部分线性模型的adaptive group lasso变量选择

对部分线性模型的aglasso(adaptive group lasso)参数估计及变量选择问题进行研究.通过构造aglasso的估计函数,将分组部分线性模型变量的选择问题转化为分组因子的选择问题.理论研究表明:该方法能相合地识别真实模型,并且估计具有oracle性质.最后通过模拟研究了所提方法的有限样本性质.     

删失回归模型的分位数变量选择和压缩估计

删失回归模型是一种响应变量受限制的模型,广泛应用于计量经济学中.针对删失回归模型,借助于分位数估计方法和SCAD型惩罚函数,提出了一种变量选择和压缩估计方法.该方法可选出对模型有贡献的回归变量,即非0回归系数,同时给出非零参数的一个相合估计.另外,获得了变量选择方法的oracle性质.最后,利用数值模拟计算说明所提出方法的效果.     

基于t函数的稳健变量选择方法

在已有研究的基础上,提出一种新的基于t函数的稳健变量选择方法.该方法通过惩罚估计方程中的惩罚函数达到变量选择的效果,方程中的权重矩阵和有界得分函数对自变量和因变量中的异常值有很好的限制作用,可同时达到稳健的变量选择和稳健估计.通过分析3种不同自由度的t函数性质,选取自由度为2的t函数,并与基于Huber函数的稳健变量选择方法进行比较.数值模拟结果表明,基于t函数的稳健变量选择方法在2种污染力度、3种污染方式的数据污染情况下,其稳健性均明显优于基于Huber函数的稳健变量选择方法.与参数估计效果相比,基于t函数的稳健变量选择方法优势更明显.     

部分线性EV模型的惩罚经验似然

研究了当非参数部分带有测量误差时,部分线性模型的变量选择与参数估计问题。在自适应Lasso惩罚函数下,证明了所构造的惩罚经验似然估计具有Oracle性质。同时,考虑了参数的假设检验问题。最后利用数值模拟说明了所提方法的优良性质。     

转换函数未知时转换模型的变量选择

作者研究了转换函数未知时转换模型的变量选择.较经典的Box-Cox转换模型,作者提出的模型不限制转换函数的形式,并且允许非正态的误差分布.作者先由估计方程得到转换函数的估计,然后用SCAD判罚方法同时进行变量选择和参数估计.数值模拟结果证明本文方法是有效的.     

变系数模型的变量选择及在股票数据中的应用

作者研究了纵向数据分析中变系数模型的变量选择及效应估计问题,该模型允许变量的效应随时间改变.本文方法在进行变量选择的同时,也估计变系数函数,避免了传统的变量选择方法极其复杂的计算.将本文方法用于股票价格分析,能够快速地在公司的众多财务变量中挑选出对股票收益率有显著影响的变量,并估计这些变量的时变效应,很好地解释股票收益率的变化.     

广义线性模型中带有测量误差的序贯压缩估计（英文）

对带测量误差的广义线性模型提出一种序贯压缩估计方法来确定最小样本量,使得在此最小样本量下所提方法可以选择有效变量,同时还可以获得给定精度下的回归参数估计.也研究了所提方法的渐进性质,包括序贯置信域的覆盖概率、最小样本量的效率等.模拟研究表明基于序贯压缩估计的抽样方法比传统的序贯抽样方法能够节省大量的样本.最后,用所提方法来分析一个糖尿病数据集.     

删失回归模型中SCAD型变量选择与估计(英文)

删失回归模型是一种很重要的响应变量受限制的模型,它广泛应用于计量经济学中.基于SCAD罚函数,提出了SCAD型罚变量选择方法.该方法可选出重要的回归变量,即真参数中非零系数,同时给出非零参数相合估计.另外,证明了变量选择方法是相合的,具有oracle性质.最后,进行数值模拟计算说明所提出方法的效果。     

纵向数据分析中一种压缩经验似然估计方法的大样本性质证明

在一些纵向研究中,协变量往往依赖于观测时间,此时流行的广义估计方程方法在任意的工作相关矩阵下不再保持估计的无偏性和稳健性,若仅使用独立工作相关矩阵则会造成效率低下,而使用不合适的工作相关矩阵可能会错误地包含有偏估计函数,最终导致估计有偏.为此,Leung等提出一种压缩的经验似然估计方法,将大量的无偏估计函数和其他辅助估计函数综合起来,模拟研究表明所提方法相比传统方法是有效的.但他们对其理论性质并未研究.这里对这种压缩经验似然估计量的大样本性质进行了研究,证明了在合适的条件下,压缩经验似然估计量具有相合性和渐近正态性,并给出了经验似然比的渐近分布.     

