部分线性模型基于参数信息的统计推断

针对部分线性模型提出了一种新的估计方法-Profile局部最小二乘估计,方法结合了非参数部分的参数信息.另外对于部分线性模型中非参数部分是否为某一参数函数的检验问题,基于比较原假设与备择假设下模型拟合的残差平方和的思想构造了检验统计量,并给出了计算检验p-值的精确方法和三阶矩χ2逼近方法.     

随机回归模型线性性的拟合优度检验方法

本文研究随机多元回归模型的线性性检验．所提出的检验统计量是由两个统计量之和形成的．第一个是由最小二乘回归拟合的残差构造的，它具有渐近ｘ２分布，但在完全对立假设检验时，它不是相容的．另一个则是基于对上述残差量的回归核估计，在零假设成立时，它趋于零，在对立假设成立时，则趋于无穷大．理论结果表明，本文的检验方法在完全对立假设下仍有相容性．模拟结果显示出，此方法在许多对立假设下，具有较好的功效．     

半相依部分线性可加回归模型的统计推断

受实际问题研究的启发, 为减少模型偏差, 提出了一类半相依部分线性可加的半参数回归模型. 这类半相依模型中, 响应变量与一部分解释变量之间的关系是线性的, 与另一部分解释变量之间的关系未知但具有可加结构, 各方程的误差之间是相关的. 将级数逼近法、最小二乘法和同期相关的估计结合起来, 提出了用于估计模型参数分量的加权半参数最小二乘估计量(WSLSEs), 和用于估计模型非参数分量的加权级数逼近估计量(WSEs). 证明了这些加权的估计量比相应的不加权的估计量渐近有效, 并导出了相应的渐近正态性.另外, 还讨论了利用这些估计量的渐近性质来对模型的参数及非参数分量作统计推断. 用大量的模拟实验考察了所提出的方法在有限样本情况下的表现, 并对美国的一个关于妇女工资问题的全国纵向调查(NLS)数据集进行了统计分析.     

可线性化的非线性回归的有关问题与几种回归方法的比较

对于幂函数、指数函数等类型的非线性回归,只当采用乘积随机误差时才能够线性化.导出了采用乘积随机误差时幂函数型因变量的数学期望的表达式,表明因变量的估计值并非是其数学期望的估值;导出了非线性回归与其线性化回归二者的残差平方和之间的关系式,表明当对非线性回归的因变量做了变换时,传统方法所求非线性回归系数不满足该因变量的残差平方和为最小.故幂函数、指数函数等类型的回归计算,应采用非线性回归方法求解.实例进一步表明,非线性回归方法高斯-牛顿法和麦夸尔特法均显著优于传统方法,且借助MATLAB软件易于实现.     

半参数回归模型中小波估计的随机加权逼近速度

把小波光滑方法和随机加权方法结合在一起，获得了半参数回归模型中参数分量的小波估计的随机加权逼近速度为σ(n^-1/2)。因此，从大样本意义上说，小波光滑方法和随机加权方法对半参数回归模型是可用的。     

部分线性模型非参数分量的线性关系检验

对于部分线性模型中非参数部分是否为某一特定阶数(记为p)的多项式函数的检验问题,本文基于非参数函数在各点的p阶导函数估计值的样本方差构造了一个简单的检验统计量.给出了计算检验p-值的三阶矩χ2逼近方法.最后通过数值模拟验证了我们所提检验方法的有效性.     

基于基样条局部逼近散乱数据拟合中的Shepard方法

本文针对散乱数据拟合的shepard方法,提出了一种局部逼近的新方法.该方法以局部三次基样条函数作为Shepard公式中的权函数,新的权函数具有良好的衰减性和二阶连续性,从而改进了传统方法的不足之处,使实际应用效果更好.     

基于半参数回归模型的最小一乘局部线性算法

根据最小一乘准则,推导出最小一乘局部线性估计的计算方法,并通过对模拟数据的计算和分析,对比最小一乘核算法和最小二乘局部线性算法,验证了最小一乘局部线性算法是一种有效的,稳健的估计方法,并且有降低边界效应的作用．     

树结构变窗宽局部多项式拟合方法

变窗宽局部多项式模型是探索被估计曲线复杂变化结构的有力工具,其关键思想在于针对不同变化模式的数据区间选择不同窗宽参数进行拟合.基于回归树模型提出一种变窗宽多项式拟合方法,利用回归树的分类功能识别具有不同变化结构的数据区间,在每个子区间上独立选取最优窗宽,通过局部多项式回归实现复杂结构曲线的变窗宽拟合.随机模拟的结果表明,回归树能够有效识别具有不同变化模式的数据区间,变窗宽局部多项式拟合均方误差小,具有计算高效、结果易解释的特点.     

