资产方程的非参数估计

资产方程中漂移系数和扩散系数的估计是建立方程的前提。利用Ito公式对样本进行变换，给出漂移系数的非参数估计。将资产方程估计问题转化成C[0，1]函数的非参数估计问题。并证明所得估计量相合性。同时给出了漂移系数小波估计的构造。     

扩散模型复合分位回归估计的渐近正态性

主要研究扩散模型中漂移函数的复合分位回归估计的渐近正态性.基于离散观测样本,利用复合分位回归的方法得到了漂移参数函数的局部估计量,并证明了估计量的渐近正态性.     

带测量误差的非参数众数回归模型的模拟外推估计

本文研究了带测量误差的非参数众数回归模型的估计问题.首先,利用核密度估计并结合模拟外推的方法构造了非参数函数的估计,其次,在适当的条件下证明了所给估计量的渐近正态性.数值模拟研究表明所给估计在有限样本下表现良好.     

变系数Black-Scholes模型有红利支付下的欧式期权定价估计

主要研究变系数Black-Scholes模型有红利支付下的欧式期权定价的估计问题.首先,构造了波动率函数的估计量,并讨论了所得估计的强收敛性、渐近正态性和收敛速度.然后,基于波动率函数的估计,利用期权定价公式得到了变系数Black-Scholes模型有红利支付下的欧式期权价格的估计.最后,证明了所得估计量是期权价格的强相合估计.     

函数系数自回归模型推广形式的Back-Fitting估计

文章针对时间序列中函数系数自回归模型给出其推广形式,借助向后拟合的思想介绍推广形式中函数系数部分和参数部分的估计,该方法可以得到模型中的常值系数估计量的精确表达式;并通过一个数值模拟表明所提出的估计方法具有可行性和稳定性.     

一类双函数系数ARCH-M模型的经验似然估计

针对一类双函数系数自回归条件异方差-均值(ARCH-M)模型的估计问题,提出一种基于经验似然的估计方法;在该估计方法中,所提出的模型允许金融时间序列的风险效应和收益效应同时为某一变量的函数结构,可以有效地刻画金融时间序列的风险和平均收益之间的关系,具有较广的适应性;同时,与经典矩估计法和极大似然估计法相比,基于经验似然的估计方法具有独特的优势,可以充分考虑金融序列的异方差性,并且所构造的置信区间不涉及任何渐近方差的估计,因此具有较好的稳健性和有效性;在一些正则条件下,对所构造的经验对数似然比统计量及函数系数估计量的渐近分布进行了理论分析;结果表明：关于风险效应函数系数和收益效应函数系数的经验对数似然比统计量均渐近收敛于中心卡方分布,同时函数系数估计量渐近收敛于正态分布;进而对风险效应函数系数和收益效应函数系数分别构造了相应函数系数的逐点置信区间。     

时空加权回归模型局部线性估计的渐近性质

在模型分析中,对未知参数的估计及其相关性质的研究甚为重要。首先通过假定时空加权回归模型的回归系数是时空位置的函数,给出了时空加权回归模型的一种局部线性估计方法。其次,在假设I~V及引理1下,研究了由此估计方法得到的第p个系数函数估计量所具有的渐近条件性质。最后,证明了第p个系数函数估计量的渐近条件偏差和渐近条件方差。结果表明该估计具有良好的表现。     

部分线性分位数回归模型的平均估计

模型平均估计可对不同候选模型中的参数估计量进行加权平均，能有效提高参数估计的精度，在经济、金融和管理等领域有着广泛应用。为提高部分线性分位数回归模型的参数估计效果，本文构造了基于兴趣参数的模型平均估计量并探究了其大样本性质。首先，利用B样条近似非参数函数，并通过极小化分位数损失函数来得出各候选模型的回归系数估计量，在局部误设定框架下推导了系数估计量的渐近分布；其次，基于候选模型中兴趣参数的估计构造出了模型平均估计量，并得出其渐近性质；最后，推导了覆盖真实参数的概率趋近于名义水平的置信区间。本文研究不仅丰富了平均估计的渐近分布理论，而且为兴趣参数构造了合适的置信区间。     

一类线性回归模型的参数估计

考虑一类多总体线性回归模型,其特点是它们均具有部分相同回归系数.采用各个子总体内样本利用最小二乘方法估计回归参数,然后依据样本容量进行加权估计公共回归系数,最后把公共回归系数回代到各个线性回归模型,利用最小二乘方法估计不同部分系数.理论结果表明,此种方法得到的估计量,不仅是无偏估计,而且方差比用单个子总体样本得到的最小...     

