缺失数据下部分非线性变系数EV模型的统计推断

该文研究了响应变量缺失下半参数部分非线性变系数EV模型的统计推断问题,利用逆概率加权局部纠偏profile最小二乘法构造了模型中非参数分量和参数分量的估计,证明了估计量的渐近正态性.通过数值模拟和实际数据分析,验证了所提出的估计方法是有效的.     

缺失数据下线性模型的半参数估计

通过比较参数方法和非参数方法对选择概率建模的优缺点,基于充分降维的思想提出了一种利用单指标模型对选择概率建模的半参数方法.基于逆概率加权方法和半参数方法,研究了缺失数据下线性模型的统计推断问题.建立的逆概率加权估计方程可以处理不同的数据缺失情形,给出了线性模型中兴趣参数的估计,并证明了它的渐近正态性.最后通过模拟研究说明提出的方法具有较好的有限样本性质.     

缺失数据下双重广义线性模型的经验似然推断

本文基于截面经验似然的方法,在响应变量随机缺失时,将双重广义线性模型的拟似然估计方程作为截面经验似然比函数的约束条件,构造了均值模型和散度模型未知参数的置信区间.数据模拟中,在完全数据集,逆概率加权填补所得的数据集和未加权填补所得的数据集三种情形下,将经验似然方法与正态逼近方法相比较.结果表明在双重广义线性模型中,逆概率加权这一填补方法和经验似然方法是有效和可行的.     

响应变量缺失下线性EV模型中参数的经验似然推断

考虑了响应变量随机缺失情形下的线性EV模型,通过利用逆概率加权的方法构造未知参数的经验对数似然比统计量,证明了所构造的经验对数似然比统计量渐近于X~2分布,利用这个结果可以构造未知参数的置信域     

缺失数据下估计方程的经验似然推断

将逆概率加权法和推广的逆概率加权法用于缺失数据下估计方程经验似然推断中,得到两种参数估计的渐近性质.同时可以得到两种方法所对应的估计方程是无偏的,相应的经验似然统计量都渐近卡方分布,从而避免的调整经验似然.数值模拟也进一步显示了两种方法的优势.     

非线性半参数回归模型中参数的经验似然置信域

该文考虑非线性半参数回归模型,构造了模型中未知参数的经验对数似然比统计量,证明了所提出的统计量具有渐近Χ²分布,由此结果可以用来构造未知参数的置信域.另外,该文也构造了未知参数 的最小二乘估计量,并证明了它的渐近性质.仅就置信域精度及其覆盖概率大小方面,通过模拟研究比较了经验似然方法与最小二乘法的优劣.     

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.     

协变量缺失下部分线性模型的模型选择和模型平均

本文研究了协变量随机缺失下部分线性模型的模型选择和模型平均问题.首先利用逆概率加权方法得出了线性回归系数和非参数函数的估计,并在局部误设定框架下证明了线性回归系数估计量的渐近正态性.然后构造了兴趣参数的兴趣信息准则和频数模型平均估计量,并根据该模型平均估计量构造了一个覆盖真实参数的概率趋于预定水平的置信区间.模拟研究和实例分析分别说明了本方法的优越性和实用性.     

半相依部分线性可加回归模型的统计推断

受实际问题研究的启发, 为减少模型偏差, 提出了一类半相依部分线性可加的半参数回归模型. 这类半相依模型中, 响应变量与 一部分解释变量之间的关系是线性的, 与另一部分解释变量之间的关系未知但具有可加结构, 各方程的误差之间是相关的. 将级 数逼近法、最小二乘法和同期相关的估计结合起来, 提出了用于估计模型参数分量的加权半参数最小二乘估计量(WSLSEs), 和用于估 计模型非参数分量的加权级数逼近估计量(WSEs). 证明了这些加权的估计量比相应的不加权的估计量渐近有效, 并导出了相应的渐近正态性. 另外, 还讨论了利用这些估计量的渐近性质来对模型的参数及非参数分量作统计推断. 用大量的模拟实验考察 了所提出的方法在有限样本情况下的表现, 并对美国的一个关于妇女工资问题的全国纵向调查(NLS)数据集进行了统计分析.     

删失数据下的半参数变系数部分线性回归模型

为了分析删失数据,该文考虑变系数部分线性模型,此模型允许协变量对响应变量存在非线性影响.响应变量与协变量之间关系的统计模型通过线性结构来拟合是非常重要而且有益.对于删失数据,常用的统计方法不能直接应用于此模型.该文首先提出一类数据变换用以建立无偏条件期望.然后利用profile最小二乘方法,给出了模型中参数分量和非参数分量的profile最小二乘估计,并建立了这些估计的渐近正态性.最后通过数值例子来说明该文所提出的方法的有效性.