缺失数据下基于经验似然的加权复合分位数回归推断

针对协变量随机缺失的线性模型, 提出一种基于经验似然的加权复合分位数回归推断方法, 并证明了在数据随机缺失机制下该方法的大样本性质. 结果表明, 该方法计算简单, 且对回归参数的估计效率高于逆概率加权法.     

基于模型平均的超高维数据特征筛选方法

结合模型平均技术和条件分位数方法,提出一种基于变量间相关度量的模型平均特征筛选方法.该方法具有无模型假设、对异常值或重尾分布稳健以及计算简单快捷等优点,并通过理论证明和蒙特卡洛数值模拟验证了该方法满足确定性筛选性质和有限样本性质.实例分析结果表明,本文所提出的方法具有优良的表现.     

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.     

含内生协变量的泊松回归模型的经验似然推断

在模型的协变量为内生性协变量的情况下,考虑泊松回归模型的经验似然统计推断问题。通过结合一些辅助变量信息作为工具变量,提出一个基于工具变量的经验似然统计推断过程。数据模拟表明构造的经验对数似然比函数渐近服从标准卡方分布,进而给出了回归系数的置信域。并且模拟结果表明所提出的统计推断方法可以有效地消除协变量的内生性对估计精度的影响。     

纵向数据分析中一种压缩经验似然估计方法的大样本性质证明

在一些纵向研究中,协变量往往依赖于观测时间,此时流行的广义估计方程方法在任意的工作相关矩阵下不再保持估计的无偏性和稳健性,若仅使用独立工作相关矩阵则会造成效率低下,而使用不合适的工作相关矩阵可能会错误地包含有偏估计函数,最终导致估计有偏.为此,Leung等提出一种压缩的经验似然估计方法,将大量的无偏估计函数和其他辅助估计函数综合起来,模拟研究表明所提方法相比传统方法是有效的.但他们对其理论性质并未研究.这里对这种压缩经验似然估计量的大样本性质进行了研究,证明了在合适的条件下,压缩经验似然估计量具有相合性和渐近正态性,并给出了经验似然比的渐近分布.     

协变量缺失下变系数模型基于经验似然的加权分位数回归

在部分协变量随机缺失的变系数分位数回归模型中,提出回归参数的逆概率加权估计和基于经验似然的加权估计,并讨论了这两种估计的大样本性质.从渐近方差可见,基于经验似然的加权估计效率高于逆概率加权估计.     

基于概率线性判别分析的可扩展似然公式化人脸识别

针对概率线性判别分析(PLDA)方法在训练及似然计算过程中矩阵大小随着标志类采样数量呈平方增长的问题,提出了一种基于概率线性判别分析的可扩展似然公式化方法。首先通过简单变换变量对角化PLDA模型;然后,利用贝叶斯准则和最大期望算法估算潜在变量一阶矩、二阶矩,从而对变换后的PLDA模型进行可扩展训练;最后,通过结合Woodbury矩阵特征存储模型信息,从而将大矩阵转换成低维向量或标量。在FLW及Multi-PIE两大通用人脸数据库上的实验验证了所提方法的有效性及可靠性,实验结果表明,相比其它几种较为先进的同类人脸识别方法,所提方法不仅取得了更高的识别率、更低的半错误率,还大大地降低了训练、似然计算复杂度。     

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.     

负相协样本多维边际密度的经验似然推断

研究负相协样本多维边际密度函数的经验似然置信区间的构造,证明了负相协样本多维边际密度函数的分组经验似然比统计量的极限分布为卡方分布,由此结果可构造多维边际密度函数的经验似然置信区间.     

协变量缺失下加速失效时间模型基于经验似然的加权估计

在部分协变量数据缺失的加速失效时间模型中,提出了参数的逆概率加权(IPW)估计和基于经验似然的加权(ELW)估计,证明了这两种估计的大样本性质.结果表明,ELW估计计算简单,且对回归参数的估计效率高于IPW估计.     

纵向数据的一种稳健同时建模方法（英文）

使用多元t分布,提出了一种分析带有异常值的连续纵向数据的同时建模方法.不同于已有主要推断回归均值的稳健方法,本文旨在通过稳健同时参数化建模来揭示位置参数,边际尺度参数和相依参数的动态变化机制.为了加速极大似然估计过程中EM算法的速度,采用一种基于ECME的最大似然估计求解算法,所得到的估计量被证明具有相合性和渐近正态性.数据分析表明所提方法是有效的.     

高维广义线性模型的拟似然自适应Lasso估计

利用惩罚拟似然方法,讨论高维广义线性模型的拟似然自适应Lasso估计。该方法能同时进行变量选择和参数估计。在适当的条件下,证明了所得估计的相合性和Oracle性质,并利用数据模拟和实例分析说明了所提方法的优良性质。     

响应变量缺失时纵向数据下变系数部分线性测量误差模型的经验似然推断

将经验似然方法应用于响应变量缺失时纵向数据下变系数部分线性测量模型中兴趣参数置信域,构造了关于参数分量纠衰的分块经验对数似然比函数,进而推导出参数分量纠衰的分块经验似然比统计量及其渐近分布。数据模拟结果表明所提出的经验似然方法在置信区间长度和覆盖率方面要优于正态逼近方法。     

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．     

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。     

比例数据的拟似然推断及其应用

本文基于拟似然方法研究比例数据的统计推断及其在计量经济分析中的应用问题.拟似然估计不需要响应变量确切的分布假定,只需要一阶条件矩假设.与已有方法相比,本文提出的拟似然估计不仅具有稳健性而且具有很好的适应性.最后,通过家庭食物消费数据分析充分说明了所提方法的有用性.     

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。     

右删失数据下半参数线性转换模型的经验似然推断

右删失数据是删失数据中最常见的数据类型,通常出现于临床试验、生命科学、医药追 踪研究等领域,由于外在条件的局限性以及观测个体在开始或结束试验时存在差异性,导致实验 中出现右删失数据。在右删失数据下,文章基于Buckley-James方程对回归参数进行经验似然推 断,并证明所提出的调整经验似然比统计量收敛于标准的卡方分布,进而得到回归参数的置信区 间,最后进行了数值模拟研究,模拟结果显示所提出的经验似然方法优于基于KSV方法的经验似 然方法。     

响应变量随机缺失下广义线性模型的经验似然

研究响应变量随机缺失下广义线性模型的经验似然推断。首先构造未知参数的经验似然比函数,并证明其渐近分布为卡方分布;其次得到参数的若干估计量并得到了其渐近分布,研究结果可以直接构造参数的置信区间或置信域;最后利用模拟计算验证所提方法的优良性质。     

复发事件数据在含治愈个体的半参数比率模型下的经验似然推断

随着医学的发展,某些无法治愈的疾病能够被治愈,并且在一段时间内不复发,从而导致在复发事件数据中出现治愈个体.本文针对复发事件数据基于含治愈个体的半参数比率模型提出一种经验似然方法,建立经验对数似然比函数,并证明Wilk's定理.通过数值模拟将所提出的经验似然方法与正态逼近方法进行比较,得到在样本量较小时,所提出的经验似...