变参数计量经济学联立模型的局部线性工具向量估计及其性质

联立方程计量经济学模型在经济政策制定、经济结构分析和经济预测方面起着重要作用.利用变参数计量经济学联立模型研究我国转轨时期的宏观经济,并建立了变参数的局部线性工具向量估计.在经济变量随机设计条件下,研究了估计量的大样本性质.与我国宏观经济经典线性联立模型相比,变参数联立模型拟合效果更优.另外它也有助于克服我国经济数据不多而造成的非参数方法应用困难的现实情况.     

变参数计量经济学联立模型的二阶段局部线性估计

联立方程计量经济学模型在经济政策制定、经济结构分析和经济预测方面起着重要作用。本文首次利用变参数计量经济学联立模型来研究我国转轨时期的宏观经济,并建立了变参数的二阶段局部线性估计。在宏观经济变量随机设计条件下,研究了估计量的大样本性质。与经典线性联立模型的比较结果表明:我国宏观经济变参数联立模型拟合效果优于线性联立模型。另外它也有助于克服我国经济数据不多而造成的非参数模型应用困难的现实情况。     

非参数克莱因计量经济联立模型

将非参数回归模型的局部线性估计方法与传统联立方程模型估计方法相结合 ,首次提出了非参数计量经济联立模型的局部线性两阶段最小二乘估计并应用于著名的克莱因计量经济联立模型且与其线性联立模型进行了比较 .结果表明 ,线性克莱因计量经济联立模型是非参数克莱因计量经济联立模型的一个较好近似 .     

变系数计量经济学联立模型的局部线性工具向量估计及其性质

联立方程计量经济学模型在经济政策制定、经济结构分析和经济预测方面起着重要作用。本文首次提出了我国宏观经济的一类变系数联立模型,并建立了函数系数的局部线性工具向量估计,同时在时间点列固定设计、经济变量随机设计条件下,研究了估计量的大样本性质。与我国宏观经济经典线性联立模型相比,变系数联立模型拟合效果更优。另外它也有助于克服我国宏观经济数据不多而造成的非参数方法应用困难的现实情况。     

非参数计量经济联立模型的局部线性两阶段最小二乘变窗宽估计

联立方程模型在经济政策制定、经济结构分析和经济预测方面起重要作用 .本文在随机设计 (模型中所有变量为随机变量 )下 ,提出了非参数计量经济联立模型的局部线性两阶段最小二乘变窗宽估计并利用概率论中大数定理和中心极限定理在内点处研究了它的大样本性质 ,证明了它的一致性和渐近正态性 .它在内点处的收敛速度达到了非参数函数估计的最优收敛速度 .     

非参数计量经济联立模型的局部线性两阶段最小二乘估计

联立方程模型在经济政策制定，经济结构分析和经济预测方面起重要作用，本在随机设计（模型中所有变量为随机变量）下，提出了非参数计量经济联立模型的局部线性两阶段最小二乘估计并利用概率论中大数定理和中心极限定理在内点处研究了它的大样本性质，证明了它的一致性和渐近正态性，它在内点处的收敛速度达到了非参数函数估计的最优收敛速度。     

多元非参数计量经济模型的变窗宽局部线性估计

在随机设计(模型中所有变量为随机变量)下,提出了非参数计量经济模型的变窗宽局部线性估计,并利用概率论中大数定理和中心极限定理,在内点处证明了它的一致性和渐近正态性.它在内点处的收敛速度达到了非参数函数估计的最优收敛速度.     

变系数联立模型的局部线性广义矩变窗宽估计

在随机设计条件下,提出了一类变系数联立模型,运用局部线性广义矩变窗宽估计,对模型的变系数进行了估计,研究了估计量的大样本性质.利用概率论中大数定律和中心极限定理,证明了估计量的大样本性质,局部线性广义矩变窗宽估计具有相合性和渐进正态性.     

基于众数回归的变系数部分线性工具变量模型的稳健估计

基于众数回归,利用工具变量研究含有内生变量的变系数部分线性模型的稳健估计.首先,引入工具变量对内生协变量进行分解,从而得到内生协变量的一致估计;其次,运用B样条基函数近似模型中的非参数部分,将模型简化;进一步,基于众数回归的思想,结合EM算法得到参数和非参数函数的估计.在一定条件下,证明估计量的大样本性质;最后,利用模拟实验和真实实例验证所提方法的有效性.     

