基于删失中位数回归的贝叶斯经验似然

将经验似然纳入贝叶斯框架,在删失中位数回归模型下提出了模型参数的贝叶斯经验似然估计,证明了模型参数的后验分布是渐近正态的.运用M-H算法得到了点估计以及置信域,可以避免直接优化经验似然的繁重任务.模拟研究比较了贝叶斯经验似然与LAD和经验似然在有限样本下的表现,结果展示出贝叶斯经验似然优于LAD估计和经验似然.     

舍入数据的统计性质

经验似然是近年来非常重要的一种非参数统计方法,在经验似然基础上发展起来的经验欧氏似然,不仅具有与经验似然完全类似的优点和大样本性质,而且更重要的是计算更简单,表达更直观,更容易理解.该文用经验欧氏似然的方法研究舍入数据,论证了相应的大样本性质.     

缺失数据下经验似然的冗余性问题

讨论了一般情形下经验似然的冗余性问题,并得到了经验似然的冗余性结果。推广了广义矩估计(GMM)的冗余性结果,然后用结果解释了经验似然估计的奇异现象。模拟实验结果证实了经验似然的冗余性对估计的影响。     

平稳自回归模型的调整经验似然置信域

自回归模型在经济学及信息学等领域有广泛应用.其统计推断是统计学研究的重要问题之一.本文主要研究自回归模型的调整经验似然方法 .在Chuang和Chan利用自回归模型的条件最小二乘估计、通过得分函数构造的经验似然比统计量基础上,本文针对经验似然方法可能不存在解的情形构造了调整经验似然统计量,并证明调整后的经验似然比统计量的极限分布服从卡方分布.由此我们可以构造模型参数的调整经验似然置信域（区间）.最后,本文通过数值模拟比较了调整经验似然方法和经验似然方法的性能.结果显示,调整经验似然方法所得的区间估计具有更好的覆盖率.     

一个整值ARCH（p）模型的经验似然推断

研究整值ARCH(p)模型的经验似然推断.利用经验似然方法, 给出了模型参数的最大经验似然估计, 并证明了估计量的相合性和渐近正态性.     

稳健经验似然估计方法

在经验似然方法的基础上提出了一种稳健的经验似然估计方法,在约束条件的估计方程中使用权重函数以及有界得分来限制异常点的影响。通过数值模拟研究该方法的稳健性。模拟结果表明,相比普通的经验似然估计,提出的稳健经验似然方法在数据中存在异常值的情况下所得估计的均方误差更小。同时对于非正态的厚尾分布数据,提出的稳健经验似然估计也在均方误差意义下更优。     

两样本参数差异的经验似然置信区间

将经验欧氏似然应用于半参数模型,讨论了在此模型下两样本参数差异的经验欧氏似然的大样本性质,证明了经验欧氏似然比统计量依分布收敛于Х^2随机变量,由此给出参数差异的经验似然置信区间。     

非线性回归模型误差方差的经验似然估计

应用经验似然方法得到了非线性回归模型误差方差的经验似然估计,并证明了估计量的渐近正态性.通过数据模拟发现,经验似然方法得到的渐近方差比传统残差平方和方法得到的估计更小.     

纵向数据下部分线性模型基于经验似然的变量选择

针对纵向数据下的部分线性模型, 建立基于经验似然方法的变量选择的信息准则, 证明新变量选择方法的渐近性质, 并模拟研究比较参数信息准则与基于经验似然的信息准则的有限样本性质. 结果表明, 基于经验似然方法的信息准则克服了参数似然函数有时较难得到的困难, 模型选择效果较好.     

一个整值ARCH(p)模型的经验似然推断

研究整值ARCH(p)模型的经验似然推断. 利用经 验似然方法, 给出了模型参数的最大经验似然估计, 并证明了估计量的相合性和渐近正态性 .