具有结构变化的线性回归模型的局部影响分析

利用曲率方法研究具有结构变化的线性回归模型的局部影响,分别得到了在自变量、因变量和加权扰动下相应的诊断统计量,并通过具体的数值实例说明了本文结论的有效性.     

Logistic模型的局部影响分析

利用曲率方法研究了Logistic模型的局部影响,推导出了漂移扰动、加权扰动、自变量扰动及因变量扰动下的曲率计算公式,最后给出了实例分析,证实了结论的有效性.     

ZIP回归模型的局部影响诊断

基于EM算法和完全数据对数似然的条件期望,分别研究了ZIP回归模型在加权扰动、解释变量扰动和响应变量扰动下的局部影响诊断问题,得到了相应的诊断统计量．最后通过一个实例说明诊断统计量的有效性。     

具有特殊散布阵的线性回归模型的局部影响分析

讨论和推广了具有两类特殊散布阵的线性回归模型的局部影响方法。该方法的优良性在于在所讨论的线性模型中避免了不恰当的点删除诊断,并且容许所有响应的同时扰动,此外,还给出了２个模拟实例。     

线性等式约束下线性回归模型参数估计的局部影响评价

本文研究线性回归模型在线性等式约束下参数估计的局部影响评价问题，导出了线性等式约束下线性回归模型在各种扰动模式下参数估计的局部影响度量，通过实例分析，表明了本文方法的有效性。     

线性模型中单个回归参数的局部影响分析

在局部影响分析中，人们往往对线性模型的单个回归参数感兴趣，根据Ｗｕ＆Ｌｕｏ）１９９３）的二阶局部影响分析方法，在这篇文章里我们通过对参数的ＭＬＥ扰动曲面的研究来检验线性模型中观测值对单个回归参数的局部影响，一个实际例子说明了该方法在识别强影响点时的有效性。     

时间序列的局部影响分析

目的研究时间序列模型中一次性探测所有异常点和强影响的方法。方法局部影响分析方法。结果时间序列模型中各数据点之间存在着一定的相关结构,这种相关结构使得异常点和强影响点产生的机理及相应的分析变得复杂。克服了数据删除对时间序列样本数据相依性的破坏和忽略。得出时间序列模型影响曲率的具体计算公式,从而可以一次性探测出所有的强影响点。最后给出了具体的数值实例,说明了文中结论的有效性。结论此方法可以一次性探测出所有的强影响点,与数据删除法相比,大大简化了计算量。     

半参数TBS模型的局部线性估计

研究了半参数多元回归模型E(Y|X)=μ(XTβ),其中X是维数为p的列向量,μ,β是未知参数.由于此模型不容易满足误差方差齐性和误差分布正态性,作者对该半参数回归模型两边同时应用含参数λ的Cox-Cox变换,使得变换后的回归模型满足误差方差齐性和误差分布正态性条件,然后应用局部线性技术及极大似然方法,通过两步迭代,对未知参数β,λ及未知函数μ(.)进行了估计.     

线性模型中基于稳健诊断的局部影响分析

 在线性回归模型的局部影响分析中,通过用具有高崩溃点的稳健估计替代局部影响分析诊断统计量中投影矩阵的方法,给出了一种有效识别影响点的方法.实例分析说明,该方法对高杠杆点及掩盖效应具有较好的识别效果.     

基于K－L距离和信息距离的局部影响分析

本文给出了Ｋ－Ｌ距离和信息距离对某类参数变换的不变性；证明了在线性模型中，从Ｋ－Ｌ距离、信息距离以及似然距离出发得到的局部影响矩阵是一致的；利用局部影响分析思想来检测各种扰动方式的敏感点，提出了一种新的自变量扰动方式，在实例分析中得到了满意的结果。     

基于Fisher信息阵的局部影响分析

建立了参数空间中以Ｆｉｓｈｅｒ信息阵为Ｒｉｅｍａｎｎ度量的距离，应用到回归模型中，得到了观察数据的影响度量，讨论了方差扰动模型，因变量扰动模型以及自变量扰动模型的局部影响，求出了因变量扰动模型的最大曲率方向，以一个实例与从似然距离出发的局部影响作了比较，结果表明基于Ｆｉｓｈｅｒ信息阵的影响度量是合适的。     

Assessing Local Influence in Linear Regression Models with Specific Dispersion Matrices

讨论和推广了具有两类特殊散布阵的线性回归模型的局部影响方法．该方法的优良性在于在所讨论的线性模型中避免了不恰当的点删除诊断,并且容许所有响应的同时扰动．此外,还给出了２个模拟实例．     

基于EM算法的Poisson-Gamma回归的影响诊断

对于Poisson-Gamma回归模型,将来自于Gamma分布的权重看作缺失数据;在此基础上,引入EM算法;从而利用基于完全数据似然函数的条件期望进行影响诊断分析,并且进一步基于正则曲率方法系统研究了各种扰动模型下的局部影响分析,得到相应的诊断统计量.最后,通过一个实例说明了所得统计量的有效性.     

时间序列自相关函数的局部影响分析

 时间序列模型不同于一般的线性回归模型,其样本点之间存在着一定的相依结构使得常用的探测异常值的方法,如数据删除、单点求导等对时间序列而言效果不佳.为了探测时间序列中的强影响点,文章介绍了局部影响分析方法,研究同时对几个点作微小扰动时自相关函数的局部改变量.最后,用一个例子来比较局部影响方法与单点求导方法在探测强影响点上的优劣性.