I型区间删失情形下部分线性模型Sieve极大似然估计渐近性质

本文在响应变量的观测值为I型区间删失数据的情形下,讨论部分线性模型Sieve极大似然估计的渐近性质。在一定条件下证明了该估计具有强相合性;参数分量的估计具有渐近正态性,并且是渐近有效的;非参数分量估计达到了最优弱收敛速度。     

基于纵向数据的半参数变系数部分线性回归模型

纵向数据是数理统计研究中的复杂数据类型之一0,在生物、医学和经济学中具有广泛的应用．在实际中经常需要对纵向数据进行统计分析和建模．文章讨论了纵向数据下的半参数变系数部分线性回归模型,这里的纵向数据的在纵向观察在时间上可以是不均等的,也可看成是按某一随机过程来发生．所研究的半参数变系数模型包括了许多半参数模型,比如部分线性模型和变系数模型等．利用计数过程理论和局部线性回归方法,对于纵向数据下半参数变系数进行了统计推断,给出了参数分量和非参数分量的profile最小二乘估计,研究了这些估计的渐近性质,获得这些估计的相合性和渐近正态性．     

半参数面板空间滞后模型的两阶段最小二乘估计及应用

发展了一种半参数面板空间滞后模型的两阶段最小二乘估计方法.证明了参数分量估计具有渐近正态性且收敛速度为n~(-1/2),非参数分量估计在内点处具有渐近正态性,其收敛速度达到了非参数函数估计的最优收敛速度.并将方法应用于外商直接投资对劳动收入份额的影响分析.     

因变量缺失下部分线性变系数变量含误差模型的估计

该文主要考虑部分线性变系数模型在自变量含有测量误差以及因变量存在缺失情形下的估计问题.基于Profile最小二乘技术,针对参数分量和非参数分量提出了多种估计方法.第一种估计方法只利用了完整观测数据,而第二种和第三种估计方法分别利用了插补技术和替代技术.参数分量的所有估计被证明是渐近正态的,非参数分量的所有估计被证明和一般非参数回归函数的估计具有相同的收敛速度.对于因变量的均值,构造了两类估计并证明了它们的渐近正态性.最后,通过数值模拟验证了所提方法.     

纵向数据半参数建模中的迭代加权偏样条最小二乘估计

考虑了纵向数据半参数建模中的估计问题, 提出了参数分量的一个迭代加权偏样条最小二乘估计. 在渐近方差意义下该估计比加权偏样条最小二乘估计更加有效, 且具有渐近正态性. 另外, 给出了一个自适应方法, 该方法能保证经过有限次迭代后, 迭代过程会终止, 并且产生的估计渐近等价于使用迭代方法所能产生的最好的估计, 这些结果是Chen和Shao的结果在半参数回归上的推广.     

纵向数据下半参数回归模型的统计分析

对于纵向数据下半参数回归模型,基于广义估计方程和一般权函数方法构造了模型中参数分量和非参数分量的估计.在适当的条件下证明了参数估计量具有渐近正态性,并得到了非参数回归函数估计量的最优收敛速度.通过模拟研究说明了所提出的估计量在有限样本下的精确性.     

误差为MA（∞）序列的半参数回归模型的小波估计的渐近性质

本文研究误差为MA(∞)时间序列的半参数回归模型.利用小波方法,研究了参数分量β非参数分量g(t)的小波估计βn、gn(·)的渐近性质.在适当的条件下,得到了βn的渐近正态性、强收敛速度、矩收敛速度及gn(·)的强相合性和矩相合性.     

响应变量缺失下变系数部分线性测量误差模型的约束估计

当响应变量缺失、协变量具有测量误差,且模型参数部分有附加的线性约束时,主要研究一类变系数部分线性模型的统计推断问题.利用借补技术来补全缺失数据,并借助修正的profile最小二乘估计得到了模型参数分量和非参数分量的借补约束估计,并证明了参数分量的估计满足渐近正态性,同时非参数分量的估计与通常的非参数回归函数的估计具有相同的收敛速度.其次利用profile拉格朗日乘子检验对模型参数的约束条件进行检验,并证明了给出的检验统计量在原假设成立时渐近地服从标准卡方分布.数值模拟进一步表明对缺失数据进行借补可以有效地提高参数估计和假设检验的效率.     

因变量缺失下部分线性可加模型的估计和检验

本文研究部分线性可加模型在因变量存在缺失情形下的统计推断问题. 首先基于完整数据方法提出了参数分量的Profile 最小二乘估计并证明估计量的渐近正态性. 为了给出参数分量的区间估计,构造了渐近分布为卡方分布的经验似然统计量. 为了检验参数分量的线性约束条件, 构造了调整的广义似然比检验统计量, 当原假设成立时其渐近分布为卡方分布,从而将广义似然比检验推广到了缺失数据情形. 最后通过数值模拟验证所提方法的有效性.     

