基于M估计的线性回归模型的统计诊断

将Huber函数引入线性回归模型的对数似然函数中,应用迭代法得到参数的稳健估计(M估计),并用基于数据删除模型得到的诊断统计量进行数据的实例分析,证明方法的有效性.     

异方差一致协方差阵的估计方法研究

处理回归模型中的异方差问题尤为重要的一点是对随机误差项的方差进行估计.考虑到非参数核估计和稳健估计在异方差构成未知的情况下在估计效果上仍具有一定优越性，因而将非参数N-W估计和两种稳健估计方法分别与估计加权最小二乘估计法相结合，先得出随机误差项方差的估计量，进而将其作为权矩阵对模型参数进行估计，并基于估计加权最小二乘法，对已有的加权异方差一致协方差估计方法进行扩展，提出了两个新的加权估计量WHC4m和WHC5m.通过实验可以发现，各估计方法在模型参数的估计和检验效果上差别较大，并且新提出的加权估计量比原有的异方差一致协方差估计量HC4m和HC5m在检验效果上表现更好.     

基于分位数回归的企业债信用风险研究

将非参数GARCH模型的方差方程取对数变换后所得的模型用于估计企业债利差波动率。针对模型误差的非对称性，利用更为稳健的分位数回归方法估计改进后的非参数可加GARCH模型。实证分析结果表明，改进后的模型对波动率的估计更为有效；分位数回归方法比最小二乘回归方法能更有效的克服模型误差的非正态影响，对异常值的敏感程度更低，是一种非常稳健的估计方法。     

基于M估计的纵向数据线性混合模型CDM和MSOM的等价性证明

研究了关于纵向数据的线性混合模型,由Fisher得分迭代法获得数据的删除模型（CDM）和均值漂移模型（MSOM）中回归参数β的M估计（稳健估计）的等价性,并对基于两种模型得到的诊断统计量进行了葡萄糖数据的实例分析,说明了方法的有效性．     

缺失数据下局部M-估计的相合性和渐近正态性

在缺失响应变量的不完全数据下,对非参数回归模型进行研究,利用稳健的变窗宽局部线性回归的方法,给出了回归函数m(x)的估计,并证明了局部M-估计具有相合性和渐近正态性.所提出的方法继承了局部多项式回归的优点并且克服了最小二乘方法缺乏稳健性的缺点.并且使用变窗宽提高了所得M-估计的可塑性,使之能成功地处理空间非齐次曲线、异方差性及非均匀设计密度.所得估计的渐近结果为求渐近最优方案以及直接从数据估计最优变窗宽提供了理论基础.     

半参数回归模型的稳健估计

考虑半参数回归模型yi＝Ti^Tβ g(ti)-εi i=1,2,…n,先由稳健估计的原则得出β^Λ和g^Λ（t)，然后基于影响函数得出这些估计的方差——协方差矩阵。     

参数回归模型的最大加权似然估计及其性质

对参数回归模型的估计因不同观测点的重要程度不同 ,常常要采用加权估计方法 .提出参数回归模型的最大加权似然估计方法并利用概率论中的大数定律和中心极限定理证明了估计的一致性和渐近正态性 .     

基于模态回归的半参数部分线性模型的稳健估计

以半参数部分线性模型为对象,研究了基于模态回归的稳健估计方法。非参数部分采用B样条近似,在模型的回归中通过控制核函数的带宽来实现估计的稳健性,结合局部二次算法(LQA)和模型期望值最大化算法(MEM),提出EM估计算法,得到了参数估计以及非参数部分估计的收敛速度。通过蒙特卡洛模拟和实例分析,验证了本文方法的有效性。     

NQD样本线性回归参数M估计的强相合性

M估计是用于多元线性模型的一种用极值点定义的估计,近年来,许多学者对M估计进行了研究,获得了许多突出性成果。文章研究了随机误差为两两NQD列的线性模型中回归参数M估计的强相合性的充分条件,在一定条件下得到了线性回归模型未知参数M估计的强相合性,扩大了线性回归参数的M估计的应用范围。     

线性回归模型的稳健估计及异方差检验

将Huber函数引入线性回归模型的对数似然函数中,利用Fisher Scoring迭代法得到参数的稳健估计(M估计);在M估计的基础上,对模型进行异方差检验,建立Score检验统计量;最后用一组实际数据说明本文方法的有效性.     

