空间半参数变系数部分线性回归中的分位数估计

本文研究了空间数据变系数部分线性回归中的分位数估计. 模型中的参数估计量通过未知系数函数的分段多项式逼近得到, 而未知系数函数的估计量通过将参数估计量代入模型中并通过局部线性逼近得到. 文中推导了未知参数向量估计量的渐近分布, 并建立了未知系数函数估计量在内点及边界点的渐近分布. 通过Monte Carlo 模拟研究了估计量的有限样本性质.     

有限混合Laplace分布回归模型局部估计的EM算法

本文研究了一类有限混合Laplace分布回归模型的局部极大似然估计问题. 利用核回归方法和最大化局部加权似然函数的EM算法, 获得了参数函数的局部极大似然估计量, 并讨论了它们的渐近偏差, 渐近方差和渐近正态性. 推广了有限混合回归模型下局部非参数估计的结果.     

有限混合Laplace分布回归模型局部估计的EM算法（英文）

本文研究了一类有限混合Laplace分布回归模型的局部极大似然估计问题.利用核回归方法和最大化局部加权似然函数的EM算法,获得了参数函数的局部极大似然估计量,并讨论了它们的渐近偏差,渐近方差和渐近正态性.推广了有限混合回归模型下局部非参数估计的结果.     

分位数置信区间的估计方法分析

构造了基于分位数两种估计量的渐近置信区间,并找到分位数基于样本次序统计量的渐近置信区间.同时,建立了基于分布函数核估计定义的分位数估计量的渐近正态性,并使用经验似然方法构造出分位数的两种渐近置信区间.在模拟分析中,基于置信区间的平均长度和覆盖率,分析构造分位数的五种渐近置信区间的有限样本表现.     

非线性半参数回归模型的最大经验似然估计

对于非线性半参数回归模型的估计问题,利用经验似然方法,给出了回归系数,光滑函数以及误差方差的最大经验似然估计.在一定条件下证明了所得估计量的渐近正态性和相合性.     

基于联合估计方法的广义随机系数自回归模型的统计推断

本文利用联合估计函数方法(CEF)对广义随机系数自回归(GRCA)模型进行统计研究.应用联合估计函数方法得到广义随机系数自回归模型参数估计量,证明了提出的参数估计量的相合性和渐近正态性,利用数值模拟对提出的参数统计量进行对比分析,数值模拟结果表明,联合估计方法的参数估计量优于基于估计函数方法、伪极大似然方法、最小二乘方法的参数估计量,实证研究也说明CEF方法具有较好的效果.     

纵向数据下部分线性模型的经验似然推断

考虑纵向数据下部分线性模型,研究了回归系数和基准函数的经验似然推断,证明了所提出的经验对数似然比渐近于卡方分布,由此构造了相应兴趣参数的置信域和区间. 此外,利用经验似然比函数得到了回归系数和基准函数的最大经验似然估计,并且证明了所得估计量的渐近正态性.模拟研究比较了经验似然与正态逼近方法的有限样本性质,并进行了案例分析.     

-混合样本下含附加信息时条件分位数估计的渐近性质(英文)

本文利用经验似然方法构造了含附加信息时条件分位数的一类估计,并证明了估计的渐近正态性且渐近方差不大于通常核估计的渐近方差.     

ψ-混合样本下含附加信息时条件分位数估计的渐近性质

本文利用经验似然方法构造了含附加信息时条件分位数的一类估计,并证明了估计的渐近正态性且渐近方差不大于通常核估计的渐近方差.     

强混合样本且含附加信息情形M估计和分位数估计的渐近性质（英文）

在强混合样本且含附加信息情形,本文采用经验似然方法提出了一类新的M估计和新的分位数估计.结果表明,本文提出的M估计和分位数估计具有相合性和渐近正态性,且其渐近方差比一般M估计和分位数估计的渐近方差小.     

