函数型二次模型的假设检验

本文研究了函数型二次回归中二次参数函数的显著性检验问题。采用函数型主成分分析将预测变量函数进行投影降维,利用零模型和全模型的残差平方和构造F型检验统计量。在一定的正则条件下证明了检验统计量在原假设下渐近于F分布,在备择假设下检验统计量依概率趋于无穷,从而表明该检验方法是相合的。进一步证明了在一定收敛速度的局部备择假设下,检验统计量渐近于非中心F分布。最后通过数值模拟研究了该检验方法在有限样本下的表现,并给出了一个实际例子进一步验证所提方法的有效性。     

变结构面板协整检验的响应面函数研究

Panel-ρ检验是常用的异质面板数据协整检验统方法,本文通过Monte Carlo模拟分析Panel-ρ协整检验方法的小样本性质,以及该方法对于变结构面板协整检验的检验功效.结果表明,在小样本情况下Panel-ρ统计量在原假设下的渐进分布会不同于该统计量的理论渐进分布,而且面板数据中存在的结构变化也会对渐进分布产生影响,从而降低Panel-ρ检验的检验功效.为了得到更加符合实际样本情况的统计量临界值,通过Monte Carlo模拟方法得到Panel-ρ协整检验方法的响应面函数,建立了统计量的临界值与面板数据的样本容量、结构变化类型的直接函数关系.Monte Carlo模拟检验表明,响应面函数法确实能够改善Panel-ρ协整检验的检验功效,在小样本容量和具有结构变化的情况下保证了面板协整检验的有效性.     

Copula函数的加权平均距离检验方法

针对无法从定性的角度选择最优Copula函数,本文从定量的角度给出Copula函数的一种加权平均距离检验方法,并给出该检验方法的拒绝域与检验p值,最后证明了此检验方法具有相合性,并给出检验统计量的渐近分布,从而说明此方法可以用于最优Copula函数的选择。     

微观噪音下扩散模型波动函数的非参数设定检验及其应用

由于观测噪音的影响,现有的绝大多数扩散模型波动函数的识别检验在高频环境下会失效.本文采用局部平均方法对存在观测噪音的数据进行平滑处理,基于平滑后的观测值,结合条件矩和非参数核估计方法构造U统计量对扩散模型波动函数进行识别.所构造的检验统计量在波动函数形式设定正确时,收敛到标准正态分布.蒙特卡罗模拟结果显示,与现有检验方法相比,该统计量具有更合理的检验水平和更强的检验功效.将构造的检验统计量应用于中国银行股价对数化序列的识别过程,得到更为合理的检验结果.     

非参数模型均值函数结构变点的Bootstrap检测

本文检测非参数回归模型均值函数结构变点,针对均值函数跃度的长期均值为零时,基于残量的CUSUM统计量对均值函数结构变点检验无效的问题,本文提出了一种基于均值函数的核估计的检验统计量,得到统计量在原假设和备择假设下的极限分布,并构造Bootstrap方法对非参数回归模型均值函数结构变点进行检验,证明了检验和估计的一致性;模拟结果表明本文方法明显优于已有方法。     

统计深度函数及其应用

次序统计量在一维统计数据分析中起着很重要的作用．多年来,人们一直在商维数据处理和分析中寻找“次序统计量”,却没有得到很满意的结果．由于缺少自然而有效的高维数据排序方法,因而象一维“中位数”的概念很难推广到高维．统计深度函数则提供了高维数据排序的一种工具,其主要思想是提供了一种从高维数据中心(最深点)向外的排序方法．不仅如此,统计深度函数已经在探索性高维数据分析,统计判决等方面带给我们一种全新的前景,并在工业、工程、生物医学等诸多领域得到很好的应用．本文介绍了统计深度函数概念及其应用,讨论了位置深度函数的标准,介绍了几种常用的统计深度函数．给出了由深度函数特别是由投影深度函数所诱导的位置和散布阵估计,介绍了它们的诸多优良性质,如极限分布,稳健性和有效性．由于在大多数场合下,高崩溃点的估计不是较有效的估计,而由统计深度函数所诱导的估计具有多元仿射不变性,并能提供理想的稳健性与有效性之间的平衡,本文还讨论了基于深度的统计检验和置信区域,介绍了统计深度函数的其他应用,如多元回归、带有变量误差模型、质量控制等,以及实际计算问题．指出了统计深度函数领域有关进一步的工作和研究方向．     

