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．     

基于病例队列数据的比例风险模型的诊断

病例队列设计是一种在生存分析中广泛应用的可以降低成本又能提高效率的抽样方法.对于病例队列数据,已经有很多统计方法基于比例风险模型来估计协变量对生存时间的影响.然而,很少有工作基于病例队列数据来检验模型的假设是否成立.在这篇文章中,我们基于渐近的零均的值随机过程提出了一类检验统计量,这类检验统计量可以基于病例队列数据来检验比例风险模型的假设是否成立.我们通过重抽样的方法来逼近上述检验统计量的渐近分布,通过数值模拟来研究所提方法在有限样本下的表现,最后将所提出的方法应用于一个国家肾母细胞瘤研究的真实数据集上.     

ACD模型自加权LAD估计的渐近性质北大核心

针对高频数据建模中常用的自回归条件持续期(ACD)模型,在允许误差方差无穷的条件下,构造模型参数的自加权最小一乘(SLAD)估计,并证明了该估计的相合性和渐近正态性.数值模拟显示SLAD估计比拟极大似然估计和最小一乘估计更稳健,最后将其应用于青岛海尔和宝信软件这两只股票的价格持续期建模.     

ACD模型自加权LAD估计的渐近性质

针对高频数据建模中常用的自回归条件持续期(ACD)模型,在允许误差方差无穷的条件下,构造模型参数的自加权最小一乘(SLAD)估计,并证明了该估计的相合性和渐近正态性.数值模拟显示SLAD估计比拟极大似然估计和最小一乘估计更稳健,最后将其应用于青岛海尔和宝信软件这两只股票的价格持续期建模.     

最小一乘估计快速算法

最小二乘估计容易受奇异点的影响, 最小一乘估计是稳健估计, 可以很好地克服这个缺陷, 但计算困难. 基于非退化模型假设下的稳定极点理论, 本文找到了快速准确求解最小一乘估计的迭代算法,并给出算法的计算过程及与线性规划求解的比较, 较好地解决了最小一乘估计计算难的问题, 使其成为有效的参数估计方法.     

PLM中误差方差未知时的GLR

本文检验部分线性回归模型(PLM)中,误差的方差未知时,函数部分是否是线性函数,在备择假设下,先用局部多项式方法估计出函数部分,再估计参数部分.计算出了零假设下广义似然比(GLR)检验统计量的表达式,给出了它的渐近分布,并对结果进行了模拟.     

线性常微分方程参数稳定性的统计推断

对具有随机误差的观测数据, 讨论了常系数线性常微分方程参数稳定性的统计推断问题. 通过残差项的Karhunen-Loeve 分解, 给出了变点检验步骤及其在原假设下的极限分布. 在对立假设下定义了变点的估计, 证明了检验以及估计的一致性. 对常系数二阶常微分方程进行了统计模拟, 结果表明原假设下的极限分布是对真实分布非常好的近似; 对立假设下, 即使输入函数的频率存在0.75% 的变化, 上述检验也能以大概率拒绝原假设. 最后利用上述方法研究了英国中部地区的气温数据, 揭示了数据一些新的特点.     

随机删失数据非线性回归模型的最小一乘估计

研究了随机删失数据非线性回归模型的最小一乘(LAD)估计问题, 证明了LAD估计量的渐近性质, 包括相合性、依概率有界性和渐近正态性等. 模拟结果显示对删失数据回归问题, LAD估计仍比最小二乘估计(LSE)稳健.     

基于模拟退火算法的最小一乘回归新算法

最小一乘准则由于其稳健性较好而在工程中得到广泛的应用,但求解最小一乘回归模型系数的算法往往过于复杂或只能用于样本和变量个数较少的情形.本文根据最小一乘的性质,把最小一乘问题变为组合优化问题,将模拟退火算法用在最小一乘模型的求解上,在后面的数值实验中取得了较好的效果。     

ARCH模型的多变点检验

研究自回归条件异方差(ARCH)模型的多变点检验问题.提出一种拟似然比检验统计量,并在原假设下给出统计量的极限分布.在假设检验过程中得到变点个数的一致估计.数值模拟与实例分析说明了方法的合理性.