函数系数部分线性回归模型的变量选择方法

函数系数部分线性回归模型是变系数模型中的一种特殊情形,文章对这种新的变系数模型的变量选择问题进行了主要研究．首先,运用局部多项式方法得到非参数项的估计,并且使用B样条逼近函数系数,选取SCAD惩罚作为变量选择方法．其次,得到了估计的渐近性质．最后,模拟说明了该估计方法较好地达到了变量选择的目的．     

变系数模型的变量选择及在股票数据中的应用

本文研究纵向数据分析中变系数模型的变量选择及效应估计问题。模型允许变量的效应随时间改变。本文方法在进行变量选择的同时,也估计变系数函数,避免了传统的变量选择方法极其复杂的计算。将本文方法用于股票价格分析,能够快速地在众多公司财务变量中挑选出对股票收益率有显著影响的变量,并估计了这些变量的时变效应,很好的解释了股票收益率的变化。     

时空域非参数和多元信息的地质统计学研究

讨论了非参数时空信息统计学(地质统计学)基本理论和方法,即指示函数及二阶矩,Ф(A;Zl)的最优估计以及待估域A平均值的指示Krig估计法和时空域多元信息地质统计学基本理论和方法,即互变异函数及互协方差函数,时空域协同区域化变量的最优估计方法.认为指示Krig法是一种精确和有效的估计地学数据非正态的分布特征方法;在对空间信息研究的过程或事件中,有些变量(经常为多变量)不仅具有空间特征,而且具有时间特征,这时要把所研究的变量看成是时空随机函数.     

纵向缺失数据下高维部分线性回归模型的变量选择

针对纵向单调缺失数据下高维部分线性回归模型的变量选择,提出了逆概率加权光滑阈估计方程变量选择方法,其中非参数分量使用样条估计.在适当正则条件下,证明了该变量选择方法具有Oracle性质,并通过模拟研究验证了所提出方法的有限样本性质.     

流形拓展t-过程回归（英文）

本文提出了一种流形拓展t-过程回归模型,用来分析带有复杂协变量的函数型数据.该流形拓展t-过程回归模型可将协变量数据变换至特征空间,然后用拓展t-过程回归将特征空间数据转换到观测数据空间,从而对观测数据进行建模.我们建立了一个估计程序来估计模型中的参数.对真实数据和模拟数据进行了分析,结果说明所提流形拓展t-过程回归模型是可行的.     

Cox比例风险模型的桥估计

在经济领域和生物科学领域的研究中,经常会遇到包括有变量指标多、样本量大的数据集.一般来说,在一个复杂模型中如果包括有很多微不足道的变量,统计结果往往很难解释.因此,为了减少这种误差,在没有先验的专业知识情况下,研究变量的选择方法非常重要.Cox比例风险模型是生存分析中重要的模型之一.本文将桥估计的变量选择方法应用于Cox比例风险模型中,该方法使用的惩罚函数是p∑j=1｜βj｜γ.用桥估计方法估计未知参数和变量选择,在一定条件下,讨论了基于惩罚部分似然的桥估计方法在Cox比例风险模型中的Oracle性质,即：相合性和渐近正态性.     

异方差回归模型的拟合和变量选择

作者研究了异方差回归模型的估计与变量选择问题.在误差分布未知的情况下,作者分别给出了联系函数已知及未知时均值与方差的估计.另外,作者在给出估计的同时,分别选出了对均值与方差影响显著的变量.     

基于置信规则库推理的电路参数成品率估计与中心值设计方法

将电路仿真与主观设计经验相结合,建立成品率估计的置信规则库(BRB)推理模型,该模型不仅可建模输入电路参数变量与输出参数成品率之间复杂的非线性关系,且能通过证据推理(ER)过程,给出不同输入下输出成品率的估计值.利用BRB推理模型可代替电路仿真,利用较少的计算量快速地估计出满足约束条件的中心值设计区域.所提方法与传统基于蒙特·卡罗的统计性方法和基于可接受域几何逼近的确定性方法相比,其不再只给出单个满足要求的中心值,而能够给出整个中心值设计区域,且不受特定电路性能函数形式的约束,具有计算速度快、模型参数物理意义明确便于理解等优点.以高速铁路轨道电路成品率估计与中心值设计为例,验证了所提方法的有效性.     

基于L曲线方法的Lasso正则化参数选择

大数据背景下,基于罚函数的正则化方法是高维数据变量选择的重要方法.Lasso估计是常用的变量选择方法,而Lasso正则化参数的取值直接影响选择模型的性能,是正则化方法成败的关键.针对Lasso估计,提出一种新的L曲线(LC)准则选择正则化参数.数值模拟和实际应用表明:相比CV,GCV,BIC等准则,LC准则能够以较高的...     

二维DOA估计中麦克风阵列优化设计

在DOA估计中,往往事先假设麦克风阵列的结构,然后通过改进DOA估计方法来提高定位精度,忽视了麦克风的摆放位置对 DOA 估计性能的影响。基于此,针对二维 DOA 估计,提出改进遗传优化算法,将空时滤波器系数和麦克风阵列结构分开,构造由二维 MUSIC空间谱函数欧式距离和优化后阵元个数共为变量的适应度函数,以 DOA 估计精度为停止条件,对均匀矩形阵、均匀圆形阵和均匀同心圆阵开展优化设计。仿真结果表明,采用所提方法优化后的阵列取得了较好的DOA估计性能。     

函数型变量选择法用于空气质量影响因素实证分析

以全国31个主要城市的空气污染数据作为研究对象,通过B-样条逼近离散数据,拟合日变动曲线作为函数型数据,采用基于Group LASSO的函数型变量选择方法对空气污染因素和气象因素进行变量选择,选取影响空气质量的主要因素,并建立函数型回归模型,同时与函数型主成分回归方法进行比较,发现Group LASSO函数型变量选择方法不仅对群组变量进行选择,而且对选择出的群组内变量还能做进一步的选择,可以获得较为稳健的估计结果和较好的选择效果。