【结论】西溪湿地基塘系统不同类型竹林土壤CO_2通量具有强烈的时间异质性,其动态受季节性水热条件和呼吸底物土壤水溶性碳变化的共同调控。基塘系统封育有利于转变原先粗犷的开垦利用方式,可减少土壤水溶性碳含量和土壤CO_2排放。

文章依据贝叶斯原理,基于MCMC方法推导了缺失数据下混合模型的参数估计迭代公式.以8个杉木固定样地观测资料数据建立混合模型,通过计算机模拟,得到了缺失30%时参数的估计结果,并与线性模型下三种方法的估计结果做了比较分析。

【目的】分析比较不同插补方法对生态系统潜热通量(F_(LE))缺失值的插补精度。【方法】利用涡度相关法于2019年对北京市松山国家级自然保护区典型天然落叶阔叶林生态系统F_(LE)与环境要素进行原位连续监测，通过3种插补方法(边缘分布抽样法、线性回归法、人工神经网络法)对F_(LE)缺失数据(0.5 h数据中随机剔除)进行插补，分析实测F_(LE)、插补F_(LE)与环境因子间的关系。【结果】3种插补结果均低估了实测F_(LE)，其中人工神经网络插补值最接近实测值(决定系数R~2=0.40)。实测F_(LE)与空气温度(T_a)、饱和水汽压差(D_(VP))间均呈指数关系。边缘分布抽样法插补F_(LE)与T_a、D_(VP)间的关系最接近实测F_(LE)，然而3种插补方法都不同程度改变了F_(LE)对T_a和D_(VP)的敏感性。【结论】人工神经网络法的插补结果与实测值最接近，边缘分布抽样法的结果与环境因子间的关系最接近实测值与环境因子间的关系，因此未来研究应依据研究目的选取合适的插补方法。图5表1参41

文章首先给出Lomax分布次序统计量的密度函数,得到次序统计量的相关特征数;其次在缺失数据样本下给出参数λ的无偏估计、近似极大似然估计及置信区间。通过实例计算了参数λ的几种估计,并验证其优良性。