两阶段估计非参数固定效应Panel Data模型

推广参数Panel Data模型,考虑非参数固定效应Panel Data模型的估计.采用两阶段估计步骤,推导出了估计量的具体表达式.在一些假设条件下,分别得到了固定效应参数和非参数函数的收敛率以及渐近正态分布性质.此外,Monte Carlo模拟显示我们的估计比一阶差分估计具有更令人满意的有限样本性质.     

关于固定效应模型非参数回归函数核估计的强相合性

本文主要讨论固定效应模型非参数回归函数的核估计.在较为一般的条件下,证明了回归函数核估计的三种形式是强相合的和强等价的,从而得到了更为深刻的结果。     

两两NQD样本下非参数回归函数一般权估计的相合性

两两NQD序列是一类非常广泛的列,文章利用两两NQD序列的矩不等式,讨论了基于同分布两两NQD样本的非参数回归函数一般权函数的估计,得到了两两NQD样本下固定设计非参数回归函数一般权估计的相合性.     

(p)混合误差下波动函数的局部多项式估计

文章考虑了具有混合误差的固定设计下的非参数回归模型,在回归函数及波动函数未知的情况下,利用回归函数的局部多项式估计,构造了波动函数的局部多项式估计;给出了该估计的渐近偏差和渐近方差,并在一定条件下得到了该估计的渐近正态性.     

非参数混合效应模型的估计

针对非参数混合效应模型提出估计方法,通过B样条的方法估计非参数函数,使用惩罚(非加权)最小二乘方法估计随机效应,然后通过构造正态似然函数得到方差的估计,并且证明了方差分量的相合性和函数部分的渐近正态性;最后给出数字模拟来展示所提出方法的估计效果,结果表明:该方法给出的估计效果良好,且在数值上是稳定的。     

约束条件下多元随机效应线性模型中回归系数和参数的可容许估计

讨论约束条件下多元随机效应线性模型中回归系数和参数的线性估计的可容许性,在二次损失函数下,给出了随机回归系数和参数的线性估计分别在齐次和非齐次线性估计类中是可容许估计的特征.     

非参数回归模型基于残差的样条估计

为了探究固定设计下具有 α-混合相依误差的非参数回归模型的估计理论,基于多样式样条方法对均值函数进行了估计,利用残差构造了方差函数的样条估计.在一般假设条件下,均值函数估计量和方差函数估计量具有相同的一致收敛速度.数值模拟结果显示:基于贝叶斯信息准则下的样条估计优于赤池信息准则下的样条估计和局部线性估计.     

线性过程误差下回归函数的样条估计

针对固定设计和线性过程误差下的非参数回归模型,在较弱条件下,讨论了回归函数的多项式样条估计的逐点相合性,得到了逐点收敛速度.模拟算例表明了估计方法的可行性.     

一般线性模型中随机回归系数和参数的线性估计的可容许性

对一般的固定效应和随机效应线性模型，在二次损失函数下，本文给出了ＬＹ＋ａ是回归系数和参数的线性函数的可容许性估计的充要条件。     

混合误差下波动函数的局部多项式估计

文章考虑了具有混合误差的固定设计下的非参数回归模型,在回归函数及波动函数未知的情况下,利用回归函数的局部多项式估计,构造了波动函数的局部多项式估计;给出了该估计的渐近偏差和渐近方差,并在一定条件下得到了该估计的渐近正态性。     

鞅差误差下非参数方差模型的样条估计

考虑固定设计和鞅差误差下的非参数方差模型,利用多项式样条方法,得到了非参数方差函数估计的最优全局收敛速度和一致收敛速度。模拟算例不仅说明了样条估计方法的可行性,而且其拟合效果和估计性质在一定条件下还优于局部线性方法。     

随机缺失情况下固定设计半参数回归模型的相合性

目的在随机缺失情况下证明固定设计半参数回归模型的强相合性。方法利用引理,一些不等式及已给条件进行证明。结果证明了参数β的最小二乘估计和未知函数g(.)的非参数核估计是强相合的。结论随机缺失下半参数回归模型中β的参数估计和非参数函数g(.)的估计量是强相合的。     

相依函数型数据递推改良核回归估计的收敛性

研究了基于相依函数型数据非参数回归函数算子的估计问题,构造了非参数回归函数算子递归改良核估计,利用非参数函数型渐近理论,对估计量进行分解,建立了其递归改良核估计在α-混合相依函数型数据下的几乎完全收敛性及其收敛速度,推广了现有文献中的相关结果.     

缺失数据下的线性泛函的半参数降维推断

针对缺失数据下线性泛函估计中存在的非参数高维问题和模型参数化后的稳健性问题,提出了线性泛函估计的半参数降维推断方法,通过非参数函数估计来插补线性泛函,井用参数工作函数来降维.所得半参数降维估计具有双稳健的特点,即只要选择概率函数正确参数化或者降维插补指标可以修复线性函数的条件期望,所得估计就是相合的,而且二者都满足时,估计达到最优.     

带固定效应半变系数面板数据模型的约束岭估计

研究带固定效应的半参数变系数面板数据模型在参数部分附加约束条件下的估计问题,结合Profile最小二乘估计和岭估计,分别建立模型参数部分和非参数部分的约束岭估计量,并给出参数部分约束岭估计量的均方误差和大样本性质。     

线性指数模型参数的经验贝叶斯估计

根据经验贝叶斯原理,讨论了在平方损失函数下,线性指数模型参数的非参数经验贝叶斯(empirical贝叶斯,EB)估计问题.首先利用密度函数的核估计方法构造边际分布密度函数以及该分布密度函数的一阶导数;然后结合线性指数模型未知参数在相同损失函数之下的贝叶斯估计得到了未知参数的非参数经验贝叶斯估计.最后由C-R不等式以及Jensen不等式证明了所得到的经验贝叶斯估计的渐进最优性质,并获得了其收敛速度(n-(2r-1)/(2r 1)).     

线性混合模型中的固定效应参数的估计

混合效应的线性模型中含有两类参数:一类是固定效应参数,另一类是随机效应部分的方差分量参数.本文主要研究讨论了对于在线性混合模型中的固定效应参数,将不同的线性混合模型转化为满足Guass-Markov假设的线性模型,在此基础上,根据不同的情况,对其中的固定效应参数作最小二乘估计;当模型在较强的复共线性时,相应的对其做岭估计.     

固定设计点情形下回归函数值的区间估计

对于固定设计点情形下的非参数回归模型,基于核估计的方法给出了回归函数的逐点置信区间和修正偏差置信区间.所给置信区间在相对较弱的条件下是渐近精确的.考虑到窗宽的选取对核估计和区间估计的重要影响,给出了适合所给置信区间的核估计窗宽的迭代选取方法.模拟结果显示迭代法收敛,且选取的窗宽表现良好,置信区间有令人满意的覆盖率.     

Archimedean Copula函数的参数估计

给出Archimedean Copula函数中参数的一种新的估计方法.通过计算机模拟,把此方法与Genest和Rivest的非参数法进行了比较,得出新方法能更有效的估计Archimedean Copula函数中的参数.最后用新方法和Genest和Rivest的非参数法对国内的上证A股指数和上证B股指数进行了实证分析,分析结果表明新方法更有效.     

NA样本下回归函数估计的收敛速度

在误差为NA序列的条件下,研究了固定设计点列下非参数回归函数一般权函数的非参数估计,并在一些基本条件下给出了估计的一致最优强收敛速度。