变系数部分线性模型的拟合优度检验

本文考虑变系数部分线性模型的拟合优度检验问题.基于Profile经验似然方法,构造了参数部分和非参数部分的经验似然比检验统计量.并证明了其满足Wilks'现象,进而得到了一定置信水平的拒绝域.最后通过数据模拟,讨论了其检验功效.     

回归系数的岭型主相关估计及其优良性

本文研究了线性模型中的一种有偏估计,利用均方误差和残差平方和,得到了岭型主相关估计的一些性质,是对[1]中相关结果的推广.     

回归系数的主相关估计及其优良性

本文在回归系数的主成分估计的基础上，提出一种新的降维估计－主相关估计，讨论了它的优良性，并用实例说明主相关估计对主成分估计的改进效果。     

独立误差下线性回归最小二乘估计相和性的必要条件

对线性回归Yi=x'iβ+ei,i=1,…,n,…,其中x1,x2,…为已知P维向量,e1,e2,…为随机误差.本文证明了:如果e1,e2,…独立,每一个非退化,则是β的最小二乘估计相合的必要条件,注意此处对ei的期望和方差没有施加任何条件.     

WEIGHTED NONLINEAR REGRESSION

Minimization of the weighted nonlinear sum of squares of differences may be converted to the minimization of sum of squares. The Gauss-Newton method is recalled and the length of the step of the steepest descent method is determined by substituting the steepest descent direction in the Gauss-Newton formula. The existence of minimum is shown.     

带有异方差的部分线性回归模型的B样条估计

考虑一带有异方差的固定设计部分线性回归模型yij=X'ijβ+g(tij)+εij,i=1,2…,k:j=1,2,…,ni,和sum from i=1 to kni=n,其中yij为响应变量,β=(β1,…,βp)’是未知的参数向量,g(·)是未知的函数,Xij=(Xij1,…,Xijp)’和tij∈[0,1]为已知的非随机设计点,εij为均值0,方差是σi2的随机误差,其中σi2可能不同.通过B样条级数近似非参数分量,构造了参数分量β的一个半参数广义最小二乘估计.在一些矩条件下,导出了此半参数广义最小二乘估计的渐近分布,大多数在实际中遇到的误差分布都满足这些矩条件.另外,也构造了半参数广义最小二乘估计的渐近协方差矩阵的一个相合估计,还讨论了非参数分量的B样条估计.所有这些大样本性质都是在k趋于无穷大,ni有限时导出的.这些结果能被用来做渐近有效的统计推导.     

线性回归模型中自变无选择的逐步回归方法及其相合性研究

线性回归模型的建立,一个很重要的过程就是自变元的选择,它直接决定着模型的优劣。本文给出了“宜取回归方程”的逐步回归方法,在一组适当的条件下,证明了这种方法的强相合性。     

THE ASYMPTOTICALLY OPTIMAL EMPIRICAL BAYES ESTIMATION IN MULTIPLE LINEAR REGRESSION MODEL

ＴＨＥＡＳＹＭＰＴＯＴＩＣＡＬＬＹＯＰＴＩＭＡＬＥＭＰＩＲＩＣＡＬＢＡＹＥＳＥＳＴＩＭＡＴＩＯＮＩＮＭＵＬＴＩＰＬＥＬＩＮＥＡＲＲＥＧＲＥＳＳＩＯＮＭＯＤＥＬ￥ＺＨＡＮＧＳＨＵＮＰＵ；ＷＥＩＬＡＩＳＨＥＮＧ（ＤｅｐａｒｔｍｅｎｔｏｆＭａｔｈｅｍａｔｉ...     

变量满足多个线性关系且部分变量带误差的回归分析

考虑独立变量ａ１ｔ，ａｐｔ，它们满足ｍ（≥１）个线性回归关系，ｐΣｊ＝１ｂｉｊａｊｔ＝ｃｉ，ｉ＝１，ｍ，这些变量中的一些，比如ａｉｔ（ｉ＝ｒ＋１，ｐ）可以被确切观测到，而另一些变量的观测值带有误差。即ａｉｔ的观测值为ｘｉｔ＝ａｉｔ＋∈ｉｔ（ｉ＝１，ｒ，ｔ＝１，ｎ），而ｘｉｔ＝ａｉｔ（ｉ＝ｒ＋１，ｐ，ｔ＋１，ｎ），在?ｔ＝（∈１ｔ，∈ｒｔ）ｔ，ｔ＝１，ｎ为ｉｉｄ。且Ｅ∈ｔ＝０，Ｅ∈ｔ∈ｔｒ＝σ＾２Ｉ     

权回归模型中最小二乘估计的相对效率

对于线性加权回归模型，本文得到了未知参数的最小二乘估计相对于最佳线性无偏估计的四种相对效率的下界，并建立了相对效率与广义相关系数的联系。