因变量缺失下部分线性可加模型的估计和检验（英文）

本文研究部分线性可加模型在因变量存在缺失情形下的统计推断问题.首先基于完整数据方法提出了参数分量的Profile最小二乘估计并证明估计量的渐近正态性.为了给出参数分量的区间估计,构造了渐近分布为卡方分布的经验似然统计量.为了检验参数分量的线性约束条件,构造了调整的广义似然比检验统计量,当原假设成立时其渐近分布为卡方分布,从而将广义似然比检验推广到了缺失数据情形.最后通过数值模拟验证所提方法的有效性.     

一种Sieve极大似然估计的渐近性质

该文针对部分线性模型,在响应变量的观测值为Ⅰ型区间删失数据的情形下,讨论Ｓｉｅｖｅ极大似然估计的渐近性质．用三角级数来构造Ｓｉｅｖｅ空间,在一定条件下证明了该估计具有强相合性;得到了该估计的弱收敛速度,并且非参数部分的估计达到了最优收敛速度;还算出了参数部分的信息界．     

Error bounds for asymptotic expansions of the distribution of the MLE in a GMANOVA model

Summary In this paper we obtain asymptotic expansions for the distribution function and the density function of a linear combination of the MLE in a GMANOVA model, and for the density function of the MLE itself. We also obtain certain error bounds for the asymptotic expansions.     

Ⅱ型区间删失数据下广义部分线性模型的筛极大似然估计(英文)

This article concerded with a semiparametric generalized partial linear model （GPLM） with the type Ⅱ censored data. A sieve maximum likelihood estimator （MLE） is proposed to estimate the parameter component, allowing exploration of the nonlinear relationship between a certain covariate and the response function. Asymptotic properties of the proposed sieve MLEs are discussed. Under some mild conditions, the estimators are shown to be strongly consistent. Moreover, the estimators of the unknown parameters are asymptotically normal and efficient, and the estimator of the nonparametric function has an optimal convergence rate.     

排序集抽样下指数分布的产品可靠度研究

为了提高指数分布产品可靠度的估计效率,研究了基于排序集抽样方法的极大似然估计量(Maximum likelihood estimator,MLE),证明了新MLE具有存在性、唯一性和渐近正态性,并通过排序集样本的Fisher信息得到MLE的渐近方差。针对似然方程没有显式解的问题,利用部分期望法对MLE进行修正,并给出其具体表达式。渐近相对效率和模拟相对效率的研究结果表明:排序集抽样下MLE和修正MLE的估计效率都一致高于简单随机抽样下MLE。最后,将推荐方法应用到转移性肾癌的临床研究中。     

Design for estimation of the drift parameter in fractional diffusion systems

We consider a controlled linear differential equation which is partially observed with an additive fractional noise. In this setting, we study the asymptotic (for large observation time) design problem of the input and give an efficient estimator of the unknown signal drift parameter. The optimal estimation input is deduced. The consistency, asymptotic normality and convergence of the moments of the MLE are established.     

Asymptotic properties of maximum likelihood estimator for two-step logit models

Two-step logit models are extensions of the ordinary logistic regression model, which are designed for complex ordinal outcomes commonly seen in practice. In this paper, we establish some asymptotic properties of the maximum likelihood estimator (MLE) of the regression parameter vector under some mild conditions, which include existence of the MLE, convergence rate and asymptotic normality of the MLE. We relax the boundedness condition of the regressors required in most existing theoretical results, and all conditions are easy to verify.     

Convergence rates of MLE in a partly linear model

This paper considers the estimation for a partly linear model with case 1 interval censored data. We assume that the error distribution belongs to a known family of scale distributions with an unknown scale parameter. The sieve maximum likelihood estimator (MLE) for the model’s parameter is shown to be strongly consistent, and the convergence rate of the estimator is obtained and discussed.     

Large-Sample Theory for Generalized Linear Models with Non-natural Link and Random Variates

For generalized linear models （GLM）, in the ease that the regressors are stochastie and have different distributions and the observations of the responses may have different dimcnsionality, the asyinptotic theory of the maximum likelihood estimate （MLE） of the parameters are studied under the assumption of a non-natural link funetion,     

Asymptotic properties of MLE for partially observed fractional diffusion system

The paper studies long time asymptotic properties of the Maximum Likelihood Estimator (MLE) for the signal drift parameter in a partially observed fractional diffusion system. Using the method of weak convergence of likelihoods due to Ibragimov and Khasminskii (Statistics of random processes, 1981), consistency, asymptotic normality and convergence of the moments are established for MLE. The proof is based on Laplace transform computations.     

On the estimation of parameters for linear stochastic differential equations

The estimation of arbitrary number of parameters in linear stochastic differential equation (SDE) is investigated. The local asymptotic normality (LAN) of families of distributions corresponding to this SDE is established and the asymptotic efficiency of the maximum likelihood estimator (MLE) is obtained for the wide class of loss functions with polynomial majorants. As an example a single-degree of freedom mechanical system is considered. The results generalize [8], where all elements of the drift matrix are estimated and the asymptotic efficiency is proved only for the bounded loss functions. Received: 12 March 1997 / Revised version: 22 June 1998