病例-队列设计下长度偏差数据的比例均值剩余寿命模型的统计推断

在大型队列研究中,病例-队列设计是一种可以有效节约成本的试验设计方法.本文研究了在病例-队列设计下,基于长度偏差数据的比例均值剩余寿命模型的统计推断问题,提出了一种带有时间相依权重的加权混合估计方程方法来估计模型中的回归系数,并证明了在适当条件下,所得到的估计量具有相合性与渐近正态性.模拟结果表明本文所提出的方法在有限样本下的表现不错.最后,我们将所提出的方法应用到了一组实际数据中.     

基于病例队列数据的比例风险模型的诊断

病例队列设计是一种在生存分析中广泛应用的可以降低成本又能提高效率的抽样方法.对于病例队列数据,已经有很多统计方法基于比例风险模型来估计协变量对生存时间的影响.然而,很少有工作基于病例队列数据来检验模型的假设是否成立.在这篇文章中,我们基于渐近的零均的值随机过程提出了一类检验统计量,这类检验统计量可以基于病例队列数据来检验比例风险模型的假设是否成立.我们通过重抽样的方法来逼近上述检验统计量的渐近分布,通过数值模拟来研究所提方法在有限样本下的表现,最后将所提出的方法应用于一个国家肾母细胞瘤研究的真实数据集上.     

病例队列研究下带约束的Cox模型中参数的一种加权估计方法

许多大型队列研究的主要预算和成本通常来自昂贵的关键协变量的采集与测量.在有限的预算或者时间下,观测大型队列中所有研究对象的昂贵协变量往往是不可行和低效的.因此,研究人员一直致力于寻找和使用能节约成本并能达到预设效率的抽样设计方法.对于生存数据,病例队列设计正是这样一种具有成本效益的有偏抽样机制.进一步,在病例队列研究中,为了利用更多的数据先验信息来提高研究的效率,可以在统计建模过程中对模型参数进行合理的假设和约束.本文研究病例队列设计下带约束的Cox模型中参数的估计方法.我们提出了一种加权约束估计的方法,并建立了所提出估计的渐近理论.发展了一种新的约束MM算法来实现所提出的加权约束估计的数值计算.通过统计模拟研究评估了所提出方法在有限样本量下的表现.分析了一个肾母细胞瘤的实际数据来展示所提出方法的实际应用价值.     

网络结构数据空间回归模型的平均估计

采用空间误差模型对数据的网络结构关系进行刻画,考虑了空间误差模型的S-AIC和S-BIC模型平均估计方法,证明了S-AIC和S-BIC估计的相合性和渐近正态性.通过蒙特卡洛模拟试验,研究了所提估计的有限样本性质,模拟结果显示,S-AIC和S-BIC模型平均估计表现优于AIC和BIC模型选择估计.利用文章所提方法,对QQ用户数据进行实证分析,说明了所提方法在实际问题中的应用价值.     

纵向数据部分线性测量误差模型的二次推断函数估计

基于纵向数据部分线性测量误差模型, 研究了模型中兴趣参数部分回归系数的估计问题. 首先采用B样条方法逼近模型中的非参数函数, 然后提出修正的二次推断函数(QIF)方法对模型中参数部分的回归系数进行估计, 所提方法可以提高估计的效率. 在一定的正则条件下, 证明了所得到的估计量具有相合性和渐近正态性. 最后, 通过模拟研究和实例分析验证了所提出估计方法的有限大样本性质.     

基于变系数模型的纵向数据相关结构选择和估计

本文针对基于变系数模型的纵向数据提出 选择和估计其个体内部相关结构的方法, 给出变系数模型中系数函数曲线的有效估计, 并建立相应的大样本渐近性质. 模拟结果和实例分析表明, 即使在有限样本下, 本文所提方法在选择和估计真实相关结构方面具有相合性, 并能够提高系数函数曲线的估计效率.     

比例风险模型下病例队列设计中两种加权估计方法及其应用

对于大型队列研究或观察型研究,基于生存数据的病例队列设计是一种能有效节约成本和提高效率的抽样机制.这种抽样设计仅对一个随机抽取的子队列以及子队列之外所有经历了感兴趣事件的病例个体进行关键协变量的测量,具有显著的成本效益.本文研究如何应用比例风险模型拟合病例队列研究数据.探讨逆概率加权和与时间相关加权这两种基于加权估计方程的统计推断方法和其渐近性质等理论结果.通过一系列的统计模拟研究展示了病例队列设计的优良性以及相较于传统简单随机抽样设计的高效性.进一步,应用这两种推断方法分析了两个实际数据,展示了其在实际中的应用价值和前景.     

复发事件下一类加性乘性转移模型p阶矩指数稳定性北大核心CSCD

复发事件数据频繁的出现在纵向研究中,本文基于生物医学中的单类型复发事件数据,提出了一类加性乘性转移模型,该模型包含了一些重要的半参数模型.同时,模型允许协变量具有加性和乘性的影响,且加性影响随时间而变化.利用广义估计方程的思想,对模型中未知参数和非参数函数进行了估计,并证明了所得估计的相合性和渐近正态性.最后,用数值模拟的方法验证了所提估计的可行性.     

复发事件下一类加性乘性转移模型p阶矩指数稳定性

复发事件数据频繁的出现在纵向研究中,本文基于生物医学中的单类型复发事件数据,提出了一类加性乘性转移模型,该模型包含了一些重要的半参数模型.同时,模型允许协变量具有加性和乘性的影响,且加性影响随时间而变化.利用广义估计方程的思想,对模型中未知参数和非参数函数进行了估计,并证明了所得估计的相合性和渐近正态性.最后,用数值模拟的方法验证了所提估计的可行性.     

