基于充分降维的半参数不可忽略无响应光滑分位回归

文章在响应变量不可忽略缺失假定下,考察了分位回归的估计问题.文章首先建立半参数指数倾斜响应模型,为克服不可忽略缺失数据的识别性困难,避免多元非参数核估计造成的维数灾难,文章基于充分降维假设,利用数据驱动方法构造缺失工具变量,得到倾斜参数的轮廓两步广义矩估计量和非参数部分的降维核估计量;基于上述估计量建立逆概率加权(IPW)、核辅助估计方程插补(EEI)和增强逆概率加权(AIPW)三种分位回归估计方程,并利用卷积平滑分位损失函数代替经典的分位损失函数克服检查函数不平滑造成的理论和计算困难,回归系数的估计量由经验似然方法得到.理论研究证明了三种估计量等价的渐近正态性和相应对数经验似然比函数的渐近χ²加权和性质.数值模拟比较了上述估计量的有限样本性能.最后对HIV-CD4实际数据进行分析.     

双因素误差成分的空间面板模型的参数估计

本文构造了比较一般化的双因素误差成分结构的空间面板数据模型,其中误差成分的设定为个体效应也存在空间相关性.基于广义矩估计方法,通过构造最优的工具变量,寻找合适的矩条件组和权重矩阵,讨论了模型的参数估计问题,并证明了估计量的相合性.通过随机模拟分析估计量的有限样本性质,结果表明加权矩估计量的渐近效果优于未加权矩估计量,并且模型参数的可行的广义二阶段最小二乘估计量的估计效果很好.     

固定样组纵向调查"间歇式"期单元无回答的加权调整

期单元无回答误差是固定样组纵向调查中经常出现的一类抽样误差，如果不对之进行调整，则往往造成估计量的偏差，已经提出的两种加权调整方法不易处理“间歇式”期单元无回答。在本文中，我们提出了纵横加权调整方法，这一方法克服了已有方法的不足，我们所作的模拟研究表明，纵横加权方法降低了估计量的偏差，并在作两调查期指标均值变化分析时，充分利用了两期回答状态的相关信息，提高了变化估计量的准确度。     

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.     

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.     

局部平稳短期利率扩散模型的半参数估计

主要研究局部平稳扩散模型的半参数估计．首先,基于局部常数拟合,利用局部加权最小二乘法得到了漂移参数函数的估计量．同时,通过Kolmogorov向前方程,得到了扩散函数的估计量．然后,分别讨论了所得估计量的相合性和渐近正态性．最后,通过模拟研究说明了估计量的有效性．     

变系数部分线性模型的加权随机约束s-K估计

研究随机约束条件下半参数变系数部分线性模型的参数估计问题,当回归模型线性部分变量存在多重共线性时,基于Profile最小二乘方法、s-K估计和加权混合估计构造参数向量的加权随机约束s-K估计,并在均方误差矩阵准则下给出新估计量优于s-K估计和加权混合估计的充要条件,最后通过蒙特卡洛数值模拟验证所提出估计量的有限样本性质.     

因果推断中平均处理效应的估计研究

医学、经济等领域的研究常关注某种处理或政策的有效性,并借助于估计处理或政策的平均处理效应及其方差,进行因果推断。Montes-Rojas(2009)已导出简单逆概加权方法得到的平均处理效应估计量的渐近方差公式。但当个体倾向评分取值接近于0或者1时,利用此公式可能会导致估计量及其方差异常大,从而估计量不稳健。本文类比Montes-Rojas(2009)导出渐近方差公式的方法,给出了扩展简单逆概加权方法下平均处理效应估计量渐近方差的计算公式。通过模拟研究,本文进一步验证了所导出的渐近方差公式的正确性及可行性。     

以多辅助指标线性组合为辅助信息的比估计法

本文以提高估计量的精度为目的,把多个辅助变量适当加权构造了一个单辅助变量,利用构造的单辅助指标定义了一个新的比估计量,从理论上研究了这种辅助指标组合中权w_k的选取方法.并将这种新构造的比估计量与单辅助指标比估计量、Srivastava及B.Kiregyera链式比估计量在精度上进行了数值比较,结果表明:这种新的多辅助指标组合比估计在精度上要优于以上几种比估计.     

部分线性变系数模型改进的加权混合Profile-Liu估计

研究半参数部分线性变系数模型的有偏估计,当回归模型参数部分自变量存在多重共线性时,在随机线性约束条件下,融合Profile最小二乘估计、加权混合估计和Liu估计构造回归模型参数分量改进的加权混合Profile-Liu估计,并在一定正则条件下证明估计量的渐近性质,最后利用蒙特卡洛数值模拟验证所提出估计量的有限样本表现性.     

