缺失数据下带约束条件的部分线性变系数EV模型的估计

用一般级数估计方法研究了带约束及响应变量缺失条件下的部分线性变系数EV模型的参数与非参数估计,并讨论了参数估计的一致性和渐进正态性及非参数估计的收敛速度,且通过数值模拟验证了所提方法的估计效果.     

带缺失数据的半参数非线性模型基于经验似然的统计诊断

研究了用经验似然的方法来研究带有缺失数据的半参数非线性模型的统计诊断问题。首先,在响应变量完全随机缺失下,利用修正借补的方法处理缺失数据,从而得到完全样本;然后用核估计方法对未知函数进行估计。其次,基于数据删除模型给出了参数的一步近似估计,提出了经验Cook距离以及标准化残差分析,进而找出异常点和强影响点。最后,通过实例对带有缺失数据的非线性半参数模型进行统计分析来验证以上方法的可行性和有效性。     

协变量缺失下变系数部分非线性模型的统计推断

本文研究协变量缺失下变系数部分非线性模型的统计推断.利用逆概率加权最小二乘方法给出了参数分量和非参数分量的估计,并证明了它们的渐近正态性.     

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。     

半变系数伽马脆弱模型惩罚部分似然估计

为了更好地分析对数风险函数与协变量之间复杂的非线性关系,提出一种半变系数伽马脆弱模型并给出其估计方法．首先,应用B-样条将半变系数伽马脆弱模型近似转化为线性伽马脆弱模型,然后运用惩罚部分似然法估计转化后模型的线性参数,随后采用近似轮廓似然法并运用黄金搜索算法估计随机效应的参数;在通过迭代获得转化后的线性系数以及随机效应参数的估计以后,运用B-样条得到变系数函数的估计．经蒙特卡罗模拟研究发现,该方法可以给出协变量的线性参数以及变系数函数较为精准、稳定的估计,是分析协变量对于风险率影响的有效方法．最后,应用所提出的方法分析了NCCTG肺癌数据．     

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.     

带不可忽略缺失数据的再生散度随机效应模型的Bayes估计

在响应变量带有不可忽略缺失数据的前提下得到非线性再生散度随机效应模型的Bayes方法.缺失数据机制由Logistic回归模型定义,根据Gibbs抽样技术和MH算法得到模型参数、随机效应因子以及缺失数据机制中回归系数的联合Bayes估计,并进行了实例分析.     

具有不可忽略退出的面板数据混合半参数变系数模型

由于面板数据经常出现由信息性退出而引起的缺失数据,故其统计分析比较复杂。本文假定响应变量服从部分线性半参变系数混合效应模型,其中非参数系数函数依赖于相应的退出时间。利用二步估计方法的思想求得参数与非参数部分的相合估计,减少了同时估计的参数的个数,避免了估计方程中由较多参数引起的多重共线性问题。     

响应变量缺失下自适应变系数EV模型的估计与渐近性质

讨论响应变量缺失情况下自适应变系数EV模型的估计问题,利用核估计方法对参数和系数函数进行两步估计,证明估计值的相合性和渐近正态性,数值模拟对所得的两步估计值进行比较,并且得出第二步估计值要优于第一步估计值.     

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...     

响应缺失的部分函数型EV回归模型的统计推断

针对响应变量随机缺失且解释变量带有测量误差的部分函数型线性回归模型,讨论了模型中未知参数和未知系数函数的估计问题及其渐近性质;先通过一定方法对缺失数据和带有测量误差的数据进行处理,然后将模型转化为一般的函数型线性回归模型,再利用Karhumen-Loevez展开和主成分分析法给出模型的经验形式,最后运用经典的多元统计分析极小化目标函数得到相应未知量的最小二乘估计,并在一定的条件下给出了参数估计量的渐近正态性和斜率函数估计量的收敛速度;从而说明给出的估计量是有效估计,完全观测下的函数型数据统计推断方法可以被推广到不完全观测的情形。     

变系数部分非线性模型的分位数回归估计

研究纵向数据缺失下变系数部分非线性分位数回归模型的估计问题.利用逆概率加权法结合分位数回归给出参数估计和非参估计;在一定条件下,证明了所给估计量的渐近正态性;通过数值模拟,验证了所提方法的有效性.     

