协变量含测量误差的变系数偏线性模型的变量选择问题研究

研究了当参数部分和非参数部分的协变量均具有测量误差且两部分测量误差相关时,变系数偏线性模型的参数估计和变量选择问题。在误差校正和profile最小二乘估计方法的基础上,提出了基于smoothly clipped absolute deviation (SCAD)惩罚的变量选择方法,且估计具有渐进正态性和先知性。数值模拟研究进一步说明了所提出的变量选择方法的有限样本性质。     

组合惩罚似然估计下发散参数变量选择

在Wang等给出的组合惩罚函数的基础之上,将SCAD惩罚部分推广到一般的非凸惩罚的形式,利用岭回归在解释变量相关度较高情形下的良好表现,提出一种推广了的组合惩罚.在参数个数发散的情形之下,利用贝叶斯信息准则(BIC)来选择调整参数,能同时完成变量选择和参数估计.而且还可以证明在合适的条件之下,这种估计具有Oracle性质.模拟研究的结果证明了所提出的方法在预测变量具有强相关性之下的优势.     

部分线性模型的LASSO估计及其渐近性

结合截面最小二乘估计思想,构造了LASSO惩罚截面最小二乘估计,并研究了惩罚参数和窗宽的选择问题。由于部分线性模型LASSO解仍为线性优化问题,因此容易实现。在一定条件下,本文还研究了参数估计量的相合性和渐近正态性。最后通过蒙特卡洛模拟研究了变量选择方法的小样本性质。     

部分线性回归模型中改进的差分估计及SCAD

考虑了部分线性回归模型中回归参数向量估计的问题,提出了具有更好性质的压缩差分估计,并且将SCAD惩罚函数运用到模型中得到SCAD估计,然后通过Monte Carlo模拟了压缩差分估计和SCAD估计的相关结果,并对它们之间的优劣进行了比较.     

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．     

约束最优控制问题的磨光罚函数算法

针对约束最优控制问题,分析了已有惩罚函数算法存在的缺陷,在原惩罚函数的基础上,通过引进磨光参数,对原惩罚函数进行了光滑处理,构造了带参数的连续可微惩罚函数,将原带约束的最优控制问题转化为含参数无约束光滑的最优控制问题.利用微分方程解对参数的连续依赖性,得到了无约束条件下近似的极小值原理,提出了磨光惩罚函数算法,并证明了此算法的收敛性.该方法克服了传统简单惩罚函数不可微的缺陷,简单可行,易于实现.最后给出仿真实例验证了该方法的有效性.     

半参数单调变系数部分线性EV模型的估计

主要研究半参数单调变系数部分线性EV模型的估计问题,提出了单调纠偏profile最小二乘估计方法,给出了模型中未知参数和单调变系数函数的估计,并在适当条件下证明了参数估计的渐近正态性和非参数单调估计的渐近性质.最后利用计算机数值模拟验证了本文所提方法的可行性及有限样本估计结果的性质.     

基于众数回归的变系数模型统一变量选择

研究了众数回归下变系数模型的统一变量选择问题.利用B样条基函数近似非参数部分,在众数回归下建立SCAD惩罚函数同时选择变系数模型中的重要变量并且识别具有常数效应的协变量,在一定条件下, 证明惩罚估计量相合性和稀疏性,通过数值模拟评估所提出的变量选择方法的有效性.     

带固定效应半变系数面板数据模型的约束岭估计

研究带固定效应的半参数变系数面板数据模型在参数部分附加约束条件下的估计问题,结合Profile最小二乘估计和岭估计,分别建立模型参数部分和非参数部分的约束岭估计量,并给出参数部分约束岭估计量的均方误差和大样本性质。     

指示变量随机缺失下变系数模型的分位数回归

本文研究了删失数据以及删失指示量随机缺失情况下部分线性变系数模型的参数估计问题。对非参数部分采用B样条近似,对缺失的指示变量运用极大似然估计,结合分位数回归,得到了参数估计的渐近正态性质和非参数部分的收敛速度。蒙特卡洛模拟和实例分析表明,所提出的方法可以有效处理此类存在缺失的数据,获得有意义的结果。     

关于送货问题的惩罚函数法

送货问题属于组合最优化的研究范围,它经过处理后可使用惩罚函数法.本文对惩罚函数法所得解的性质作了进一步研究,证明了该解的可行性,并获得了该解的误差估计,即惩罚间隙的估计.     

广义齐次Poisson过程的一个渐近性质及其在风险模型中的应用

通过研究广义齐次Poisson过程,得到其概率函数的一个渐近性质;将该性质应用于风险模型,得到破产发生时的盈余惩罚期望及破产概率所满足的更新方程;并给出一些有用实例.     

