部分函数型线性回归模型的预平滑估计

采用预平滑方法研究部分函数型线性回归模型,其中模型的响应变量为标量,解释变量由有限维向量和取值于函数空间的函数型变量构成.得到了模型系数的估计量,并讨论所提出估计量的相合性.     

函数型部分线性回归模型参数估计的注记

本文进一步研究了函数型部分线性回归模型中的参数估计问题,在模型中的随机误差项具有一定相关性的条件下,构造了模型中未知参数向量的估计量并且建立了估计量的渐近性质,如参数向量估计量的相合性及函数型参数估计量的收敛速度,并推广了现有文献中的相关结果,同时也构造了模型中误差协方差阵参数的估计量。     

函数型数据广义线性模型和分类问题综述

函数型数据采用全非参数的方法,假设数据来自一条光滑的曲线,把整个曲线当成一个样本来处理,从而避免高维和高度相关的问题。其研究始于20世纪50年代,经过近70多年来的发展,很多经典的统计分析方法都被推广到函数型数据,且被中外学者写成综述和相关书籍以便研究者使用,如主成分、典型相关、线性模型和聚类问题等。但是,目前仍缺少有关函数广义线性模型和分类问题的综述和书籍。基于此,本文从函数型数据发展的数据形式、函数近似包括基底展开和主成分、函数广义线性模型和分类等问题的发展历程及未来发展方向等方面进行详细的综述。进一步,为了能够在经济、金融、医学、气象和环境等领域更好地应用函数型数据,本文提供了具体的样条估计计算程序。     

多元线性回归模型中的异方差性问题

对计量经济学模型中应用最为普通的线性回归模型进行了一些分析．指出模型的基本假设中“同方差性”不能满足，即出现了异方差性问题时，会出现哪些后果，应如何对模型作出调查，并介绍了目前使用较多的检验“异方差性”的方法．最后建立了我国消费函数模型．     

函数带误差的部分线性模型约束下的统计推断

考虑函数带误差的部分线性模型,研究约束条件下参数分量的统计推断.首先提出参数的约束估计并证明其渐进正态性;同时基于广义似然比统计量提出一种检验过程,并证明了即使在一般条件下函数中误差的Wilks现象仍然存在;最后,通过数值模拟检验约束估计值的一致性和检验统计量的有效性.     

采用最小二乘支持向量机的部分相依函数型线性模型估计与应用

提出一种基于无截断Bartlett核函数的重构方法,有效避免长期方差函数估计方法面临的核函数与窗宽选择问题,并将其应用到部分相依函数型线性模型中.利用考虑函数型数据相依性的最小二乘支持向量机对模型进行参数估计,数值模拟结果表明:与未考虑函数型数据相依特征的最小二乘估计方法相比,提出的考虑函数型数据相依性的最小二乘支持向量机估计方法能更稳健地估计向量系数,有效提高样本外的预测精度;将部分相依函数型线性模型应用到上证指数开盘价的预测中,得到较好的预测效果.     

多元线性模型回归参数的主成分估计

在多元线性模型中, 当设计阵呈病态时, 我们可适当选择保留的主成分个数可致主成分估计比最小二乘估计有较小的均方误差.     

回归模型中变量变换的图示方法及其应用

将增加变量的思想引入到变量变换中，获得了变量值的简便方法．     

响应缺失的部分函数型EV回归模型的统计推断

针对响应变量随机缺失且解释变量带有测量误差的部分函数型线性回归模型,讨论了模型中未知参数和未知系数函数的估计问题及其渐近性质;先通过一定方法对缺失数据和带有测量误差的数据进行处理,然后将模型转化为一般的函数型线性回归模型,再利用Karhumen-Loevez展开和主成分分析法给出模型的经验形式,最后运用经典的多元统计分析极小化目标函数得到相应未知量的最小二乘估计,并在一定的条件下给出了参数估计量的渐近正态性和斜率函数估计量的收敛速度;从而说明给出的估计量是有效估计,完全观测下的函数型数据统计推断方法可以被推广到不完全观测的情形。     

函数型线性回归模型的三角样条估计

函数型数据的回归分析研究主要集中在函数型线性回归模型,基于三角样条估计的方法对模型中未知参数进行了估计.通过仿真实验验证了三角样条估计的均方误差比传统的多项式样条估计的均方误差更小,且在计算上用时更少,由此得出三角样条估计在部分函数型线性回归模型中具有一定的优越性.     

