平行数据模型中异方差问题的处理——截面内误差项v_(it)～ARCH(q)

本文在平行数据模型方差成分的框架下,考虑了横截面内误差项v_(it)～ARCH(q)的异方差处理方法。给出模型设定的假设检验和参数的一致估计,并利用Monte-Carlo方法验证了本文估计方法优于普通最小二乘估计方法。     

-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.     

抽样调查(Ⅲ) 第二讲 简单随机抽样(续)

2)方差的估计 在实际问题中,由于总体的方差S2是未知的,因此(2.9)及(2.10)式还不能直接应用.换言之,估计量的方差还需要估计·可以证明,对有限总体,样本方差也是总体方差的无偏估计,即 E(S2)=S2(2.14)例如在例2.1中,总体方差S2=36/7=5.1429,而根据表2.1,根据全部可能样本的样本方差计算E(S2)=144/28=5.1429.两者相等.根据这个结果,我们有 定理2.3对于简单随机抽样 是V(y)的无偏估计. 例2.2某市区共有4328户.为调查该区的居民的收入情况,用简单随机抽样方法从中抽取30户,登门登记了每户的月收入yi ,具体数字如表2,2所示. 这里 N= 4328,n=…     

非参数回归中方差变点的小波检测(英文)

本文主要研究了非参数回归模型中方差函数的变点, 利用小波方法构造的检验量来检测方差中的变点,建立了这些检验量的渐近分布, 并且运用这些检验量构造了方差变点的位置和跳跃幅度的估计, 给出了这些估计的渐近性质, 并进一步通过随机模拟验证了本文方法在有限样本下的性质.     

基于M估计的指数相关非线性混合效应模型的齐性检验(英文)

方差和相关系数的齐性是纵向数据分析中常用假设之一,然而,这些假设未必合适.本文主要研究的是具有指数相关结构的纵向数据非线性混合效应模型,首先将Huber函数引入模型的对数似然函数中,利用Fisher得分迭代法得到模型参数的稳健估计(M估计),然后基于M估计对模型的方差和相关系数的齐性进行了Score检验,并给出了检验统计量的Monte-Carlo模拟结果.最后用一个实例说明了本文的方法.     

AR(p)模型中的变点分析

本文分别用极大似然法和Bayes方法研究了AR(p)模型中的变点问题.在数据矩阵不一定满秩的条件下,利用Moore-Penrose广义逆给出了模型参数的极大似然估计的统一表达式和变点位置的估计式.在假定自回归系数的先验分布服从多元正态,方差服从逆Γ分布的条件下,用Bayes方法给出了变点位置估计的显示表达式以及模型参数的Bayes估计.     

时间序列中方差的结构变点的小波识别(英文)

本文给出了时间序列中方差的小波系数的两种估计:连续估计和离散估计.这两种估计可以用来检测时间序列中方差的结构变点.利用这两种估计我们给出了方差变点的位置和跳跃幅度的估计,并且显示出这些估计可达到最佳收敛速度.同时,我们还给出了这些估计的收敛速度以及检验统计量的渐进分布!     

线性模型误差方差的经验似然估计（英文）

本文应用经验似然方法得到了线性模型误差方差的一类新的估计,证明了估计的渐近分布为正态分布且渐近方差不超过常用的误差方差估计的渐近方差,同时给出了渐近方差的显式表达.     

均值方差结构模型的渐近稳健推断(英文)

均值方差模型广泛应用于行为、教育、医学、社会和心理学的研究.经典的极大似然估计对于异常点和分布扰动易受影响.本文基于目标函数最小化给出稳健估计,并基于稳健偏差提出模型拟合.     

非参数回归模型均值与方差双重变点的估计

本文基于核估计和小波方法研究异方差非参数回归模型中均值函数和方差函数均存在变点的估计问题.首先,构造基于均值函数的核估计量,求出均值变点位置及跳跃度的估计.其次,利用小波方法构造方差变点的估计量,运用该估计量获得方差变点位置与跳跃度的估计,给出变点估计量的渐近性质.最后数值模拟并通过比较验证了方法的有效性.     

