时变固定效应动态短面板模型的变量选择估计及应用

虽然常见的微观面板数据时间维度较短,但仍具有一定的时间跨度,个体固定效应依旧可能存在时变性,导致基于个体固定效应的面板数据模型推断不可信.因此,考虑时变个体固定效应能够降低模型设定偏误.采用修改的Mundlak-Chamberlain投影方法,不仅能控制不可观测的时变个体固定效应,还能识别时不变的个体解释变量的影响效应,如工资的性别歧视.另一方面,解释变量的影响效应同样会因政策等外部宏观环境因素的变动存在时变性.投影和时变效应的引入都会极大增加模型中待估参数的个数,降低模型估计的精度.为此,重要变量的筛选及其时变性的识别尤为关键.通过引入投影方程参数的约束条件,采用惩罚条件拟似然和ECM算法,能同时实现变量的选择和估计.模拟结果显示新方法表现良好.最后,基于该模型和方法识别了不同的高管激励方式(分薪酬激励和股权激励)如何影响企业配置金融资产的动机.     

大数据下仿真筛选实验及误差控制模型和应用

针对"大数据+仿真模型+后仿真分析"这一新型研究范式,提出基于基效应估计(EE),Bootstrap假设检验以及伪发现率误差控制(FDR)的"后仿真分析"筛选实验设计方法(简称BFEE).BFEE用于识别对仿真模型所感兴趣的响应起到最重要主效应/交互效应作用的少量关键因子.相比传统EE,BFEE保证了信息识别的统计精度和效力.与现有的仿真实验的序贯分支筛选法(SB)相比,BFEE无需任何模型假设,从而更容易适应大数据背景下的复杂数据特征.蒙特卡罗仿真的三种方法对比实验表明,BFEE在不需任何假设的条件下即可获得理想的实验效率和效力,在降低计算实验成本同时,保证了识别重要效应的精度.基于实际背景仿真案例的应用显示BFEE具有良好的实际应用价值.     

异方差下条件处理效应的非参数估计及应用

处理效应模型作为分析政策效应的量化工具,在社会与经济的各个领域有着广泛的应用.现有文献为了得到处理效应的一致估计量,通常需要加一些较强的限制条件(如条件均值独立)或采用工具变量法,在较弱的与实际更吻合的条件下给出处理效应的一致估计量并不多见.本文在误差项对称的假定下,讨论了条件处理效应模型的非参数识别和估计,并进一步估计了平均处理效应.我们通过放松模型中函数形式的假定,同时考虑了较为普遍的广义异方差形式,大大减少了模型误设的可能性,拓展了现有模型的适用性.本文对估计量的大样本性质进行了分析,表明了估计量的一致性和渐近正态性,蒙特卡罗模拟显示了估计量良好的有限样本性质.最后,本文将估计量应用于研究大学教育回报及其性别差异,进一步解释了估计量的实用价值.     

基于Copula的带截面相关二元选择面板模型估计研究

在很多情况下个体之间都会存在相关性,如果在利用极大似然估计时假设二元选择面板模型的扰动项是相互独立的, 那么模型参数的估计结果将不再是有效的.为此,通过将截面相关性纳入模型,构造了基于Copula函数的似然函数, 提出了一种两阶段极大似然估计,并证明了估计量的一致性和渐近正态性,以及方差的渐近形式.蒙特卡罗模拟表明新的估计方法明显改善了估计量的有效性.利用这个方法研究了国内上市公司现金分红行为的影响因素,发现销售增长率由不显著变得较为显著.     

不完整数据非均衡案例双重鲁棒因果推理EI北大核心CSCDCSSCI

大规模数据中实体异质性和数据不完整性等因素严重制约了因果推理的品质.本文提出了不完整数据双重鲁棒因果推理模型,实现了基于随机分配机制与无偏响应参数估计的因果效应辨识.首先拓清了基于观察数据的因果效应可辨识和可估计的条件.引入处理分配概率分布的概念,构建基于最小化绝对标准偏差的整数优化模型,消除了处理组与对照组之间的协变量不均衡性.通过数据匹配选择模型推导基于最优解或近似优化解的数据子集,实现两组案例之间处理分配的再随机化.通过增强逆概率加权方法,实现案例不完整响应参数的无偏估计.该方法对响应参数估计与处理分配概率的不确定性兼具有鲁棒性,提高了因果效应辨识的品质.最后通过真实案例和拓展数值分析,验证了本方法的有效性.     

区间数据下EV线性回归模型修正的广义最小二乘估计

研究了当响应变量为区间数据时的EV线性回归模型,通过构造区间数据的无偏转换,并对广义最小二乘估计作适当修正,得到了回归参数的估计,在较一般的条件下证明了强相合性和渐近正态性.最后作了若干模拟计算,从模拟的结果发现,利用本文提出的方法所获得的估计具有较高的精度.     