面向冠心病血检数据的函数型主成分方法

本文提出了一种面向冠心病血检数据的函数型主成分分析(FDCA)方法。首先,利用函数型数据分析(FDA)方法,对冠心病患者的血液检测指标数据进行函数化;然后,利用FPCA的方法对原始血检指标进行降维,并与传统的主成分(PCA)方法进行对比。实验结果表明,相比于传统方法,FPCA方法降维效果更好,降维后得到的新指标能够包含原始指标的绝大部分信息。该方法对于临床冠心病的诊断研究具有现实和理论意义。     

函数型累积Logistic回归模型研究与应用

该文针对响应变量为有序多分类标量数据,协变量为函数型数据构建函数型累积Logistic回归模型,并在贝叶斯分析框架下构造Gibbs抽样算法解决参数估计问题.具体解决流程为：首先,通过潜变量连接有序响应变量与函数协变量间的关系,同时对回归系数函数和回归函数型自变量选取主成分基函数进行展开,设置潜变量模型误差项服从Logistic分布.再利用Polya-Gamma变换解决模型似然函数的复杂性,并求得回归系数展开系数的后验分布从而构建Gibbs抽样算法.最后将该方法应用与模拟数据和实际空气质量指数(AQI)的分析,结果显示能较好地对模拟数据和空气质量指数(AQI)污染状况进行分类.     

因变量缺失的变系数部分线性模型的有效估计

讨论了因变量随机缺失条件下变系数部分线性模型的估计问题.基于局部借补思想,使用局部线性方法和平均技巧同时得到了各个估计量的估计,进而给出了估计的渐近性质.     

部分函数型EV回归模型的经验似然推断①

针对解释变量带有测量误差的部分函数型线性回归模型,引入一个合适辅助向量,构造出未知参数的经验对数似然比函数,给出了未知参数和未知系数的极大经验似然估计。进一步证明了所构造似然比函数具有渐近卡方分布,并基于此构造了未知参数的渐近置信域。同时,也证明了给出的未知参数的估计与最小二乘估计一样具有渐近正态性。最后给出系数函数的收敛速度,达到了最优收敛速度。讨论的结果说明经验似然方法对部分函数型EV回归模型的统计推断是有效的。     

因变量缺失下线性回归模型的估计与检验

文章研究因变量缺失下的线性回归模型,借助单点插补方法,首先给出模型的估计,研究参数估计量的渐近正态性,其次,对于模型系数的线性约束检验问题,基于Wald方法构造检验统计量并给出其渐近分布.最后,通过数值模拟验证所提方法的有效性.     

缺失数据下区间自回归模型的参数估计

研究了当数据存在缺失时区间值自回归模型的参数估计问题.利用均值补充法、条件均值补充法对缺失数据进行补充,在此基础上进一步利用条件最小二乘估计方法对模型参数进行了估计,并通过随机模拟说明了上述估计方法的合理性.     

线性过程误差下部分线性回归模型的经验似然推断

考虑线性过程误差下的半参数回归模型,研究了回归参数的经验似然推断,证明了所提出的经验对数似然比渐近于卡方分布,由此可以构造回归参数的置信区间.     

线性误差协变量下部分线性模型的约束统计推断

考虑含有线性误差协变量部分线性模型的统计推断问题。对模型的参数分量,提出了一个线性约束条件下的最小二乘估计,并且证明该估计量满足渐近正态性。同时基于拉格朗日乘子检验方法对约束条件的合理性进行了检验。证明了所提出的检验统计量在原假设成立时渐近服从标准卡方分布。数据模拟表明所提出的估计方法可以有效地消除测量误差对估计精度的影响,并且所提出的检验方法对备择假设是相当敏感的。     

半参数回归模型的渐近正态性

考虑半参数回归模型 yi=x′β+g(ti)+ei,1≤i≤n ,选择近邻函数为权函数,应用最小二乘法得到β、g(·)和σ2 的估计,讨论参数σ2 估计量的渐近性质.