随机设计非线性混合模型的统计分析

本文研究了个体观察次数为随机的非线性 混合效应模型中参数的点估计以及区间估计. 在仅给出适当的矩条件下, 给出了固定效应、随机效应的方差阵以及误差方差的矩估计, 并证明了估计量的相合性及渐近正态性. 为给出误差方差以及随机效应方差分量的置信区间, 本文也给出了误差及随机效应的四阶矩估计. 随机模拟说明了方法的有效性.     

混合模型中方差分量估计的容许性及非负估计

对含有两个方差分量的线性混合模型, 本文构造了方差分量的一个线性估计类, 它包含许多常见的方差分量估计. 在这个类中我们建立了容许性的必要条件, 据此得到了两个新的改进估计. 最后我们讨论了方差分量的非负估计, 得到了优于方差分析估计和Tatsuya估计的正估计.     

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.     

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.     

随机变量二次型的协方差在混合效应模型中的应用

本文提出方差分量ANOVA估计的一种改进方法, 证明了对于一般的方差分量模型, 只要方差分量的ANOVA估计存在就可以通过此方法给出其改进形式, 并且在均方误差意义下优于ANOVA估计. 特别地, 对于单向分类随机效应模型, Kelly和Mathew^[1]对ANOVA估计的改进就是我们提出的改进方法的特殊形式, 这也给出了此类改进估计在均方误差意义下优于ANOVA估计的另一种合理的解释. 同时, 本文又将此思想应用到对谱分解估计的改进上. 本文应用协方差的简单性质证明了对带有一个随机效应的方差分量模型, 当随机效应的协方差阵只有一个非零特征值时, 随机效应方差分量谱分解估计在均方误差意义下总是优于ANOVA估计. 本文最后将第三节的结论推广到广义谱分解估计下, 同时给出广义谱分解估计待定系数的一个合理的取值.     

随机效应模型中方差分量的Bayes估计及其优良性

在平衡单向分类随机效应模型中,假定方差分量具有共轭先验分布,在加权平方损失下导出了方差分量的Bayes估计;在均方误差准则下研究了方差分量的Bayes估计相对于经典统计方法中的ANOVA估计的优良性.最后,给出了本文主要结果的一个注释.     

多元线性混合模型方差分量矩阵的非负估计

本文研究了带有两个方差分量矩阵的多元线性混合模型方差分量矩阵的估计问题.对于平衡模型,给出了基于谱分解估计的一个方差分量矩阵的非负估计类.对于非平衡模型,给出了方差分量矩阵的广义谱分解估计类,讨论了与ANOVA估计等价的充要条件.同时,在广义谱分解估计的基础上给出了一种非负估计类,并讨论了其优良性.当具有较小二次风险的非负估计不存在时,从估计为非负的概率的角度考虑,将Kelly和Mathew(1993)提出的构造具有更小取负值概率的估计类的方法推广到本文的多元模型下,给出了较谱分解估计相比有更小取负值概率和更小风险的估计类.最后,模拟研究和实例分析表明文中理论结果有很好的表现.     

黄金价格(AU99.99)的季节性风险预测

选用了经典的AR(1)-EGARCH(1,1)模型和极大似然估计来获得黄金收益率的条件均值和条件方差的估计.接着,利用极值理论模拟了标准独立化以后的残差序列.最终预测了每个季度的VaR和CVaR,进而研究了黄金价格的季节性风险.     

基于变量选择和聚类分析的两阶段异方差模型估计

建模经济学领域中的面板数据,异方差性在所难免.两阶段估计方法是一种较好的研究异方差性的手段,在进行样本分组时,如果仅选定一个自变量作为依据,会导致信息量不完整.本文提出了用变量选择的方法筛选出用于分组的几个变量,之后用κ均值方法进行聚类,进而实现对样本的类别划分,从而可以得到异方差估计.实证显示:在异方差估计精度和拟合值方面,本文提出的方法在有效性和可行性方面优势明显.     

多状态寿命表逗留时间期望长度的渐近理论的一个注记(英语)

本文运用计数过程技术,给出了多状态寿命表的平均逗留时间的一个估计及其方差估计,讨论了这些估计量的均匀相合性与弱收敛性。