带季节线性趋势的季节时间序列的单位根检验

本文为检验带季节线性趋势的季节时间序列的单位根，提出了调整季节线性趋势的统计量，导出这些统计量的极限分布，并用Monte Carlo方法比较研究这些统计量的检验势．     

基于周期异方差季节单位根的加权估计与检验

为检验周期异方差的季节单位根模型,基于加权最小二乘估计,提出检验统计量,并在原假设下得到检验统计量的极限分布,与各个季节的周期异方差无关,是标准Wiener过程的泛函.模拟结果和实例分析都表明了用该方法检验季节单位根模型的有效性.     

周期异方差时间序列的季节单位根检验

为检验带异方差的季节时间序列中的单位根,提出基于最小二乘估计的统计量.在原假设下得到检验统计量的极限分布.用M on te C arlo方法计算同方差下的经验分位数并考虑异方差对检验水平的影响.实例分析表明了用该方法检验季节单位根的有效性.     

Goodness-of-fit tests for multivariate Laplace distributions

Consistent goodness-of-fit tests are proposed for symmetric and asymmetric multivariate Laplace distributions of arbitrary dimension. The test statistics are formulated following the Fourier-type approach of measuring the weighted discrepancy between the empirical and the theoretical characteristic function, and result in computationally convenient representations. For testing the symmetric Laplace distribution, and in the particular case of a Gaussian weight function, a limit value of these test statistics is obtained when this weight function approaches a Dirac delta function. Interestingly, this limit value is related to a couple of well-known measures of multivariate skewness. A Monte Carlo study is conducted in order to compare the new procedures with standard tests based on the empirical distribution function. A real data application is also included.     

厚尾金融时间序列的贝叶斯单位根检验

在金融时间序列分析中,单位根检验是一个相当重要的研究问题。对于数据生成过程为自回归的厚尾金融时序数据,古典的ADF单位根检验统计量应用非常困难。本文则在贝叶斯框架下,发展了检验带有未知自由度厚尾t分布的自回归金融时间序列单位根的贝叶斯方法。蒙特卡罗模拟结果显示本文发展的方法能够取得好的检验功效。最后,用万科地产月度历史收益数据来演示了本文发展的方法。     

季节调整对单位根检验的影响——基于蒙特卡罗模拟的研究

季节调整是使用季节数据进行经济分析的前提.但是季节调整是否会对单位根检验的结论造成影响却是一个存在争议的问题.本文扩展了Ghysels和Perron的分析框架,通过蒙特卡罗模拟考察了X-12-ARIMA季节调整对ADF和DF-GLS单位根检验的影响.结果表明,对于季节时间序列,使用季节调整后数据,只要滞后阶数选取合适,单位根检验的功效就不会发生严重损失.     

Invariant tests for symmetry about an unspecified point based on the empirical characteristic function

This paper considers a flexible class of omnibus affine invariant tests for the hypothesis that a multivariate distribution is symmetric about an unspecified point. The test statistics are weighted integrals involving the imaginary part of the empirical characteristic function of suitably standardized given data, and they have an alternative representation in terms of an L²-distance of nonparametric kernel density estimators. Moreover, there is a connection with two measures of multivariate skewness. The tests are performed via a permutational procedure that conditions on the data.     

On multiplicative seasonal modelling for vector time series

Many time series encountered in real applications display seasonal behavior. In this paper, we consider multiplicative seasonal vectorial autoregressive moving average (SVARMA) models to describe seasonal vector time series. We discuss conditional maximum likelihood estimation of the model parameters, allowing them to satisfy general linear constraints. Having fitted a model, residual autocovariances (or autocorrelations) have been found useful in checking time series models. Consequently, we obtain the asymptotic distributions of the residual autocovariance matrices. As applications of these results, Portmanteau test statistics are proposed and their asymptotic distributions are studied. The finite-sample properties of the test statistics are evaluated using Monte Carlo experiments.     

Minimum distance estimation in linear regression with unknown error distributions

This paper discusses minimum distance (m.d.) estimators of the paramter vector in the multiple linear regression model when the distributions of errors are unknown. These estimators are defined in terms of L₂-distances involving certain weighted empirical processes. Their finite sample properties and asymptotic behavior under heteroscedastic, symmetric and asymmetric errors are discussed. Some robustness properties of these estimators are also studied.     

Asymptotic optimal inference for multivariate branching-Markov processes via martingale estimating functions and mixed normality

Multivariate tree-indexed Markov processes are discussed with applications. A Galton-Watson super-critical branching process is used to model the random tree-indexed process. Martingale estimating functions are used as a basic framework to discuss asymptotic properties and optimality of estimators and tests. The limit distributions of the estimators turn out to be mixtures of normals rather than normal. Also, the non-null limit distributions of standard test statistics such as Wald, Rao’s score, and likelihood ratio statistics are shown to have mixtures of non-central chi-square distributions. The models discussed in this paper belong to the local asymptotic mixed normal family. Consequently, non-standard limit results are obtained.