线性回归模型的抗差泛最小二乘估计

首次用抗差泛最小二乘法考虑线性回归模型，得到了抗差泛最小二乘估计；然后，研究了该估计的影响函数和渐近方差-协方差矩阵；最后，用算例说明了抗差泛最小二乘估计具有抗差性，优于传统的最小二乘估计及作提出的泛最小二乘估计。     

基于偏鲁棒M-回归的间歇过程离群点检测

以多元统计分析技术为核心的间歇过程建模、在线监测逐渐成为过程工业的关注焦点,然而过程数据中存在的大量离群点将直接影响上述方法的可靠性,为此提出了一种基于偏鲁棒M-回归的间歇过程离群点检测方法.首先基于极大相关熵估计建立鲁棒预测模型;然后利用偏鲁棒M-回归算法计算模型的回归系数;最后采用Hampel识别器分析最终的权值,从而实现离群点的检测.将所提方法应用于某间歇反应过程,实验结果验证了方法的有效性.     

纵向数据下基于复合分位数回归的经验似然推断

利用复合分位数回归（CQR）研究了纵向数据下回归系数的经验似然（EL）推断。将数据组内相关性纳入估计方程中,得到了参数更加有效和稳健的估计,无需预先估计渐近方差,从理论上证明了所得复合分位数经验似然估计（CQREL）的渐近性质,且提出的经验对数似然比服从渐近卡方分布,从而构造了兴趣参数的置信域。通过数值模拟验证了所得方法有很好的有限样本性质。     

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.     

基于LTS优化图像切边线性回归分类的人脸识别研究

针对现实人脸识别中由于伪装(如围巾、太阳镜和头发)或其它物体引起的面部遮挡而严重影响识别率的问题,提出了一种基于最小截平方和的图像切边线性回归分类算法。首先,使用一个鲁棒性强的估计量检测并裁剪查询样本、训练样本中受污染的像素点;然后,利用线性回归分类算法对图像进行切边;最后,利用LTS计算出规范化的重构误差。实验结果表明,相比其它几种回归分类算法,本文算法取得了更高的识别率,同时大大降低了训练总完成时间。     

广义最小二乘估计的稳健性

讨论了协方差阵未知的椭球等高线性模型中的稳健性问题. 证明当协方差阵在一定范围内变动时, 广义最小二乘估计在一大类损失函数下都是风险最小的估计; 广义最小二乘估计关于协方差阵和损失函数 同时具有稳健性.     

资产方程中回归函数的局部线性加权估计

通过将标的资产价格所满足的积分方程转化为回归模型,建立了回归模型中回归函数的局部线性加权估计.利用回归函数的估计构造漂移系数的样本估计量,并证明了所构造样本估计量的均方收敛性.从而使利用样本估计量构造漂移系数的估计成为可能.     

二值响应数据贝叶斯中位数估计

中位数回归是一种稳健的估计方法,在实践中有着广泛应用.基于贝叶斯方法研究二值响应数据的中位数估计问题,通过引入合适的潜在变量得到了贝叶斯层次模型,进而得到易于后验抽样的吉布斯抽样程序.为验证新方法估计的稳健性,通过大量数据模拟,并与已有方法进行比较,得到了满意的结果.最后实例数据分析进一步证明了所提方法的有效性.     

增长曲线模型中回归系数阵混合估计的Pitman优良性

在Pitman准则下比较了增长曲线模型中回归系数阵的最小二乘估计与混合估计的优劣，给出了混合估计在Pitman准则下优于最小二乘估计的条件．