线性模型下基于AIC准测的Bayes变量选择

讨论了线性模型下Bayes变量选择问题。通过用AIC准则来修正经典的Bayes变量选择方法,构造修正后的子模型后验分布,并且通过仿真计算验证,修正后的后验分布可以提高变量选择精度。     

混料试验设计变量选择AIC准则研究

在回归分析建模中,变量选择是重要的热点研究问题,在回归模型中应该保留对响应的影响最显著的变量.变量选择在分析实际经济问题中得到广泛的应用.文章以混料模型为基础,主要研究混料模型中的变量选择问题.     

基于变量逐步选择的Bayes信用风险判别模型

 应用逐步判别理论筛选模型自变量,建立Bayes判别函数,推导出具体的判别模型.实证分析显示,模型具有良好的分辨精度.考虑到模型的应用范围,变量筛选时舍弃了上市公司特有的一些财务指标.     

广义线性模型中的变量选择

对自然联系函数下广义线性模型的变量选择问题进行了研究．首先，分别按Ward准则和似然比准则，给出了两种变量选择的方法；然后，在一定的条件下，证明了上述两种变量选择方法的弱相合性．     

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.     

响应变量缺失时偏线性测量误差模型的变量选择

考虑当响应变量缺失且协变量包含测量误差时偏线性模型的变量选择问题,提出了基于SCAD(smoothly clipped absolute deviation)惩罚最小二乘和STEE(smooth-threshold estimating equations)的两种变量选择方法.利用半参数回归替代估计来处理缺失的响应变量.通过选择合适的调整参数,且在一定的正则条件下,可以证明这两种变量选择方法具有渐进正态性和先知性.数值模拟研究进一步给出了估计的有限样本性质.     

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.     

响应变量缺失下线性模型的模型平均

研究响应变量随机缺失下线性模型的模型平均问题.首先利用拟似然估计给出倾向得分函数的未知参数的估计,基于扩张的逆概率加权和最小二乘方法给出了每个子模型回归系数的相合估计,并且证明了子模型的回归系数的估计量具有渐近正态性.然后建立了局部误设定框架下模型的FIC准则,计算了频率模型平均估计,给出了频率模型平均估计量的渐近性质及其证明.     

带有缺失数据线性回归模型的变量选择

通过惩罚估计方程,对响应变量随机缺失下的线性回归模型,给出了一个变量选择方法,并结合局部二次逼近,得到了一个迭代算法,证明了此变量选择方法是相合的并且所得估计达到最优的参数收敛速度,最后通过数据模拟研究了此方法的有限样本性质．     

地产股价线性模型的变量选择实证研究

建立了房地产上市公司财务指标和其股票价格的线性回归模型,利用最小二乘回归、主成分回归和逐步回归方法估计回归系数,对比3种方法发现基于逐步回归方法的变量选择是最全面和可靠的;进一步建立了房地产股价指数与其成分股的多元线性回归方程,运用弹性约束估计方法实现成分股变量选择问题,解决了回归系数不显著性和股指追踪问题。     

广义线性模型中变量选择的相合性

在自然联系函数下广义线性模型中,当因变量是一维时,在一定条件下基于Wald检验统计量的变量选择的相合性成立.证明了当因变量为多维时、去掉原有条件中的两个条件,剩下其他条件不变或减弱,该变量选择的相合性仍然成立.该结论推广和改进了原有结果.     

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.     

单纯形分布广义线性模型的贝叶斯变量选择

应用Gibbs抽样和MH算法研究单纯形分布广义线性模型的贝叶斯变量选择问题.定义了包含模型不确定性的单纯形分布广义线性模型,在该模型框架下描述了能有效识别预测变量的变量选择方法.最后用数值例子说明了该方法的有效性.     

房地产股价线性模型的变量选择实证研究

建立了房地产上市公司财务指标和其股票价格的线性回归模型,利用最小二乘回归、主成分回归和逐步回归方法估计回归系数,对比3种方法发现基于逐步回归方法的变量选择是最全面和可靠的;进一步建立了房地产股价指数与其成分股的多元线性回归方程,运用弹性约束估计方法实现成分股变量选择问题,解决了回归系数不显著性和股指追踪问题。     

广义线性模型中基于拟似然的变量选择方法

变量选择是建立广义线性模型的基础．为了选择变量,本文提出了一种惩罚拟似然方法．这种方法不需要知道数据的分布,而只要求知道数据的一二阶矩．在统计推断过程中,此方法同时进行变量选择和参数估计,得到估计具有Oracle性质,并是渐近有效的．同时,本文定义了一种后验拟似然,于是,选择变量的过程就是一个比较拟后验密度的过程．特别的,对于线性模型,比较拟后验密度就等价于比较惩罚残差平方和．     

线性模型下相关变量的DA-最优设计

在一般线性模型下,首先给出一个条件,使得在其之下,一个具有一般方差的变量无关的DA-最优设计在变量相关的情况下也是DA-最优的;并且将这些结果应用于一个多响应线性模型,由此得到了在多响应模型下的DA-最优设计的不变性条件．     

统计模型用AIC准则定阶的相容性问题

本文介绍十多年来研究 ARMA 模型用 AIC 准则定阶相容性问题的进展、近几年来 AIC 准则被引用到其它统计模型的新发展以及作者的研究工作.     

线性回归模型自变量选择准则的比较分析

将一些自变量过择准则用一种统一的形式表示,并依此得到这些准则所选出的自变量个数的顺序关系,从这些关系推出所给出的广义K-L差异度准则能选取较少的自变量,同时也指出广义K-L差异度准则具有利用数据本身选择惩罚因子的优点。     

序约束下单向分类方差分析模型的Bayes变量选择

考虑序约束下单向分类方差分析模型的变量选择问题,提出两种基于SSVS的Bayes变量选择方法,并设计一种简单且易操作的Gibbs抽样算法进行后验抽样.数值模拟和应用实例结果表明,该方法效果较好.     

序约束下单向分类方差分析模型的Bayes变量选择

考虑序约束下单向分类方差分析模型的变量选择问题,提出两种基于SSVS的Bayes变量选择方法,并设计一种简单且易操作的Gibbs抽样算法进行后验抽样.数值模拟和应用实例结果表明,该方法效果较好.