基于Cox模型的虚拟响应算法

提供一种求解Cox模型的新方法:基于Cox模型的基本特征构造虚拟响应变量,在此基础上利用最小二乘迭代算法得到基准生存函数和回归系数的估计,并进一步将该算法推广到广义Cox模型,利用局部多项式方法拟合虚拟响应变量,解决了协变量作用形式为非参的情形.     

广义Pareto分布的广义有偏概率加权矩估计方法

广义Pareto分布(GPD)是统计分析中一个极为重要的分布,被广泛应用于金融、保险、水文及气象等领域.传统的参数估计方法如极大似然估计、矩估计及概率加权矩估计方法等已被广泛应用,但使用中存在一定的局限性.虽然提出很多改进方法如广义概率加权矩估计、L矩和LH矩法等,但都是研究完全样本的估计问题,而在水文及气象等应用领域常出现截尾样本.本文基于概率加权矩理论,利用截尾样本对三参数GPD提出一种应用范围广且简单易行的参数估计方法,可有效减弱异常值的影响.首先求解出具有较高精度的形状参数的参数估计,其次得出位置参数及尺度参数的参数估计.通过Monte Carlo模拟说明该方法估计精度较高.     

内生性协变量下广义变系数模型的工具变量估计

在模型的部分协变量为内生性协变量的情况下,考虑广义变系数模型的一类估计问题.通过结合基函数逼近和一些辅助变量信息,提出了一个基于工具变量的估计过程.并得到了估计的相合性和收敛速度等渐近性质.所提出的估计方法可以有效地消除协变量的内生性对估计精度的影响,并且具有较好的有限样本性质.     

带协变量的负二项回归模型中离散参数估计的研究

针对带协变量的负二项回归模型中离散参数估计问题,推广了极大似然估计和Bootstrap极大似然估计方法,并在绝对偏差的意义下,通过模拟研究和实际数据分析研究了估计的优良性.研究结果表明协变量和样本量均对离散参数估计有影响.     

非参数方法下条件矩限制回归模型的广义矩估计

本文讨论条件矩限制回归模型的参数估计.使用非参数估计方法给出条件密度和条件均值的估计,在此基础上给出参数的广义矩估计.进一步讨论了估计的渐近正态性.     

带协变量的负二项回归模型中离散参数估计的研究（英文）

针对带协变量的负二项回归模型中离散参数估计问题,推广了极大似然估计和Bootstrap极大似然估计方法,并在绝对偏差的意义下,通过模拟研究和实际数据分析研究了估计的优良性.研究结果表明协变量和样本量均对离散参数估计有影响.     

带辅助协变量的相关失效时间数据的加权估计伪部分似然方法

本文在不同基准风险边际模型下考虑带辅助协变量的相关失效时间数据的统计推断.假设感兴趣的主协变量仅在全研究队列的一个子集中是精确测量的,而主协变量的辅助协变量则对研究队列的全部个体均可获得.首先利用辅助信息经验地估计相对风险函数,然后提出一种加权估计伪部分似然(weighted estimated pseudo-partial likelihood, WEPPL)方法求边际风险率参数的估计.本文在辅助协变量为分类变量的情形下建立WEPPL估计的渐近性质.相应估计被证明是相合的和渐近正态的.本文通过模拟研究评估提出的估计在有限样本下的表现.结果显示提出的加权估计在效率上要优于未加权的估计,特别是当失效时间之间相关性较强的时候.     

相依删失情形下加速失效模型的广义M估计

在生存分析中,加速失效模型(AFT模型)是研究失效时问与协变量之间关系的一类重要模型.在AFT模型框架下,通过在广义M估计的目标函数中使用广义Kaplan-Meier权,本文提出了含相依删失数据的AFT模型回归系数及刻度参数的加权广义M估计.渐近性质方面,得到了广义M估计的相合性和渐近正态性;关于估计量的有限样本性质,通过模拟研究验证了该估计量在有限样本情形下效果良好.     

基于广义回归估计的校准加权设计效应模型研究

校准是最常用的加权调整方法,然而传统加权调整设计效应模型只考虑有差异权数导致的精度损失,忽略使用辅助信息后的精度改进,因此应用于设计效应计算时存在一定的缺陷。本文在Spencer模型的基础上进行拓展,引入反映辅助变量和调查变量相关关系的广义回归估计量,构建了校准加权设计效应的一般模型。数值分析结果显示,校准加权设计效应模型的效果优于传统加权调整设计效应模型;尤其在调查变量与辅助变量高度相关的情形下,校准加权设计效应模型能够准确地估计出不等概率抽样设计和校准调整的综合效率。     

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.     

协变量含误差下广义线性模型的SEE变量选择

利用一些辅助信息作为工具变量并结合光滑门限估计方程(SEE)方法,针对协变量含有测量误差广义线性模型提出一个工具变量类型的变量选择方法.该方法可以在估计模型中非零回归系数的同时,剔除模型中不显著的协变量,从而达到变量选择的目的.另外,该变量选择过程不需要求解任何凸优化问题,从而具有较强的适应性并且在实际应用比较容易计算.理论证明该变量选择方法是相合的,并且对非零回归系数的估计达到了最优的参数收敛速度.数值模拟结果表明所提出的变量选择方法可以有效地消除测量误差对估计精度的影响,并且具有较好的有限样本性质.     