纵向数据下非参数带测量误差的部分线性变系数模型的估计

本文研究纵向数据下非参数部分带有测量误差的部分线性变系数模型的估计.利用B样条函数近似模型中的变系数函数,构造偏差修正的二次推断函数,得到模型中未知参数和变系数函数的估计.证明变系数函数估计量的相合性和参数估计量的渐近正态性.数值模拟和实例分析结果表明所提估计方法在有限样本下的有效性.     

纵向数据下混合效应EV模型中参数估计的渐近性质

考虑纵向数据下混合效应EV模型。对带有惩罚项的Profile广义最小二乘方法进行了修正。利用矩估计法和ML-based EM算法给出了固定效应,随机效应以及协方差阵的估计。在一般的条件下,给出了固定效应估计的强相合性和渐近正态性,并对所提出的各种估计进行了模拟研究。模拟效果不错。     

二维指数信号模型中参数Bootstrap估计的强相合性

本文主要研究了在统计信号处理当中具有广泛应用的二维带白噪声指数信号模型中参数估计的Bootstrap逼近, 借助于回归模型中Bootstrap逼近的构造方法, 给出了二维指数信号模型参数的自助估计, 并证明了自助估计具有强相合性. 最后采用了Monte-Carlo法对所提的方法进行随机模拟, 模拟的结果表明当噪声不服从正态分布时, Bootstrap方法的估计效果优于最小二乘估计.     

带有辅助信息对数变换模型的违约预报

本文考虑对数变换的逻辑模型以刻画不同的违约概率曲线,研究如何将辅助信息加入到模型的估计中以提高违约估计的稳定性和效率.通过非参数经验似然,提出模型参数统计推断方法,并推导估计的相合性和渐近正态性.从理论上证明添加了辅助信息的估计的有效性,并且模拟表明该方法能够很好地提升估计的效率,另外也通过模拟讨论辅助信息的影响.将所提出的方法应用于ST (special treatment)股票的数据,实证结果表明,加入了辅助信息的参数估计更加有效.     

具有舍入误差微观结构噪音高频数据的杠杆效应分析

本杠杆效应反映了股票收益率与其波动率变动之间的负相关关系,它一直是金融研究的核心问题.在高频时间序列数据中,传统的简单相关系数估计是不相合的,为此一些学者给出了新的杠杆效应刻画-积分杠杆效应,并给出该杠杆效应的估计量.众所周知,高频数据易受市场微观结构噪音的干扰,其中舍入误差是非常重要、实际中普遍存在的一类.高频数据被舍入误差噪音污染后,本文研究上述学者提出的杠杆效应估计量的稳健性,获得杠杆效应估计的相合性及渐近正态性,并用随机模拟对结果进行了验证.     

左截断数据下非线性模型的加权分位数回归

左截断数据是一类具有特殊结构的缺失数据,当且仅当研究变量大于一定的阈值时才能取得观察值.本文针对左截断数据下的非线性回归模型,提出了加权分位数估计方法,利用加权方式处理左截断缺失数据,取得了与完整数据相近的估计结果.并在一定假设条件下,证明了所提估计方法的一致性和渐近正态性等大样本性质,最后通过数值模拟展现所提估计方法的有限样本表现.     

纵向数据的有效秩推断基于修正的Cholesky分解

本文基于修正的Cholesky分解提出新的方法估计纵向秩回归的组内协方差矩阵,进而提出新的无偏估计函数改善不平衡纵向数据的估计效率.在一些正则条件下,建立了所提估计的渐近正态性.进一步,提出稳健的秩得分检验统计量对回归系数做假设检验.模拟研究和实证分析表明所提方法能够获得高度有效的估计以及所提检验方法比存在的方法更好.     

一般线性混合效应模型的随机效应选择研究

考虑线性混合效应模型中随机效应的选择问题.在随机效应和误差项没有分布假定的条件下,研究基于修正Cholesky分解的硬阈值估计和一种罚估计在选择随机效应和估计方差分量时的表现.从理论上证明了这两种估计方法具有相合性,并且罚估计方法具有神谕性质.     

NA样本非参数回归权函数估计的强相合性

在 NA样本下 ,讨论了非参数回归模型中权函数估计的强相合性及强一致相合性 ,并把这个结果应用于 Gasser- Muller估计和 Priestley and Chao估计 .     

函数型部分线性乘积模型的B-样条估计

本文研究了函数型部分线性乘积模型,该模型可用于响应变量为正数的函数型数据的统计建模问题,经过对数变换后模型转化为函数型部分线性模型.基于B-样条,通过极小化最小一乘相对误差(LARE)和最小乘积相对误差(LPRE),分别给出模型的LARE估计和LPRE估计,其中B-样条基的维数利用Schwarz信息准则选取.对两种估计方法分别给出斜率函数估计的相合性和参数部分估计的渐近正态性,并且证明了斜率函数的收敛率达到了非参数函数估计的最优速率.蒙特卡洛模拟用来比较所提出的方法与最小一乘(LAD)估计和最小二乘(LS)估计在不同误差分布下的有限样本性质,模拟结果表明所提方法是有效和实用的.最后通过一个实际数据分析的例子来说明模型的应用.     

病例-队列研究中可加可乘风险模型的有效估计

在病例-队列研究中,一些测量成本高的协变量仅对病例及随机选取的子列中的个体进行测量,而其余协变量以及昂贵协变量的某些替代变量将对所有个体进行测量.为了充分利用所测量到的协变量信息,本文针对可加可乘风险模型提出了一类带有时间相依权重的双重加权估计;证明了所得估计量的渐近性质,并得到了这类估计中的最有效估计.最后,通过数值模拟验证了所给方法在有限样本下的表现,并将其应用于一个实例分析.