基于变系数模型的自适应分位回归方法

提出了变系数模型条件分位估计的一种新方法.变系数模型已经成为经济学、流行病学、纵向数据和医学领域处理高维数据的有力工具.该模型有助于探测数据的动态特征、降低模型偏差、避免高维灾难,同时便于解释.尽管关于变系数模型条件均值的估计已经有很多文章,但关于变系数模型条件分位的估计方面的文章相对较少.文中提出了一种有效的适应性分位回归方法来诊断出齐性邻域,进行局部自适应窗宽选择和局部线性逼近,同时给出了估计量的风险界和最优窗宽的自动选择准则.模拟研究说明了所提出估计方法的效果.     

Local Linear Estimation of Jump-Diffusion Models by Using Asymmetric Kernels

This article addresses the problem of nonparametric estimation of the first and second infinitesimal moments by using the local linear method of the underlying jump-diffusion models. The motivation behind the study is to use the asymmetric kernels instead of standard kernel smoothing. The basic idea relies on replacing the symmetric kernel by asymmetric kernel and provides a new way of obtaining the nonparametric estimation for jump-diffusion models. We prove that the estimators based on the local linear method for jump-diffusion models are consistent and asymptotically follow normal distribution under the condition of recurrence and stationarity.     

Randomly censored partially linear single-index models

This paper proposes a method for estimation of a class of partially linear single-index models with randomly censored samples. The method provides a flexible way for modelling the association between a response and a set of predictor variables when the response variable is randomly censored. It presents a technique for “dimension reduction” in semiparametric censored regression models and generalizes the existing accelerated failure-time models for survival analysis. The estimation procedure involves three stages: first, transform the censored data into synthetic data or pseudo-responses unbiasedly; second, obtain quasi-likelihood estimates of the regression coefficients in both linear and single-index components by an iteratively algorithm; finally, estimate the unknown nonparametric regression function using techniques for univariate censored nonparametric regression. The estimators for the regression coefficients are shown to be jointly root-n consistent and asymptotically normal. In addition, the estimator for the unknown regression function is a local linear kernel regression estimator and can be estimated with the same efficiency as all the parameters are known. Monte Carlo simulations are conducted to illustrate the proposed methodology.     

Nonparametric regression estimation with general parametric error covariance

The asymptotic distribution for the local linear estimator in nonparametric regression models is established under a general parametric error covariance with dependent and heterogeneously distributed regressors. A two-step estimation procedure that incorporates the parametric information in the error covariance matrix is proposed. Sufficient conditions for its asymptotic normality are given and its efficiency relative to the local linear estimator is established. We give examples of how our results are useful in some recently studied regression models. A Monte Carlo study confirms the asymptotic theory predictions and compares our estimator with some recently proposed alternative estimation procedures.     

半参数线性混合效应模型的联合变量选择

多数基于线性混合效应模型的变量选择方法分阶段对固定效应和随机效应进行选择,方法繁琐、易产生模型偏差,且大部分非参数和半参数的线性混合效应模型只涉及非参数部分的光滑度或者固定效应的选择,并未涉及非参变量或随机效应的选择。本文用B样条函数逼近非参数函数部分,从而把半参数线性混合效应模型转化为带逼近误差的线性混合效应模型。对随机效应的协方差矩阵采用改进的乔里斯基分解并重新参数化线性混合效应模型,接着对该模型的极大似然函数施加集群ALASSO惩罚和ALASSO惩罚两类惩罚,该法能实现非参数变量、固定效应和随机效应的联合变量选择,基于该法得出的估计量也满足相合性、稀疏性和Oracle性质。文章最后做了个数值模拟,模拟结果表明,本文提出的估计方法在变量选择的准确性、参数估计的精度两个方面均表现较好。     

Extended Gauss–Markov Theorem for Nonparametric Mixed-Effects Models

The Gauss–Markov theorem provides a golden standard for constructing the best linear unbiased estimation for linear models. The main purpose of this article is to extend the Gauss–Markov theorem to include nonparametric mixed-effects models. The extended Gauss–Markov estimation (or prediction) is shown to be equivalent to a regularization method and its minimaxity is addressed. The resulting Gauss–Markov estimation serves as an oracle to guide the exploration for effective nonlinear estimators adaptively. Various examples are discussed. Particularly, the wavelet nonparametric regression example and its connection with a Sobolev regularization is presented.