缺失数据下线性模型回归系数估计的大样本性质

在响应变量满足MAR缺失机制下，我们分别研究了基于观察到的完全样本数据对、基于固定补足后的“完全洋本”和基于分数线性回归填补后的“完全洋本”得到的回归系数的最小二乘估计的弱相合性、强相合性及渐近正态性，我们还通过数值模拟，比较了基于上述估计得到的β的置信区间的优劣。     

失效原因缺失的加速失效时间模型下竞争风险数据的半参数估计

本文在加速失效时间模型下,研究了竞争风险数据失效原因缺失情况下模型系数的估计问题。在随机缺失的假设下,利用倒概率加权和双重稳健增广技术构建估计方程,用非参数的核光滑方法估计失效原因缺失的概率。通过将估计方程转化成优化问题的方式,给出了求解估计方程的算法,研究了所提出估计量的渐近性质,通过随机模拟来评价估计量的表现,并将提出的估计方法用于研究实际的乳腺癌数据.     

基于Markov Chain Monte Carlo模型对医院出院病人调查表数据缺失的填补与分析

目的对医院出院病人调查表普遍存在的数据缺失进行填补与分析,以保证统计调查表的质量,为医院以及上级卫生部门了解现状,进行预策和决策提供技术支持和质量保证。方法运用SAS9.1,采用多重填补方法Markov Chain Monte Carlo(MCMC)模型对缺失数据进行多次填补并综合分析。结果MCMC填补10次的结果最优。结论(Multiple Imputation)MI方法在解决医院出院病人调查表数据缺失时有优势,发挥空间较大,且填补效率较高。     

混合缺失机制下两总体差异的半经验似然置信区间

假定两个总体x与y均有数据缺失,它们的分布函数分别为F(·)与G_θ(·),其中F(·)未知,G_θ(·)的概率密度函数g_θ(·)形式已知,仅依赖于一些未知的参数,利用Fractional填补法填补缺失值,在一定的条件下证明了缺失数据下两总体差异指标的半经验似然比统计量的渐近分布为x_1~2,由此可构造两总体差异指标的经验似然置信区间.     

有缺失数据的条件独立正态母体中参数的最优同变估计

在缺失数据机制是可忽略的假设下,导出了有单调缺失数据的条件独立正态模型中协方差阵和精度阵的Cholesky分解的最大似然估计和无偏估计.通过引入一类特殊的变换群并在更广义的损失下,获得了其最优同变估计.这表明最大似然估计和无偏估计是非容许的.最后,通过数值模拟验证了相关结果的有效性.     

指数总体删失数据的极大似然估计

对取自均值为λ的指数分布的缺失数据,在完全随机缺失、右删失、非随机缺失三种缺失机制下,分别推导了参数的极大似然估计,并做了随机模拟.     

协变量缺失情形下的逆概率加权众数回归估计

数据缺失在实际应用中普遍存在,数据缺失会降低研究效率,导致参数估计有偏.在协变量随机缺失(MAR)的假定下,本文基于众数回归和逆概率加权估计方法对线性模型进行参数估计.该方法结合参数Logistic回归和非参数Nadaraya-Watson估计两种倾向得分估计方法,分别构建IPWM-L估计量和IPWM-NW估计量.模拟研究和实例分析表明,众数回归模型比均值回归模型更具稳健性,逆概率加权众数(IPWM)估计方法在缺失数据下表现出了更好的拟合效果,与IPWM-L估计量相比, IPWM-NW估计量更稳健.     

����ʼ�Ȩ���������ģ������Ӧ������λ������ľ�����Ȼͳ���ƶ�

本文对两个样本数据不完全的线性模型展开讨论, 其中线性模型协变量的观测值不缺失, 响应变量的观测值随机缺失(MAR). 我们采用逆概率加权填补方法对响应变量的缺失值进行补足, 得到两个线性回归模型``完全'样本数据, 在``完全'样本数据的基础上构造了响应变量分位数差异的对数经验似然比统计量. 与以往研究结果不同的是本文在一定条件下证明了该统计量的极限分布为标准, 降低了由于权系数估计带来的误差, 进一步构造出了精度更高的分位数差异的经验似然置信区间.     

数据缺失情形线性回归模型中误差方差的经验似然估计

在随机缺失(MAR)机制下利用经验似然方法构造了线性回归模型中误差方差的估计.并在一定条件下,证明了该估计的渐近正态性,由此得出当误差的分布不对称时,该估计的渐近方差比常用估计的渐近方差小.     

缺失数据下双重广义线性模型的参数估计

在经济领域和工业产品质量改进试验中,对均值和散度同时建模十分必要;在数据采集过程中,时常会遇到数据缺失问题.文章基于上述两点,研究缺失数据下的双重广义线性模型的参数估计,采用最近距离插补和反距离加权插补对缺失数据进行处理,并应用最大扩展拟似然估计和最大伪似然估计两种估计方法对未知参数进行估计.随机模拟和实例结果表明,该模型和所应用的方法是有用和有效的.     