基于DAG方法的SVAR模型识别: 理论基础和仿真实验

在递归结构假设条件下,文章证明了SVAR模型与线性动态因果结构模型是相同的数据生成过程,且SVAR模型中的同期变量系数矩阵结构与同期变量为节点的DAG之间存在特定的对应关系;文章还证明：给定真实的数据生成过程为线性动态因果结构模型,从数据出发,利用现有的IC,SGS,PC等因果结构推断算法可以对同期变量为节点的DAG作出正确推断,且这一结论不依赖于变量服从联合高斯分布,从而在理论上证明了基于DAG方法构建SVAR模型识别条件的可行性,并给出该方法下SVAR模型识别的充要条件;最后,Monte Carlo仿真结果显示：在扰动项服从不同分布条件下,基于DAG方法在构建正确的SVAR模型识别条件方面均有着非常好的表现,SVAR模型识别的充要条件也得到了仿真结果的有力支持.     

结合GLM与因子效应原则的贝叶斯变量选择方法

因子效应原则(效应稀疏原则、效应排序原则和效应遗传原则)经常用于评判因子设计理论与数据分析策略的合理性. 针对非正态响应的部分因子试验, 当筛选试验含有复杂的别名效应时, 提出了一种结合广义线性模型(generalized linear models, GLM)与因子效应原则的多阶段贝叶斯变量选择方法. 首先, 在广义线性模型的线性预测器中对每个变量设置一个二元变量指示器; 其次, 将因子效应原则以变量指示器的先验信息分成三个不同的阶段分别加以考虑; 然后, 利用变量指示器的后验概率识别显著性的因子效应. 最后, 仿真试验结果表明: 所提出的方法不仅能简化广义线性模型先验参数的选择, 而且能够有效地识别出非正态响应部分因子试验的显著性因子.     

Heckman-Tobit模型的半参数估计

Heckman-Tobit模型可以同时处理样本选择问题和删失数据问题,是一个重要的微观计量模型.本文根据结果变量的条件生存函数所满足的性质,提出Heckman-Tobit模型的一种半参数估计方法.这种方法通过积分的形式,有效地利用了结果变量整个条件分布的信息.在一些正则性条件下,本文证明了所提出的半参数估计量的相合性和渐近正态性.其渐近性质的成立不依赖于扰动项的具体分布.数值模拟实验的结果表明,本文的半参数估计量具有优越的有限样本性质,且当扰动项服从非正态分布时优于最大似然估计量.     

基于动态因果结构推断的SVAR模型识别:算法和仿真

给定任一满足递归结构假设的SVAR模型,存在一个与其是相同数据生成过程的线性动态因果结构模型,且SVAR模型系数矩阵与动态因果结构之间存在特定的对应关系,故同期变量间因果结构推断可以为SVAR模型提供正确的识别条件.同时还证明同期变量与滞后变量间动态因果结构推断能为同期变量间因果结构的正确推断提供有用信息.据此,在PC算法基础上,构建了动态因果结构推断的具体算法,将基于同期变量因果结构推断的SVAR模型识别拓展到基于动态因果结构推断,从而使SVAR模型得以完全识别的情形得到有效拓展,并给出了该方法下SVAR模型识别的充要条件,这些结论均得到了Monte Carlo仿真结果的有力支持.     

基于广义非线性工具变量法的综列单位根检验

当截面个体之间显著相关时,非线性工具变量法(NIV)综列单位根检验存在严重的分布扭曲.该文基于似无关回归形式的可行广义最小二乘法和非线性工具变量估计方法,提出了广义非线性工具变量法(GNIV)综列单位根检验,以修正NIV检验的分布扭曲. 在存在综列单位根的原假设下,GNIV检验统计量的极限分布为标准正态分布,而在备选假设下则趋向于负无穷大. 仿真实验结果显示,在截面个体之间显著相关时,GNIV检验的有限样本性质显著优于Chang的NIV检验和Pesaran的CIPS检验.     

基于聚类动态面板引力模型的国际贸易网络研究

本文提出一种针对网络型数据的聚类动态面板引力模型,用于国际贸易流量网络的研究.该模型假设各贸易国分属于不同的潜在类别,各国间贸易流量对应的模型系数由出口国和进口国所属的类别决定.提出使用马尔可夫链蒙特卡罗方法对模型参数以及各贸易国所属的潜在类别进行贝叶斯估计.对2001-2015年60个国家间的贸易流量数据进行了实证分析.结果表明,所提出的模型能够对贸易国进行聚类,有效地提高贸易流量预测的精度.所提出的聚类动态面板引力模型可以被广泛的应用于其他动态网络型数据的研究.     

具有截面相关的变系数面板数据模型的估计及应用

本文建立了一类变系数面板数据模型.此模型假设自变量的系数是某一平滑变量的未知函数,允许自变量,平滑变量和误差项存在通过共同因子结构引入的截面相关.由于一些共同因子的不可观测性,本文采用局部线性共同相关效应估计方法对未知的函数进行估计并给出了估计量的渐近性质.蒙特卡罗模拟结果表明该估计方法具有良好的小样本性质.利用1990-2012年中国省级面板数据,本文对我国外商直接投资与经济增长之间的关系进行了实证分析,结果表明:外商直接投资和经济增长之间存在明显非线性关系,各省份不同的初始经济水平会导致外商直接投资对经济增长的影响不同.     