时空加权回归模型局部线性估计的渐近性质

在模型分析中,对未知参数的估计及其相关性质的研究甚为重要。首先通过假定时空加权回归模型的回归系数是时空位置的函数,给出了时空加权回归模型的一种局部线性估计方法。其次,在假设I~V及引理1下,研究了由此估计方法得到的第p个系数函数估计量所具有的渐近条件性质。最后,证明了第p个系数函数估计量的渐近条件偏差和渐近条件方差。结果表明该估计具有良好的表现。
     

群体相关下的一种回归分析

作连续调查研究抽样时经常用到回归估计。如果前后两个样本相互独立,并且它们所包含的元素不同,就无法直接计算出回归系数。本文在群体相关模型下给出了一种新的回归估计。模拟研究表明,当估计总体均值时,如果前后两个样本都来自大的总体,则新的回归估计与样本均值几乎一样好;如果前期样本来自大的总体,而后期样本来自一子总体,则在本文模拟的例子中,新的回归估计比样本均值要好。     

多元线性模型系数的广义根方改进估计类

从矩阵变换理论出发，对多元线性模型的系数提出了广义根方估计。证明了它优于系数的ＬＳ估计，根方改进估计，且是β的线性可容性估计等性质。     

回归误差方差的区间估计

首先将回归函数限制在一个有限维函数空间中,得到一个近似的线性模型,在此基础上,由Fiducial推断给出了误差方差的区间估计。该区间估计形式简单,易于计算。给出了这个区间估计的真实覆盖率和名义水平差异的一个上界,该上界由回归函数与其近似的线性函数的距离界定,并且对所给区间估计的真实覆盖率进行了数值模拟。     

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．     

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.     

线性回归模型回归系数的条件岭型估计

研究了线性等式约束的线性回归模型回归系数的一种有偏估计--条件岭型估计,给出了在均方误差意义下条件岭型估计优于回归系数的约束最小二乘估计的条件.     

多元线性模型回归参数的一种广义估计

采用广义估计 β (K)估计多元线性模型中回归参数 β ,通过K值的选取 ,可使 β (K)的均方误差小于最小二乘估计 β 的均方误差 ,且在一定条件下 ,β (K)为 β的可容许估计 ;还讨论了 β (K)的均方残差的性质 .     

基于对称损失函数下Poisson分布变异系数的估计

对应用统计中常用的参数Karl-Pearson变异系数,在给定的一组Poisson样本下,用对称损失函数研究了它的Bayes估计的形式与性质,并由此讨论了它的一类估计的可容许性和不可容许性,模拟结果表明:所得到的Karl-Pearson变异系数的Bayes估计具有较高的精度,可以在统计判决问题中使用.     

非齐次等式约束线性回归模型回归系数的条件岭型估计

对非齐次等式约束线性回归模型提出一种有偏估计,即条件岭型估计,证明了在一定的条件下,在均方误差及均方误差矩阵意义下都优于回归系数的约束最小二乘估计,并给出了两次随机数据模拟的结果,模拟数据结果表明在一定的条件下,条件岭型估计优于最小二乘估计.     

平衡损失下带约束的回归系数的线性容许估计

文章在推广的矩阵形式的平衡损失函数下,利用矩阵的向量化方法,研究了带线性约束的多元线性模型中回归系数的线性可容许估计;并在齐次线性估计类和非齐次线性估计类中,分别得到了齐次线性估计和非齐次线性估计是可容许估计的充分和必要条件,推广了有关文献的结果。