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。     

缺失数据下广义线性回归拟似然估计的相合性和渐近正态性

研究了形如L(β)=Σ1Zi(yi-μ(ZiTβ))=0的拟似然方程在协变量数据有缺失时,方程未知参数估计的相合性和渐近正态性.假设存在协变量数据完整的一个有效样本,且是总样本的一个简单随机子样本,基于EM算法,提出了一种新的处理协变量中有不完整数据的拟似然方程的求解法,即通过有效数据线性预测补足协变量数据缺失部分,并...     

非线性随机解释变量模型参数NLLS估计的渐近正态性

本文在文[1]、[2]的基础上，给出非线性随机解释变量经济计量模型参数NLLS估计的近似表达式和具有渐近正态性的条件．     

缺失数据下局部M-估计的相合性和渐近正态性

在缺失响应变量的不完全数据下,对非参数回归模型进行研究,利用稳健的变窗宽局部线性回归的方法,给出了回归函数m(x)的估计,并证明了局部M-估计具有相合性和渐近正态性.所提出的方法继承了局部多项式回归的优点并且克服了最小二乘方法缺乏稳健性的缺点.并且使用变窗宽提高了所得M-估计的可塑性,使之能成功地处理空间非齐次曲线、异方差性及非均匀设计密度.所得估计的渐近结果为求渐近最优方案以及直接从数据估计最优变窗宽提供了理论基础.     

多维广义线性模型极大拟似然估计的渐近正态性

对固定设计的多维广义线性模型, 在λ(1/2/n)(1)/(2)λn/n→0和其他一些正则性条件下,证明了自然联系函数下的拟似然方程n∑i=1xi(yi-μ(x′iβ))=0 的解β^n即拟似然估计的渐近正态性, 其中,λn(λn) 表示∑ni=1xix′i的最小(最大)特征根, xi是有界的p×q回归变量,yi 是q×1响应变量.     

污染数据半参数模型估计的渐近正态性

对固定设计下的污染数据半参数模型估计的渐近分布进行了研究,并在一定条件下证明了该估计具有渐近正态性.     

多维广义线性模型拟似然估计的渐近正态性

对多维自适应设计广义线性模型中形如sum from i=1 to n xi(yi-μ(x′iβ))=0的拟似然方程,在limn→∞■~(3/4)/■=0和其他一些正则性的假定之下,论文证明了上述拟似然方程的解,即极大拟似然估计的渐近正态性,此结果推广和改善了文[4]中的相关结果,其中■和■分别为sum from i=1 to n xix′i的最小特征根和最大特征根,x是有界的p×q阶设计矩阵.     

部分线性模型的渐近性

考虑Ｙｉ＝Ｘ＾ｔｉβ＋ｇ（ｔｉ）＋εｉ，１≤ｉ≤，忱里Ｘｉ是一固定设计点列，ｔｉ是独立同分布随机变量并且服从［０，１］上均匀分布。     

MAR缺失机制下随机设计情形线性模型回归系数的估计

在响应变量满足MAR缺失机制下,研究了随机设计情形的线性模型回归系数的估计问题.分别讨论了基于观察到的完全样本数据对、基于固定补足后的"完全样本"和基于分数线性回归填补后的"完全样本"得到的回归系数的最小二乘估计的弱相合性、强相合性及渐近正态性.     

部分线性变系数EV模型估计的渐近正态性

研究非参数部分带有测量误差(EV)的部分线性变系数模型,综合局部纠偏方法和Profile最小二乘估计方法定义了模型中未知参数和系数函数的估计,并在适当条件下证明了它们的渐近性质,最后通过数值模拟研究了所提估计方法在有限样本下的实际表现。     

缺失数据下EV模型的渐近性质

在缺失响应变量的不完全数据下,考虑半参数EV模型,利用二阶段估计的方法求出了EV模型中参数β和非参数g的估计量^βn,^gn.研究了它们的强相合性及渐近正态性.     

缺失数据情形下半参数回归模型的二阶段估计

在响应变量有缺失的不完全数据情形下,利用二阶段估计方法得到半参数回归模型Y=X’β＋g（T）＋e中参数β和非参数g（·）的估计,并给出估计渐近正态性的充分条件．     

部分线性模型中L1-估计量的渐近正态性

给定部分线性模型Y=X'β0+g(t)+e,其中β0是一k×1未知参数向量,g(·)是一未知的光滑函数,e为一随机误差.我们先用一逐段多项式gn逼近未知函数g,然后用最小一乘法得到未知参数β0的最小绝对偏差估计量β.在较弱的条件下我们推导了估计量β的渐近正态性.     

自适应设计广义线性回归多维拟似然估计的渐近正态性

文章研究了自适应设计广义线性回归的拟似然方程,在适当条件下,其解^βn具有渐近正态性质。     

缺失数据下非参数回归估计

在缺失响应变量的不完全数据下,利用局部线性回归的方法,给出了回归函数m(x)的估计的加权估计,并证明了估计量具有渐近正态性、均方误差(MSE)和相合性.模拟研究解释了估计量的有限样本性质,并得出了此估计量优越于完整数据估计和加权估计.     

响应变量随机缺失下线性回归模型的自适应期望递归最小二乘算法

在响应变量随机缺失MAR机制的前提条件下, 针对线性回归模型, 提出了一个新的期望递归最小二乘算法(Expectation Recursive Least Square, ERLS), ERLS方法巧妙的结合了EM算法和RLS的优点, 自适应的递归估计回归系数, 从而避免了高维数据的相关矩阵的求逆困难. ERLS算法是实时自适应处理算法, 无需存储全部数据集, 在观测数据存在野值时, ERLS算法优于LS方法.     

线性统计模型中回归分位点的强相合性及渐近正态性(英文)

论证了线性模型中回归分位点估计量的强相合性及渐近正态性等大样本性质 ,这些结果推广了陈希孺等 ( 1 990 ,1 992 )的有关定理 ,改进了Koenker与Basstee( 1 978) ,Gutenburnner与Jurec∨kova( 1 992 ) ,以及Jurec∨kovo与Prochazka( 1 994)等人的有关成果。     

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．