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.     

基于高斯伪似然的正定相关阵估计及其应用

基于高斯伪似然方法提出一种广义估计方程中工作相关阵的相合正定估计方法, 并证明了无论工作相关阵是否被正确指定, 所提出的AR(1)、 等相关和MA(1)工作相关阵的高斯伪似然估计均为正定的. 模拟结果表明, 基于正定相关阵估计广义估计方程的回归参数估计是高效的.     

部分线性EV模型的惩罚经验似然

研究了当非参数部分带有测量误差时,部分线性模型的变量选择与参数估计问题。在自适应Lasso惩罚函数下,证明了所构造的惩罚经验似然估计具有Oracle性质。同时,考虑了参数的假设检验问题。最后利用数值模拟说明了所提方法的优良性质。     

分块混合线性模型参数的极大似然估计

对于分块混合线性模型,研究了固定效应的参数估计,讨论了当B′B=Ir,σ2=σ12时混合线性模型中参数的极大似然估计。     

分块混合线性模型参数的极大似然估计

对于分块混合线性模型,研究了固定效应的参数估计,讨论了当B＇B=Ir,σ^2=σ1^2时混合线性模型中参数的极大似然估计。     

线性模型中的最大似然估计的通用稳定性

证明线性模型中回归系数的最大似然估计（MLE）关于随机误差的通有稳定性。     

纵向数据中伪似然方程的根的相合性

研究了伪似然方程的根的渐近存在性和相合性大样本性质．伪似然方程是研究纵向数据的一种方法,它是广义估计方程（GEE）的一种推广,用适当的矩阵去估计相关阵,这也是研究意义所在．自从Shao（1999）定义伪似然方程以来,其大样本性质也不断完善．本文证明了在一定条件下伪似然方程的根的渐近存在性及相合性．     

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。     

半函数部分线性模型的经验似然推断

考虑了半函数部分线性回归模型的估计问题.在函数型数据下发展了经验似然方法.构造了参数分量的经验似然比函数,得到提出的经验对数似然比渐近于χ~2分布,可用此结果构造兴趣参数的置信域.同时,也给出了非参数函数的估计,在一定的正则条件下给出了其收敛速度.     

纵向数据下广义经验似然方法的有效稳健估计

基于广义经验似然估计方法,提出了一种有效且稳健的估计,实现对纵向数据在线性模型下均值和协方差矩阵的联合估计。利用Cholysky分解将模型重参数化,利用拉格朗日乘子法求出估计值,再还原出均值和协方差矩阵的估计。在模拟研究中将所提方法同文献中其他稳健估计进行比较,结果显示所提方法效率更高。最后将所提方法用于分析CD4细胞数据,交叉验证结果显示所提方法更加可靠。     

等式约束下线性模型参数的经验似然估计

经验似然估计推断方法是非参数统计方法中应用比较广泛的一种.本文把经验似然方法推广到等式约束下的线性模型,得到了参数的经验似然比置信区间.     

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。     

基于寿命期间数据的极大似然估计

产品的寿命期间是其实际寿命时间与一些未使用时间（比如贮存和运输时间）之和。对寿命期间数据，产品的实际寿命时间未能观测到，本文利用Ｍｏｎｔｅ Ｃａｒｌｏ ＥＭ算法与Ｉｍｐｏｒｔａｎｃｅ Ｓａｍｐｌｉｎｇ方法相结合，给出了产品的寿命时间分布参数以及未使用时间分布参数的极大似然估计，极大似然估计的方差的近似估计也很容易得到，最后还作了随机模拟和实例计算。     

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.     

部分线性模型参数的经验欧氏似然置信域

构造了部分线性模型参数的经验欧氏似然比统计量,并讨论了它的极限分布,由此可构造部分线性模型参数的渐近置信域。     

GARCH模型的经验似然估计

以计量经济学中ARCH模型族为背景,对GARCH模型进行讨论和研究。讨论了基于GED分布的β-ARCH模型和GARCH模型的经验极大似然估计的求解方法,得到了相应的平稳模型的大样本性质定理。     

ARCH-M模型的经验似然估计

基于ARCH-M模型研究市场总体风险厌恶的度量问题.首先应用经验似然方法构造了检验统计量,并在一定的条件下,证明了所构造的统计量的渐近分布为卡方分布,在此基础上构造了市场总体风险厌恶的置信区间.模拟结果表明,经验似然方法表现良好.     

线性模型回归参数极大似然估计的约束EM算法

提出了非线性不等式约束下线性模型回归系数渐进极大似然估计的EM算法,利用极大似然估计的渐近正态性质,将EM算法的M-步转化为随机优化问题,给出了该随机优化问题的极限问题,即利用更易求解的极限问题的最优解来代替原优化问题的最优解,并证明了原优化问题的最优解是依概率收敛于极限问题的最优解.