关于参数型copula函数的拟合检验

在金融和保险中,copula函数是一种构造多元相关分布函数的有力工具．然而,怎样选择一个适当的copula函数用于拟合数据,并没有找到统一的方法．因此,基于copula函数的经验分布,我们提出了一种用于检验具有某种特定参数结构的copula函数拟合数据优良性的方法,并得到了此检验的渐近性质．由于该检验统计量的极限分布依赖未知参数,我们采用非参数蒙特卡罗方法确定临界值．我们做了一个简单的模拟来验证本文提出的检验方法的功效．     

部分函数型线性空间自回归模型的假设检验

本文提出了部分函数型线性空间自回归模型的空间效应以及参数效应的假设检验问题.首先利用函数型主成分分析方法估计斜率函数,利用广义矩估计方法估计参数.然后利用得到的相合估计,在原假设和备择假设下,构造了基于残差平方和的检验统计量,同时给出了此检验统计量的渐近性质.模拟结果表明在有限样本下,检验统计量具有良好表现.最后将部分函数型线性空间自回归模型的检验应用到一个关于经济增长的数据案例中,说明所提出的检验统计量的应用表现.     

基于经验分布函数的高维正态性检验（英文）

基于经验分布函数(EDF)的Kolmogorov-Smirnov (KS),Cramer-von Mises (CM)和AndersonDarling (AD)统计量是单变量正态性检验中常用的统计量.本文通过变量降维方法,提出基于EDF的广义统计量来检验高维正态性.通过蒙特卡洛方法模拟了三种统计量的近似临界值,并基于单变量情形下统计量的近似分布公式研究了广义统计量在原假设下的近似分布.蒙特卡洛模拟说明在某些备择假设下,所提出的统计量比现有方法功效更好.最后,本章将提出的检验方法应用于实际数据验证统计量的有效性.     

生产函数的优化回归方法

本文讨论了生产函数的理论定义及常用方法，并提出了生产函数的一种优化技术．利用数据包络分析方法确定生产前沿面，求样本点在该边界面上的投影，然后对投影点进行统计回归即获得随机前沿生产函数．     

Adjusted Empirical Likelihood and its Properties

Computing a profile empirical likelihood function, which involves constrained maximization, is a key step in applications of empirical likelihood. However, in some situations, the required numerical problem has no solution. In this case, the convention is to assign a zero value to the profile empirical likelihood. This strategy has at least two limitations. First, it is numerically difficult to determine that there is no solution; second, no information is provided on the relative plausibility of the parameter values where the likelihood is set to zero. In this article, we propose a novel adjustment to the empirical likelihood that retains all the optimality properties, and guarantees a sensible value of the likelihood at any parameter value. Coupled with this adjustment, we introduce an iterative algorithm that is guaranteed to converge. Our simulation indicates that the adjusted empirical likelihood is much faster to compute than the profile empirical likelihood. The confidence regions constructed via the adjusted empirical likelihood are found to have coverage probabilities closer to the nominal levels without employing complex procedures such as Bartlett correction or bootstrap calibration. The method is also shown empirical likelihood.     

部分线性变量含误差模型的经验似然估计

本文把经验似然方法推广到部分线性变量含误差模型 ,得到了Wilks定理的非参数形式 ,定理用来构造参数向量的渐近置信区间 .结果与WangandJing (1 999)对一般部分线性模型的经验似然结果加以比较 ,并且与正态逼近法得到的结果也作了比较 .     