一种惩罚最大似然方法估计混合回归模型

本文考虑具有正态误差假设下混合回归模型的参数估计问题.由于似然函数的无界性,混合回归模型普通的最大似然估计不存在.本文提出一种惩罚最大似然方法来估计混合回归模型的参数,证明惩罚最大似然估计量(penalized maximum likelihood estimation, PMLE)具有强相合和渐近正态性.通过深入模拟研究,从估计精确性角度看,惩罚最大似然估计量有很好的表现.本文还给出一个音调感知的例子来说明理论结果的应用.     

含际加信息时条件分位数的估计及其渐近性质

本文利用经验似然方法给出了含附另信息时条件分位数的一类新估计,在一定的正则条件下证明了估计的渐近正态性且渐近方差小于或等于通常的条件分位数核估计的渐近方差。     

含附加信息时条件分位数的估计及其渐近性质

本文利用经验似然方法给出了含附加信息时条件分位数的一类新估计,在一定的正则条件下证明了估计的渐近正态性且渐近方差小于或等于通常的条件分位数核估计的渐近方差．     

相依非线性回归系统中的附加信息Bayes拟似然

对多个相依统计模型的研究,现有成果主要集中在相依线性回归系统.本文则首次提出多个相依非线性回归系统中的附加信息Bayes拟似然,给出误差相关信息和先验信息在拟似然中的迭加方法,在较弱的条件下得到附加信息Bayes拟似然的一些性质,在Bayes风险准则下。讨论了其估计函数和参数估计的最优性,证明了附加信息Bayes拟似然的渐近 Bayes风险随着相依信息的增力。而逐步减少.     

φ-混合样本下含附加信息时条件分位数估计的渐近性质

本文利用经验似然方法构造了含附加信息时条件分位数的一类估计，并证明了估计的渐近正态性且渐近方差不大于通常核估计的渐近方差。     

强混合样本情形含附加信息时总体分位数的估计

在强混合样本下,利用分组经验似然方法构造了总体分位数的一类新的估计,证明了估计的渐近正态性,同时证明了含附加信息时估计的渐近方差小于或者等于不含附加信息时估计的渐近方差.     

利用样本分位数的Logistic分布参数的渐近置信估计

基于Logistic分布的若干个样本分位数 ,利用线性回归模型建立Logistic分布位置参数及尺度参数的渐近正态且渐近无偏估计量 ,得到分布参数的渐近置信估计。     

非线性回归模型中的约束拟似然

在非线性回归模型中,拟得分函数是一类线性无偏估计函数中的最优者(GodambeandHeyde(1987),朱仲义(1996)),而由拟得分函数得到的拟似然估计在由线性无偏估计函数得到的估计类中具有渐近最优性(林路(1999)).本文则研究非线性回归模型中的有偏估计函数理论,构造了参数的约束拟似然估计,得到了约束拟似然的局部最优性,局部改进了拟似然估计,从而扩充了线性模型中的有偏估计理论.     

响应变量删失时函数型部分线性分位数回归模型的估计

最近几年,函数型数据分析的理论和应用飞速发展.在许多实际应用里,响应变量往往存在随机右删失的情况.考虑利用函数型部分线性分位数回归模型来刻画函数型和标量预测量与右删失响应变量之间的关系.基于函数型主成分基函数来逼近未知的斜率函数,通过极小化逆概率加权分位数损失函数得到未知系数的估计量.文章的估计方法容易通过加权分位数回归程序实现.在一定的假设条件下,给出了有限维参数估计量的渐近正态性与斜率函数估计量的收敛速度.最后,通过模拟计算与应用实例证明了所提方法的有效性.     

部分函数线性模型的经验似然推断

本文考虑部分函数线性回归模型,研究了回归系数的经验似然推断,证明了所提出的经验对数似然比渐近于χ~2分布,此结果可以用来构造了相应兴趣参数的置信域.另外,本文也给出了系数函数的极大经验似然估计,并在适当条件下给出了所提出估计量的收敛速度.仅就置信域精度及其覆盖概率大小方面,通过模拟研究和实例分析比较了经验似然方法与最小二乘方法的优劣.