缺失数据均值推断的经验似然方法

研究了缺失数据的均值推断问题.在随机缺失及半参数模型的假设下,设计了基于影响函数理论的经验似然推断方法,证明了所构造的对数经验似然比检验统计量具有非参数Wilks性质.此外,该经验似然方法可以利用辅助协变量中提供的附加信息来提高检验的功效.在近邻备择假设下,计算了检验统计量的功效,并且通过一些模拟考察了该方法在有限样本下的表现.     

缺失数据均值推断的经验似然方法

研究了缺失数据的均值推断问题.在随机缺失及半参数模型的假设下,设计了基于影响函数理论的经验似然推断方法,证明了所构造的对数经验似然比检验统计量具有非参数Wilks性质.此外,该经验似然方法可以利用辅助协变量中提供的附加信息来提高检验的功效.在近邻备择假设下,计算了检验统计量的功效,并且通过一些模拟考察了该方法在有限样本下的表现.     

双重广义线性模型的经验似然推断

基于截面经验似然方法,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.最后通过数据模拟,将该方法与正态逼近方法比较,说明了该方法是有效和可行的.     

基于经验似然的Logistic回归模型的变点检验

基于经验似然对Logistic回归模型进行变点检验及估计.通过建立变点模型,构造经验对数似然比统计量,在大样本下,证明了经验对数似然比统计量与经典参数对数似然比统计量具有相同的极值分布,同时得到变点的估计及估计的相合性,并通过数值模拟及实例说明经验似然方法检验变点的可行性.     

非参数模型均值函数结构变点的Bootstrap检测

本文检测非参数回归模型均值函数结构变点,针对均值函数跃度的长期均值为零时,基于残量的CUSUM统计量对均值函数结构变点检验无效的问题,本文提出了一种基于均值函数的核估计的检验统计量,得到统计量在原假设和备择假设下的极限分布,并构造Bootstrap方法对非参数回归模型均值函数结构变点进行检验,证明了检验和估计的一致性;模拟结果表明本文方法明显优于已有方法。     

半函数线性模型的k近邻经验似然推断

将k近邻方法应用到经验似然方法中,并以此来研究函数型数据下,半函数部分线性模型的估计问题.通过构造参数分量的对数经验似然比函数,得到该经验对数似然比依分布收敛于χ2分布,同时给出了非参数部分的估计值和收敛速度,并给出了经验似然方法在模拟研究中的应用.     

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.     

广义Pareto分布变点检测似然比模型

为检测极端事件的状态变化,基于似然比方法研究了广义Pareto分布(Generalized Pareto Distribution,GPD)变点检测模型.考虑三参数GPD变点的检验问题,提出了最大似然比检验统计量.通过证明参数变换后GPD的对数似然和检验统计量的一系列极限性质,得到了检验统计量的渐近分布.通过模拟研究,对该方法的有限样本性质进行了评价,实例分析也验证了该方法的可行性.     

相依序列密度函数的经验似然推断

本文利用了强平稳$m-$相依序列的特殊性质,讨论了$m-$相依序列密度函数的经验似然推断, 给出了似然比统计量的极限分布,可构造参数的经验似然置信区间. 并且通过模拟计算来说明有限样本下应用经验似然方法的合理性.     

基于经验欧氏似然的均值单变点检测

均值单变点检测是研究变点问题的基础.论文根据均值单变点模型的特点,构造截断经验欧氏似然比检验函数并给出显式表达.在此基础上,得到了零假设下检验统计量的极限分布为极值分布,给出变点的诊断方法.在有变点的情况下,进一步给出变点位置的估计和其相合性的理论证明.最后通过数值模拟和尼罗河年流量的实证分析说明所提方法的有效性和实用性.     

长相依序列均值变点检测

研究了长相依序列均值变点检测问题.首先给出变点检验的Ratio统计量其次分别推导了原假设和备择假设下统计量的极限分布,最后用蒙特卡洛方法模拟出检验的临界值,并通过数值模拟和实例分析说明方法的有效性.     

基于Bootstrap的厚尾相依序列持久性变点检验

基于修正方差比率函数给出一种检验厚尾序列持久性变点的统计量.在无变点的假设下得到了统计量的渐近分布.为避免检验渐近分布中的厚尾指数,构造Bootstrap抽样方法来确定渐近分布的经验临界值.数值模拟研究结果说明修正方差比率统计量及Bootstrap抽样方法的有效性.     