一个基于NCP函数的非线性Lagrange函数

基于修正的Fischer-Burmeister NCP函数,提出了一个求解具有不等式约束的非线性优化问题的非线性Lagrange函数,讨论了该函数在K-T点处的性质.收敛定理表明,在适当的条件下,当惩罚参数小于某一阈值时,基于该非线性Lagrange函数的算法产生的点列具有局部收敛性.     

基于非凸惩罚函数的高维协方差矩阵的建模

近年来，随着金融数据爆炸式的增长与数据存储能力的提高，高维与高频金融数据的建模以及其在投资组合中的应用引起了人们广泛的关注.本文聚焦于高维协方差矩阵的建模问题.首先，基于VAR-LASSO模型引入SCAD惩罚函数与MCP惩罚函数替换LASSO惩罚函数，分别提出了VAR-SCAD模型与VAR-MCP模型.其次，在理论层面证明了VAR-SCAD模型与VAR-MCP模型参数的Oracle性质，弥补了VAR-LASSO模型参数不满足Oracle性质这一缺点，提高了模型的估计精确性.最后，通过实际频率为5分钟的高频股票数据，构建已实现协方差矩阵与投资组合进行实证分析.通过实证分析可以发现，VAR-SCAD模型与VAR-MCP模型在测试精确性方面的表现要优于VAR-LASSO模型，VAR-SCAD模型与VAR-MCP模型构建的投资组合的收益率高于VAR-LASSO模型构建的投资组合，其中VAR-MCP模型构建的投资组合的收益率最高.     

非参数混合效应模型的估计

针对非参数混合效应模型提出估计方法,通过B样条的方法估计非参数函数,使用惩罚(非加权)最小二乘方法估计随机效应,然后通过构造正态似然函数得到方差的估计,并且证明了方差分量的相合性和函数部分的渐近正态性;最后给出数字模拟来展示所提出方法的估计效果,结果表明:该方法给出的估计效果良好,且在数值上是稳定的。     

一族基于修正的F-BNCP函数的非线性Lagrange函数

提出了一族求解具有不等式约束的非线性优化问题的非线性Lagrange函数,该族函数基于修正的Fischer-Burmeister NCP函数,并讨论了非线性Lagrange函数在K-T点处的性质.收敛定理表明,在适当的条件下,当惩罚参数小于某一阈值时,基于该族非线性Lagrange函数的算法产生的点列具有局部收敛性.     

左截断右删失数据下线性模型的加权复合分位数估计及变量选择

在可靠性及生存分析等领域中经常出现左截断右删失数据,即指在某种设定下,样本值不能被完全观测到的数据.左截断右删失数据下线性回归的参数估计方法一般选用加权分位数估计,然而加权分位数估计只考虑了单个分位点的损失,在估计效率方面存在缺陷.为克服这一缺点,针对左截断右删失数据下线性模型的参数估计问题,提出了加权复合分位数估计方法.此外,为识别模型中的非零参数并进行变量选择,建立了基于自适应Lasso的惩罚加权复合分位数估计,并在一定假设条件下,证明了所提估计具有渐近正态性和Oracle性质.数值模拟和实例分析结果表明,本文提出的惩罚加权复合分位数估计具有良好的变量选择性质,并且加权复合分位数估计与加权分位数估计相比,具有更高的估计效率.     

密度函数高度之变化

利用特殊函数的性质,较详细地分析了F分布密度函数之性质,指出了第二个参数的变化对密度曲线的影响.关于其密度函数曲线,一个显著的特点是随着第二个参数的增大,密度曲线极大点的位置越来越高.另一个特点是当第一个参数固定而第二个参数不同时,二密度曲线或者只有一个交点,或者有两个交点.在第一种情况下,较大参数所对应的曲线在交点以前低于较小参数所对应的曲线,而在交点以后则高于之.在第二种情况下,较大参数所对应的曲线中间部分高于较小参数所对应的曲线,而两端则低于之.     

包含梯度项的不适定椭圆方程的最优控制问题

讨论了一类包含梯度项的不适定半线性椭圆方程所支配的最优控制问题.通过构造一个适定的惩罚问题,并在惩罚问题的最优性系统中取极限,得到了原始最优控制问题的最优对所满足的必要条件.     

基于均衡约束的ADMM-LDPC译码算法

基于交替方向乘子法(ADMM)的改进型惩罚函数LDPC译码算法能够提升译码性能,但却存在优化参数数目过多的问题.针对该问题,提出一种基于均衡约束的ADMM-LDPC译码算法.首先将码字的0-1整数约束等价转化为连续的均衡约束,使得原有的整数优化问题转化为含均衡约束的非凸问题;然后采用惩罚函数的方法将该非凸问题转化为可求解的双层凸优化问题;最后采用迭代优化算法对该问题进行求解.仿真结果表明:相较于原有算法,所提算法大幅减少了所需优化的参数数目,且在低信噪比时能实现约0.05 d B的性能提升.