自回归模型的加权复合Expectile回归估计及其应用

本文基于充分利用多个Expectile信息能提高参数估计效率的假设,提出了AR模型的加权复合Expectile回归(WCER)估计,探讨了该估计的最优权重,建立了其大样本性质,发现根据由数据驱动的最优权重所获得的WCER估计与最优权重已知时所获得的WCER估计具有相同的渐近有效性.数值模拟表明,当误差为厚尾或非对称分布,所提出的WCER估计大大优于传统最小二乘估计.即使误差分布未知,依然可以得到像极大似然估计一样具有优良统计性质的WCER估计.应用所提出的方法分析恒生指数和标准普尔500指数,实证分析表明:所提出的WCER估计在有效性意义下非常具有竞争力.     

多维输出模型集成验证方法研究

基于经典假设检验和多元数理统计方法,提出了三种多维输出模型集成验证的度量,能够在多维输出模型的验证工作中考虑输出变量之间的隐含相关信息进行集成验证,避免忽略这些隐含信息而对模型的可信性做出错误判断.研究了Box-Cox等非正态数据转换方法,目的是满足各种假设检验基于正态分布假设的要求,扩大所提出的模型集成验证方法的工程应用范围.最后,数值算例说明对多维输出模型进行集成验证能够得到比单变量验证更准确的结果,并将所提方法应用到某飞行器三自由度运动学模型的验证工作中,说明其具有一定的工程意义.     

小样本条件下的通信辐射源半监督特征提取

在通信辐射源信号有标签样本数量较小的情况下,同类通信辐射源个体信号特征提取困难且识别精度较低。对此,提出了一种小样本条件下的通信辐射源半监督特征提取方法。该方法对少量有标签通信辐射源信号样本以及大量无标签通信辐射源信号样本进行变分模态分解提取高维稳态信息熵,利用指数半监督判别分析法映射信息熵形成个体特征,并通过XGBoost进行通信辐射源个体识别来验证识别效果。实验表明,所提方法识别准确率达到85.33%,相比无监督特征提取方法运算时间降低了76.17%,证明其在同类通信辐射源不同个体识别中具有较好的性能。     

小样本条件下的通信辐射源半监督特征提取

在通信辐射源信号有标签样本数量较小的情况下,同类通信辐射源个体信号特征提取困难且识别精度较低。对此,提出了一种小样本条件下的通信辐射源半监督特征提取方法。该方法对少量有标签通信辐射源信号样本以及大量无标签通信辐射源信号样本进行变分模态分解提取高维稳态信息熵,利用指数半监督判别分析法映射信息熵形成个体特征,并通过XGBoost进行通信辐射源个体识别来验证识别效果。实验表明,所提方法识别准确率达到85.33%,相比无监督特征提取方法运算时间降低了76.17%,证明其在同类通信辐射源不同个体识别中具有较好的性能。     

基于双门限检测的辐射源识别方法

介绍了辐射源特征量提取方法及其精度分析,提出了一种辐射源识别的新方法--基于个体特征数据库和双门限检测的个体识别,给出了相应的个体识别流程图和个体数据库的更新方法.仿真结果说明了所给方法的有效性.     

基于迹lasso模型的变量筛选方法

lasso法因能得到稀疏解而常用于计量模型的变量筛选中。然而在处理强相关数据时,lasso法不存在组效应且结果不稳定。针对该问题,本文在变量筛选时提出了对lasso法改进后的迹lasso法,该方法具有自动组效应的优点。将其运用至空气质量指数模型的变量筛选中,实证分析表明,迹lasso法能更好地处理强相关数据,且能筛选出更精炼的变量,从而构建一个更容易解释的模型。     

股价泡沫的逆CIR模型研究EI北大核心CSCDCSSCI

按照股价泡沫的定义,泡沫识别的本质是一个联合检验问题,面临着二难逻辑困境.不少学者因此尝试绕开泡沫定义,通过假设投机的行为特征来直接提出对应的泡沫价格随机过程模型,然后围绕这些模型的统计性质来创建识别方法.然而,目前的随机过程模型对泡沫形态的限制性较强,忽略了很多的泡沫形态,导致泡沫识别的灵敏度不高.另外,大部分模型缺乏对泡沫崩溃风险率的动态建模,使得对泡沫的实时预警缺乏理论支持.为了克服传统模型的这些不足,本文提出了一个新的股价泡沫模型.由于该模型的解服从倒数化的Cox-Ingersoll-Ross(CIR)过程,简称为逆CIR泡沫模型.该模型经济学意义明确且形式简约,便于估计.本文证明,该模型兼容传统泡沫模型的非线性风险溢价和价格暂态超指数膨胀特征.同时还证明,逆CIR模型能够解释传统模型所无法解释的泡沫实证效应——泡沫崩溃前的1)"暴雨前寂静"现象;2)"高位滞涨"现象.另外,此模型包含内生且具有明确经济意义的泡沫崩溃风险率,可作为实时预警指标.本文给出了崩溃风险率的计算方法——求解高斯超几何函数方程.对我国股市2015年泡沫崩溃的风险率实证估计表明,该模型具有良好的识别和预警效果.