基于局部多项式回归的模型校准抽样估计研究

在抽样估计中,当研究变量与辅助变量之间呈非线性关系时,传统的校准估计方法效果较差,基于非参数回归方法的模型校准估计量则可以很好地解决这一问题。首先,建立描述研究变量和辅助变量之间关系的超总体回归模型,使用非参数中的局部多项式方法得出模型参数的拟合值,并结合校准估计得出局部多项式模型校准估计量,同时给出其方差和方差估计量公式,证明了该估计量具有渐近无偏性、一致性和渐近正态性等优良的统计性质。然后,使用仿真模拟的方法证明在研究变量与研究变量之间呈非线性关系时,该估计量有良好的估计效果。最后,对该估计量在我国政府统计中的应用进行简单的介绍。     

��Ⱦ��������ض�������ģ�͵IJ�������

本文研究了线性模型响应变量被污染且被区间截断下的参数估计问题, 借助于区间数据的无偏转换, 得到了回归系数和污染系数的估计, 并在一定的条件下得到了这些估计的强相合性. 通过若干模拟例子说明, 尽管数据经过污染和区间截断的双重信息损失, 但用本文提出的方法得到的估计, 仍能取得良好的估计效果     

基于模型的小域估计方法及其拓展——由单变量推广到多变量情形

小域估计是当今抽样调查领域的研究热点,通过建立小域估计模型,将所有调查区域通过公共的参数连接起来,利用相关区域数据作为辅助信息,解决多层次抽样调查中某些域样本量不足的问题,提高参数的估计精度。本文首先在目标变量是单变量的情形下,研究了域层次模型和单元层次模型的参数估计方法,进而推广到目标变量是多变量的情形,考虑变量之间的相关性,研究了多变量Fay-Herriot模型参数的经验最优线性无偏预测及其均方误差矩阵的性质,最后通过一个实例,验证了参数估计具有良好效果。     

多元广义泊松分布的参数估计与诊断

广义泊松分布是普通泊松分布的自然推广,克服均值与方差相等的局限性.在计数数据中,常常会有多变量的情形,比如保险保单定价.因此文章考虑多元广义泊松分布的参数估计和假设检验问题,针对共协方差多元广义泊松模型提出两种参数估计的方法,矩估计方法和极大似然估计方法,并比较两种方法的优劣性.文章就多元广义泊松分布的假设检验问题,主要探讨了其退化检验及独立性检验,由于参数及变量较多,运用似然比检验方法构造服从卡方分布的检验统计量.最后,运用多元广义泊松理论分析不同地区森林发生火灾的次数,首先用文中提到的检验方法诊断数据是否可以用多元广义泊松分布,其次进行参数估计及实际问题的分析解释.     

协变量随机缺失时边际模型的广义矩估计

多元响应变量是纵向设计和横截面设计中经常遇到的一个数据类型.边际模型是探索该类数据解释变量对响应变量平均影响的一个常用工具.边际模型的一个重要特点在于,即使没有指明响应变量之间的相关结构,仍然能基于该模型构造回归参数的相合估计.本文讨论了协变量随机缺失时,边际模型回归参数的广义矩估计问题.使用逆概率加权和多个不同基底工作相关结构,我们得到了一组估计方程;本文通过极小化该估计方程组对应的二次推断函数构造目标参数的估计量.我们证明了估计量的渐近正态性,并通过随机模拟和初中数学成绩的实例分析考察了估计量的有限样本表现.     

测量误差模型的自适应LASSO变量选择方法研究

本文研究测量误差模型的自适应LASSO(least absolute shrinkage and selection operator)变量选择和系数估计问题.首先分别给出协变量有测量误差时的线性模型和部分线性模型自适应LASSO参数估计量,在一些正则条件下研究估计量的渐近性质,并且证明选择合适的调整参数,自适应LASSO参数估计量具有oracle性质.其次讨论估计的实现算法及惩罚参数和光滑参数的选择问题.最后通过模拟和一个实际数据分析研究了自适应LASSO变量选择方法的表现,结果表明,变量选择和参数估计效果良好.     

多维线性回归有偏子模型的多步调整相合推断

当协变量是高维时经常采用一个子模型作为工作模型.由于没有包含所有相关的变量,这个模型可能是有偏的.这样,基于子模型得到的参数估计可能是不相合的.在这篇文章中将首先通过多步调整方法构造一个条件无偏模型.与现有的方法相比,这个调整模型仅采用了一维非参估计.然后得到子模型参数的一个全局相合估计,而且获得了该估计的渐近正态性.数值模拟结果显示,基于调整模型的参数估计优于基于子模型和全模型的参数估计.     

Cox比例风险模型中基于SELO惩罚函数的变量选择方法

在生物医学研究中,研究个体的失效时间往往存在删失,Cox比例风险模型是经常被用来处理此类删失数据的模型.对于带有删失的高维数据,如何从众多协变量中挑选出少数的致病因素是研究者的兴趣所在.本文针对高维删失数据利用SELO惩罚函数考虑了基于Cox比例风险模型框架下的变量选择及参数估计问题.在允许协变量维数发散的条件下,本文给出SELO惩罚估计量的相合性以及oracle性质.计算方面若采用传统方法计算惩罚估计解,当协变量维数较高时计算Hesse阵的逆矩阵需要花费大量的时间,且SELO惩罚函数在原点的不光滑性也给计算SELO惩罚估计带来很大难度.为此,本文利用光滑化技术对SELO惩罚函数进行近似,并利用DFP公式去代替Hesse阵的逆矩阵,进而提出了MSQN算法.模拟计算的结果表明,SELO惩罚方法比已有常用的惩罚方法表现更好,而且本文提出的新算法与常用的坐标下降算法相比表现更优.在真实数据部分,本文还分析了乳腺癌数据,并利用留一交叉验证法来评估预测的好坏.     

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.