协变量含测量误差的变系数偏线性模型的变量选择问题研究

研究了当参数部分和非参数部分的协变量均具有测量误差且两部分测量误差相关时,变系数偏线性模型的参数估计和变量选择问题。在误差校正和profile最小二乘估计方法的基础上,提出了基于smoothly clipped absolute deviation (SCAD)惩罚的变量选择方法,且估计具有渐进正态性和先知性。数值模拟研究进一步说明了所提出的变量选择方法的有限样本性质。     

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．     

协变量缺失下基于结构EM算法因果网模型选择

针对NSCOT数据,选用了结构EM算法对模型进行选择。经过具体的计算和分析得到结论,一个人的身体素质和运送到医院的时间都会对患者的生存产生直接的影响,而受伤的严重程度只对患者的生存产生间接的影响。     

转换函数未知时转换模型的变量选择

作者研究了转换函数未知时转换模型的变量选择.较经典的Box-Cox转换模型,作者提出的模型不限制转换函数的形式,并且允许非正态的误差分布.作者先由估计方程得到转换函数的估计,然后用SCAD判罚方法同时进行变量选择和参数估计.数值模拟结果证明本文方法是有效的.     

函数系数部分线性回归模型的变量选择方法

函数系数部分线性回归模型是变系数模型中的一种特殊情形,文章对这种新的变系数模型的变量选择问题进行了主要研究．首先,运用局部多项式方法得到非参数项的估计,并且使用B样条逼近函数系数,选取SCAD惩罚作为变量选择方法．其次,得到了估计的渐近性质．最后,模拟说明了该估计方法较好地达到了变量选择的目的．     

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。     

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.     

缺失数据下线性模型响应变量均值估计的渐近正态性

考虑响应变量随机缺失下线性模型响应变量均值的估计问题,分别获得了基于完全观测样本数据、线性回归插补后的“完全样本”和逆概率加权插补后的“完全样本”得到的响应变量均值估计,并证明了其渐近正态性．     

响应变量缺失下变系数模型的分位数回归

针对响应变量随机缺失情况下变系数分位数回归模型的非参数估计问题,提出了将B样条和逆概率加权相结合的估计方法。缺失数据在统计工作中难免会遇到,首先用logistic模型产生响应变量的缺失概率,然后对变系数模型的系数函数采用B样条逼近技术,利用缺失概率构建逆概率加权分位数回归的损失函数,得到模型的未知系数函数估计;在模拟研究中,将得到的估计与直接使用完全数据的估计方法进行对比,发现在响应变量随机缺失下,将B样条和逆概率加权相结合的变系数模型分位数回归在有限样本情况下表现良好,模拟研究结果表明该方法有效;最后将所研究的方法运用到挪威公共道路管理局收集的奥斯陆地区相关数据中,研究了空气中二氧化氮浓度与道路车流量和风速之间的关系,得出合理的结论,进一步证明了该方法的合理性。     

基于众数回归的变系数模型统一变量选择

研究了众数回归下变系数模型的统一变量选择问题.利用B样条基函数近似非参数部分,在众数回归下建立SCAD惩罚函数同时选择变系数模型中的重要变量并且识别具有常数效应的协变量,在一定条件下, 证明惩罚估计量相合性和稀疏性,通过数值模拟评估所提出的变量选择方法的有效性.     

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．     

删失数据下部分线性测量误差模型的统计推断

本文重点研究了当响应变量为随机右删失数据时部分线性测量误差模型的统计推断,在假定线性测量误差的前提下,引入工具变量后通过最小二乘法来估计参数,用局部多项式估计来近似拟合非参数部分.通过数值模拟,比较了使用工具变量和其他方法对参数估计结果的影响,以及与忽略测量误差时非参数函数图像的对比.最后通过实例数据应用,展示了此方法的实际样本表现.     

响应变量缺失下基于协变量平衡下的变系数模型的经验似然推断

在实际问题中时常会遇到缺失数据的问题,这时已有的处理完全观测数据的统计方法将不再适用.本文研究在响应变量随机缺失下的变系数模型的统计推断问题.主要分为以下几个方面:首先基于协变量平衡倾向得分下的广义矩方法得到了选择概率的估计并且给出了估计量的渐近性质;然后研究变系数模型的未知系数函数的经验似然推断,借助选择概率的估计和...     

删失回归模型的分位数变量选择和压缩估计

删失回归模型是一种响应变量受限制的模型,广泛应用于计量经济学中.针对删失回归模型,借助于分位数估计方法和SCAD型惩罚函数,提出了一种变量选择和压缩估计方法.该方法可选出对模型有贡献的回归变量,即非0回归系数,同时给出非零参数的一个相合估计.另外,获得了变量选择方法的oracle性质.最后,利用数值模拟计算说明所提出方法的效果.     

线性模型下基于AIC准则的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。     

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.     

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.     

核实数据下响应变量缺失的线性模型均值估计

借助核实数据,构造了回归系数的最小二乘估计,然后用借补方法和加权借补方法估计响应变量的均值,最后证明了估计量的渐近正态性。