缺失数据下广义线性回归拟似然估计的强相合性

研究了响应变量随机缺失下的广义线性模型,利用处理缺失数据的完全数据方法,构造了广义线性模型中未知参数的拟似然估计.结合随机缺失机制和若干极限定理,证明了该拟似然估计的渐近存在性、强相合性和收敛速度.     

多维广义线性模型极大拟似然估计的渐近正态性

对固定设计的多维广义线性模型, 在λ(1/2/n)(1)/(2)λn/n→0和其他一些正则性条件下,证明了自然联系函数下的拟似然方程n∑i=1xi(yi-μ(x′iβ))=0 的解β^n即拟似然估计的渐近正态性, 其中,λn(λn) 表示∑ni=1xix′i的最小(最大)特征根, xi是有界的p×q回归变量,yi 是q×1响应变量.     

随机缺失下半参数回归模型的最大经验似然估计

考虑了随机缺失数据下非线性回归模型的估计问题,利用最大经验似然估计的方法给出了回归系数、光滑函数的最大经验似然估计,并在一定条件下证明了所得估计量的渐近正态性和强相合性。     

一类非对称的GARCH模型的参数估计

非对称的GARCH模型的估计一般采用拟极大似然估计,这种估计的相合性及渐近正态性结论已经出现在很多文献中.本文对这种模型提出一种新的估计方法-加权拟极大似估计,在一定条件下证明了非对称的GARCH模型的加权拟极大似然估计的相合性和渐近正态性.     

半参数变系数部分线性模型的函系数检验

通过局部线性方法给出未知函系数与未知参数的拟似然估计, 利用未知量的拟似然估计构造了函系数部分的广义似然比检验, 并证明了原假设下检验统计量渐近服从自由度独立讨厌参数与讨厌函数的~$\chi^{2}$-分布, 揭示了Wilks 现象. 通过模拟例子对给出的检验方法作出分析.     

多维广义线性模型拟似然估计的渐近正态性

对多维自适应设计广义线性模型中形如sum from i=1 to n xi(yi-μ(x′iβ))=0的拟似然方程,在limn→∞■~(3/4)/■=0和其他一些正则性的假定之下,论文证明了上述拟似然方程的解,即极大拟似然估计的渐近正态性,此结果推广和改善了文[4]中的相关结果,其中■和■分别为sum from i=1 to n xix′i的最小特征根和最大特征根,x是有界的p×q阶设计矩阵.     

自适应设计广义线性回归多维拟似然估计的渐近正态性

文章研究了自适应设计广义线性回归的拟似然方程,在适当条件下,其解^βn具有渐近正态性质。     

GEE下经验似然估计的渐近正态性质

在较弱的限制条件和不服从独立同分布的情况下,分析含有参数信息的广义估计方程下的经验似然方法。首先给出较易验证的假设条件和正态收敛法则等引理及其证明,其次在较弱条件下给出经验似然估计存在性、相合性和渐近正态分布等的理论验证,结果表明经验似然比L_E(β)在条件范围内几乎处处收敛到经验似然比最小值L_E(■)且经验似然估计参数表达式■渐近高维正态分布等,使得对于GEE下经验似然估计的相合和渐近正态等性质有了更为准确,更易满足现实模型的理论结果。最后运用R语言运行统计模拟,发现经验似然方法比广义估计方程方法回归拟合度更理想。     

一类双线性模型的参数估计

给出了一个ARCH型一阶双线性模型,利用随机过程的马尔科夫链,研究这种模型的严平稳遍历性和矩的存在性,结果表明这种模型存在唯一的严平稳解,并且这个解是几何遍历的,它的某一阶绝对矩存在. 基于此模型的参数估计, 提出该模型的拟极大似然估计, 运用Amemiya的相关定理, 研究拟极大似然估计的性质. 在一定的条件下, 得到了该拟极大似然估计具有相合性和渐近正态性.     

序约束下AR(2)模型参数的拟似然估计

在约束条件下利用拟似然估计方法对AR(2)模型的参数进行统计推断,研究了拟似然估计(α)和约束拟似然估计(α)*的相合性及渐近正态性,并给出了AR(2)模型参数序关系的假设检验方法及模拟结果.     

观测资料不全的线性模型参数估计的渐近性质

本文在较一般条件下给出了规测资料不全,具有AR(1)扰动项的回归模型参数估计的渐近性质,说明它们保持了资料齐全时相应性质,文中还给出了求参数估计的具体公式。     

缺失数据下线性EV模型的稳健参数估计

给出了多元线性EV模型下协变量具有随机缺失(MAR)时参数的稳健估计方法,并证明了估计的渐近正态性.模拟研究表明估计量在有限样本下具有很好的效果.     

因变量缺失下线性回归模型的估计与检验

文章研究因变量缺失下的线性回归模型,借助单点插补方法,首先给出模型的估计,研究参数估计量的渐近正态性,其次,对于模型系数的线性约束检验问题,基于Wald方法构造检验统计量并给出其渐近分布.最后,通过数值模拟验证所提方法的有效性.     

协变量缺失下基于诱导光滑方法的加权分位数回归

在部分协变量随机缺失机制下的分位数回归模型中, 提出回归参数的诱导光滑加权估计及其渐近协方差估计, 证明了诱导光滑加权估计和经验似然加权估计有相同的渐近协方差, 且诱导光滑加权估计的渐近协方差估计也是相合的, 并给出了诱导光滑加权估计及其渐近协方差估计的高效算法. 模拟结果表明, 新方法在有限样本下表现优良.     

缺失数据p-范分布的极大似然估计

讨论了具有部分缺失数据p-范分布总体的未知参数σ的极大似然估计,证明了估计量的强相合性和渐近正态性。     

缺失数据下的线性泛函的半参数降维推断

针对缺失数据下线性泛函估计中存在的非参数高维问题和模型参数化后的稳健性问题,提出了线性泛函估计的半参数降维推断方法,通过非参数函数估计来插补线性泛函,井用参数工作函数来降维.所得半参数降维估计具有双稳健的特点,即只要选择概率函数正确参数化或者降维插补指标可以修复线性函数的条件期望,所得估计就是相合的,而且二者都满足时,估计达到最优.     

Stein损失函数下的保费估计

利用信度理论研究在Stein损失函数下的保费估计问题,分析了贝叶斯估计、信度估计、多层贝叶斯估计3种估计,并计算3种保费估计,比较其结果发现在Stein损失函数下:当样本数n趋于无穷大时,信度保费会收敛到风险保费,且多层贝叶斯估计比贝叶斯估计的稳健性更强.     

数据缺失情况下具有测量误差的两个几何分布总体参数的估计和检验

讨论了部分数据缺失且存在测量误差的两个几何分布总体参数的估计与检验问题,给出了模型参数的矩估计,证明了估计量的强相合性和渐近正态性以及检验统计量的极限分布.     

均方误差准则下的几乎无偏Stein岭型主成分估计的优良性

将Stein岭型主成分估计利用几乎无偏估计思想进行优化,得到几乎无偏Stein岭型主成分估计.并考虑均方误差准则,得到了几乎无偏Stein岭型主成分估计优于最小二乘估计、Stein岭型主成分估计的充分条件.并通过数值实验证明在给定k或p时,几乎无偏Stein岭型主成分估计的均方误差与Stein岭型主成分估计的均方误差较为接近,且远大于最小二乘估计的均方误差.