纵向数据下部分线性模型的经验似然推断

考虑纵向数据下部分线性模型,研究了回归系数和基准函数的经验似然推断,证明了所提出的经验对数似然比渐近于卡方分布,由此构造了相应兴趣参数的置信域和区间. 此外,利用经验似然比函数得到了回归系数和基准函数的最大经验似然估计,并且证明了所得估计量的渐近正态性.模拟研究比较了经验似然与正态逼近方法的有限样本性质,并进行了案例分析.     

核实数据下反映缺失非线性EV模型的经验似然推断

考虑一类带有不完全数据的非线性模型,其协变量带有测量误差且反映变量随机缺失.通过核实数据和借补数据构造了回归参数θ的估计的经验对数似然比统计量,证明了所构造的似然比函数渐近独立标准X_1~2变量的加权和分布.在权未知的情况下,分别采用定义权的相合估计法和构造调整被估计的经验对数似然法构造出θ的渐近置信域.进一步,基于借补方法构造了反映变量均值的调整经验对数似然比统计量,并证明了统计量渐近标准X_1~2分布,所得结果可以用来构造反映均值的置信域.     

广义Lorenz 曲线的非参数统计推断

本文讨论了广义Lorenz 曲线的经验似然统计推断. 在简单随机抽样、分层随机抽样和整群随机抽样下, 本文分别定义了广义Lorenz 坐标的pro le 经验似然比统计量, 得出这些经验似然比的极限分布为带系数的自由度为1 的χ² 分布. 对于整个Lorenz 曲线, 基于经验似然方法类似地得出相应的极限过程. 根据所得的经验似然理论, 本文给出了bootstrap 经验似然置信区间构造方法, 并通过数据模拟, 对新给出的广义Lorenz 坐标的bootstrap 经验似然置信区间与渐近正态置信区间以及bootstrap 置信区间等进行了对比研究. 对整个Lorenz 曲线, 基于经验似然方法对其置信域也进行了模拟研究. 最后我们将所推荐的置信区间应用到实例中.     

变系数EV模型的局部纠偏经验似然

本文研究变系数EV模型,构造了未知系数函数的局部纠偏经验对数似然比统计量,在适当条件下,证明了所提出的统计量都具有渐近χ2分布,所得结果可以用来构造未知系数函数的逐点置信域.通过模拟研究比较了经验似然方法与正态逼近方法在逐点置信域构造方面的优劣.     

m-目依误差下部分线性模型的经验似然统计推断

本文中,我们针对误差为m-相依序列的固定设计的部分线性模型,运用经验似然方法和分组经验似然方法,构造了回归参数的对数经验似然比检验统计量,并且证明了分组经验似然比检验统计量在参数取真值时是渐近地服从卡方分布的.模拟计算表明分组经验似然方法的有效性.     

随机右删失数据下半参数线性变换模型的经验似然推断

本文研究了响应变量随机右删失情形下半参数线性变换模型的经验似然推断问题.构造了参数的经验似然比检验统计量,证明了经验似然比检验统计量的渐近分布为加权卡方分布.在此基础上,对经验似然比检验统计量进行了调整,证明了调整的经验似然比检验统计量的渐近分布为标准的卡方分布.基于经验似然和调整的经验似然方法,分别给出了回归参数的一定置信水平的置信域.最后对本文的方法和传统的正态逼近方法进行了模拟比较,模拟结果显示,从置信域的大小和经验覆盖概率两个角度看,本文的方法均比正态逼近方法优越.     

随机右删失数据下半参数线性变换模型的经验似然推断北大核心CSCD

本文研究了响应变量随机右删失情形下半参数线性变换模型的经验似然推断问题.构造了参数的经验似然比检验统计量,证明了经验似然比检验统计量的渐近分布为加权卡方分布.在此基础上,对经验似然比检验统计量进行了调整,证明了调整的经验似然比检验统计量的渐近分布为标准的卡方分布.基于经验似然和调整的经验似然方法,分别给出了回归参数的一定置信水平的置信域.最后对本文的方法和传统的正态逼近方法进行了模拟比较,模拟结果显示,从置信域的大小和经验覆盖概率两个角度看,本文的方法均比正态逼近方法优越.     

线性混合效应模型的正交经验似然推断

基于经验似然方法和QR分解技术, 对线性混合效应模型提出了一个基于正交经验似然的估计方法. 在一些正则条件下, 证明了所提出的经验对数似然比函数渐近服从卡方分布, 进而给出了模型固定效应的置信区间估计. 所提出估计过程不受模型随机效应的影响, 进而保证了所给出的估计是比较有效的. 一些数值模拟和实例分析进一步表明了所提出的估计方法是行之有效的.