Inference for the Mean Difference in the Two-Sample Random Censorship Model

Inference for the mean difference in the two-sample random censorship model is an important problem in comparative survival and reliability test studies. This paper develops an adjusted empirical likelihood inference and a martingale-based bootstrap inference for the mean difference. A nonparametric version of Wilks' theorem for the adjusted empirical likelihood is derived, and the corresponding empirical likelihood confidence interval of the mean difference is constructed. Also, it is shown that the martingale-based bootstrap gives a correct first order asymptotic approximation of the corresponding estimator of the mean difference, which ensures that the martingale-based bootstrap confidence interval has asymptotically correct coverage probability. A simulation study is conducted to compare the adjusted empirical likelihood, the martingale-based bootstrap, and Efron's bootstrap in terms of coverage accuracies and average lengths of the confidence intervals. The simulation indicates that the proposed adjusted empirical likelihood and the martingale-based bootstrap confidence procedures are comparable, and both seem to outperform Efron's bootstrap procedure.     

含有截断和缺失数据的经验似然推断

本文将经验似然的方法应用到同时包含截断和缺失数据的情况. 通过定义调整后的经验似然比, 证明它服从$\chi^2$分布. 利用随机模拟, 比较经验似然和正态方法的优劣. 结果发现经验似然方法在很多情况下都优于正态方法.     

Empirical Likelihood for a Class of Functionals of Survival Distribution with Censored Data

The empirical likelihood was introduced by Owen, although its idea originated from survival analysis in the context of estimating the survival probabilities given by Thomas and Grunkemeier. In this paper, we investigate how to apply the empirical likelihood method to a class of functionals of survival function in the presence of censoring. We define an adjusted empirical likelihood and show that it follows a chi-square distribution. Some simulation studies are presented to compare the empirical likelihood method with the Studentized-t method. These results indicate that the empirical likelihood method works better than or equally to the Studentized-t method, depending on the situations.     

二阶扩散模型的经验似然推断

本文利用经验似然方法得到了二阶扩散模型的漂移系数和扩散系数的经验似然估计量, 并研究这些估计量的相合性和渐近正态性. 进一步在经验似然方法的基础上给出了漂移系数和扩散系数的非对称的置信区间, 并且在一定的条件下证明了调整的对数似然比是渐近卡方分布的.     

核实数据下非线性EV模型中经验似然降维推断

本文研究了响应变量有误差的非线性模型.应用半参数降维技术构造未知参数的被估计经验似然及调整的经验似然,证明了所提出的被估计的经验对数似然与其调整的经验对数似然分别渐近于独立卡方变量加权和的分布与标准卡方分布,所得结果可用来构造未知参数的置信域.     

平衡增加的经验欧氏似然

经验(欧氏)似然方法是近年来非常流行的一种非参数统计方法.针对经验(欧氏)似然的凸包限制和计算复杂问题,本文借助Emerson和Owen (2009)所提出的平衡增加思想对经验欧氏似然进行修正,得到了平衡增加的经验欧氏似然.随后论文从理论和模拟两个方面进行了研究.理论上给出了该方法与经验欧氏似然检验函数之间的联系,即在固定的样本量n下随着添加点位置的连续变化,检验方法可以从简单的均值增加经验欧氏似然变化到经验欧氏似然检验;模拟结果显示,适当选取调整因子,平衡增加的经验欧氏似然相对于(调整)经验欧氏似然而言,在大多数情况下,其分布更接近于对应的极限分布.     

Empirical likelihood method for multivariate Cox regression

A unified empirical likelihood approach for three Cox-type marginal models dealing with multiple event times, recurrent event times and clustered event times is proposed. The resulting log-empirical likelihood ratio test statistics are shown to possess chi-squared limiting distributions. When making inferences, there is no need to solve estimating equations nor to estimate limiting covariance matrices. The optimal linear combination property for over-identified empirical likelihood is preserved by the proposed method and the property can be used to improve estimation efficiency. In addition, an adjusted empirical likelihood approach is applied to reduce the error rates of the proposed empirical likelihood ratio tests. The adjusted empirical likelihood tests could outperform the existing Wald tests for small to moderate sample sizes. The proposed approach is illustrated by extensive simulation studies and two real examples.     

缺失数据下线性模型中回归参数的经验似然置信区域

在缺失样本下,构造了线性模型中参数的调整的经验似然置信域,数值模拟表明调整的经验似然置信域有较好的覆盖率和精度.