变系数固定效应面板数据模型的估计

在面板数据下基于变系数固定效应模型,采用两步估计方法和截面核估计方法来估计模型中的变系数部分及固定效应。模拟结果表明,当样本数据较小且观测次数较多时,两步估计法的估计效率略高于截面核估计的;而当样本数据较大且观测次数较少时,截面核估计方法的估计效率比两步估计的略好。本文通过两组不同样本的模拟数据验证了两种估计方法的有效性,说明变系数固定效应模型是处理面板数据的有效工具。     

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．     

反映缺失的部分函数型回归模型的统计推断

为了解决反映变量随机缺失下部分函数型线性回归模型的统计推断，首先利用主成分分析法对模型中函数变量进行展开，在运用多元最小二乘法估计了模型中未知的参数和未知的系数函数，并证明了这两个估计具有渐近正态性。然后给出反映均值的回归借补估计，并证明了该估计量的大样本性质。     

基于贝叶斯估计的空间函数型自回归模型及其应用

目的 为了研究函数型数据中响应变量的空间相关性,根据现有研究方法,对具有空间依赖性的函数型数据进行研究,并提出其模型的贝叶斯估计方法。方法 以典型空间自回归模型为基础,根据函数响应变量的空间依赖性,假设响应变量和解释变量间存在内生关系,生成空间函数型自回归模型,通过主成分分析将模型中函数型部分变为离散型,然后在给定先验情况下计算模型中参数的完全条件后验分布,使用贝叶斯MCMC方法进行估计。结果 使用联合Gibbs采样和随机游动的Metropolis-Hastings算法对模型中参数进行估计,通过模拟研究发现：不同参数下模型的函数型系数以及其他参数的估计偏差和均方误差较小,由此验证了贝叶斯估计方法的有效性,同时将空间函数型模型用于重庆市主城区新房平均价格的实证分析,结果表明所提出模型的贝叶斯估计方法是有效的。结论 使用贝叶斯估计方法对模型中参数进行估计,在不同情况下函数型解释变量的估计效果一直都比较好,并且随着样本量的增大,其估计效果也越来越好,可以认为使用贝叶斯估计方法对空间函数型自回归模型进行估计是有效且可行的,同时通过实证分析说明重庆市主城区新房平均价格具有空间自相关性,而且会受到...     

指示变量随机缺失下变系数模型的分位数回归

本文研究了删失数据以及删失指示量随机缺失情况下部分线性变系数模型的参数估计问题。对非参数部分采用B样条近似,对缺失的指示变量运用极大似然估计,结合分位数回归,得到了参数估计的渐近正态性质和非参数部分的收敛速度。蒙特卡洛模拟和实例分析表明,所提出的方法可以有效处理此类存在缺失的数据,获得有意义的结果。     

响应变量缺失时偏线性测量误差模型的变量选择

考虑当响应变量缺失且协变量包含测量误差时偏线性模型的变量选择问题,提出了基于SCAD(smoothly clipped absolute deviation)惩罚最小二乘和STEE(smooth-threshold estimating equations)的两种变量选择方法.利用半参数回归替代估计来处理缺失的响应变量.通过选择合适的调整参数,且在一定的正则条件下,可以证明这两种变量选择方法具有渐进正态性和先知性.数值模拟研究进一步给出了估计的有限样本性质.     

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．     

变系数固定效应面板数据模型的估计

在面板数据下基于变系数固定效应模型，采用两步估计方法和截面核估计方法来估计模型中的变系数部分及固定效应。模拟结果表明，当样本数据较小且观测次数较多时，两步估计法的估计效率略高于截面核估计的；而当样本数据较大且观测次数较少时，截面核估计方法的估计效率比两步估计的略好。本文通过两组不同样本的模拟数据验证了两种估计方法的有效性，说明变系数固定效应模型是处理面板数据的有效工具。