Double Shrinkage Estimation of Common Coefficients in Two Regression Equations with Heteroscedasticity

The problem of estimating the common regression coefficients is addressed in this paper for two regression equations with possibly different error variances. The feasible generalized least squares (FGLS) estimators have been believed to be admissible within the class of unbiased estimators. It is, nevertheless, established that the FGLS estimators are inadmissible in light of minimizing the covariance matrices if the dimension of the common regression coefficients is greater than or equal to three. Double shrinkage unbiased estimators are proposed as possible candidates of improved procedures.     

纵向数据边际模型非参数光滑方法的比较

对于纵向数据边际模型的均值函数, 有很多非参数估计方法, 其中回归样条, 光滑样条, 似乎不相关(SUR)核估计等方法在工作协方差阵正确指定时具有最小的渐近方差. 回归样条的渐近偏差与工作协方差阵无关, 而SUR核估计和光滑样条估计的渐近偏差却依赖于工作协方差阵. 本文主要研究了回归样条, 光滑样条和SUR核估计的效率问题. 通过模拟比较发现回归样条估计的表现比较稳定, 在大多数情况下比光滑样条估计和SUR核估计的效率高.     

附加信息下的局部线性估计

在回归模型中，对一类因变量函数的条件期望方程的附加信息，我们提出了基于极大经验似然方法的局部线性点估计，在一定条件下证明了这些估计的相合性和渐近正态性，而且估计的方差小于通常不带附加信息核估计的方差．模拟结果也显示了估计的优良性．     

Estimators of scale parameters in linear regression

This note discusses the asymptotic distribution of two scale and location invariant estimators of two scale parameters in the multiple linear regression model. Both of these estimators need an initial estimator of the regression parameter vector. The asymptotic distribution of one of these estimators does not depend on this initial estimator. Both of these estimators are useful in the computation of scale and translation invariant adaptive estimators and M-estimators of the regression parameter vector.     

Minimax estimator of regression coefficient in normal distribution under balanced loss function

This article investigates linear minimax estimators of regression coefficient in a linear model with an assumption that the underlying distribution is a normal one with a nonnegative definite covariance matrix under a balanced loss function. Some linear minimax estimators of regression coefficient in the class of all estimators are obtained. The result shows that the linear minimax estimators are unique under some conditions.     

Strong consistency of nearest neighbor regression function estimators

For a well-known class of nonparametric regression function estimators of nearest neighbor type the uniform measure of deviation from the estimators to the true regression function is studied. Under weak regularity conditions it is shown that the estimators are uniformly consistent with probability one and the corresponding rate of convergence is near-optimal.     

Asymptotically optimal estimation in the linear regression problem in the case of violation of some classical assumptions

We consider the problem of estimating the unknown parameters of linear regression in the case when the variances of observations depend on the unknown parameters of the model. A two-step method is suggested for constructing asymptotically linear estimators. Some general sufficient conditions for the asymptotic normality of the estimators are found, and an explicit form is established of the best asymptotically linear estimators. The behavior of the estimators is studied in detail in the case when the parameter of the regression model is one-dimensional.     

非零截距线性和非线性回归模型的T-型稳健估计算法

首先给出非零截距线性模型T-型估计的模型与EM算法,其次给出非线性回归模型参数的T-型估计,利用泰勒级数对模型线性化,得到参数估计的迭代算法,最后用数值模拟实验验证了该算法的正确性和证实了T-型估计的稳健性.     

强相关数据回归函数的小波估计

讨论了在强相关数据情形下对回归函数的小波估计,并且给出了估计量的均方误差的一个渐近展开表示式． 对研究估计量的优劣,所推导的近似表示式显得非常重要．对一般的回归函数核估计,如果回归函数不是充分光滑,这个均方误差表示式并不成立A·D2但对小波估计,即使回归函数间断连续,这个均方误差表示式仍然成立．因此,小波估计的收敛速度要比核估计来得快,从而小波估计在某种程度上改进了现有的核估计．     

Mean Integrated Squared Error of Nonlinear Wavelet-based Estimators with Long Memory Data

We consider the nonparametric regression model with long memory data that are not necessarily Gaussian and provide an asymptotic expansion for the mean integrated squared error (MISE) of nonlinear wavelet-based mean regression function estimators. We show this MISE expansion, when the underlying mean regression function is only piecewise smooth, is the same as analogous expansion for the kernel estimators. However, for the kernel estimators, this MISE expansion generally fails if an additional smoothness assumption is absent. Research supported in part by the NSF grant DMS-0103939.