贝叶斯复合分位回归的Gibbs抽样算法（英文）

大多数基于传统均值回归的建模方法都对非正态误差表现出不稳健的估计结果.和传统均值回归相比,复合分位回归(CQR)可以产生稳健的估计.基于一个复合反对称Laplace分布(CALD),我们建立了加权复合分位回归(WCQR)的贝叶斯分层模型.Gibbs抽样算法被发展用于WCQR的后验推断.最后,我们提供了一些模拟研究和一个实际数据分析来验证所提方法.     

多元线性模型t型回归参数估计的相合性和渐近正态性

考虑多元线性回归模型中回归系数的稳健估计问题, 将组内数据球化后, 视误差向量分布为各分量独立且具有相同刻度和自由度的t分布, 通过极大似然(M)方法获得t型回归参数估计. 本文讨论了这种t型回归参数估计的渐近性质, 在一些正则条件下, 获得了它的相合性, 并得到它的渐近正态性.     

删失混合效应模型的分位回归及变量选择

纵向数据常常用正态混合效应模型进行分析.然而,违背正态性的假定往往会导致无效的推断.与传统的均值回归相比较,分位回归可以给出响应变量条件分布的完整刻画,对于非正态误差分布也可以给稳健的估计结果.本文主要考虑右删失响应下纵向混合效应模型的分位回归估计和变量选择问题.首先,逆删失概率加权方法被用来得到模型的参数估计.其次,结合逆删失概率加权和LASSO惩罚变量选择方法考虑了模型的变量选择问题.蒙特卡洛模拟显示所提方法要比直接删除删失数据的估计方法更具优势.最后,分析了一组艾滋病数据集来展示所提方法的实际应用效果.     

失混合效应模型的分位回归及变量选择

纵向数据常常用正态混合效应模型进行分析.然而,违背正态性的假定往往会导致无效的推断.与传统的均值回归相比较,分位回归可以给出响应变量条件分布的完整刻画,对于非正态误差分布也可以给稳健的估计结果．本文主要考虑右删失响应下纵向混合效应模型的分位回归估计和变量选择问题．首先,逆删失概率加权方法被用来得到模型的参数估计．其次,结合逆删失概率加权和LASSO惩罚变量选择方法考虑了模型的变量选择问题.蒙特卡洛模拟显示所提方法要比直接删除删失数据的估计方法更具优势．最后,分析了一组艾滋病数据集来展示所提方法的实际应用效果．     

随机删失数据非线性回归模型的最小一乘估计

研究了随机删失数据非线性回归模型的最小一乘(LAD)估计问题, 证明了LAD估计量的渐近性质, 包括相合性、依概率有界性和渐近正态性等. 模拟结果显示对删失数据回归问题, LAD估计仍比最小二乘估计(LSE)稳健.     

删失指标随机缺失下回归函数的复合分位数回归估计

在非参数回归模型中,传统的Nadaraya-Watson核估计和局部多项式估计常常因为误差为重尾情况而变得不稳健,Kai等人(2010)提出的复合分位数回归方法能弥补这一缺陷.文章在删失指标随机缺失的情况下,研究了误差具有异方差结构的非参数删失回归模型,利用局部多项式方法构造了回归函数的复合分位数回归估计,并得到了该估计的渐近正态性结果,把Kai等人(2010)的结果推广到删失指标随机缺失的右删失数据下.最后通过模拟发现,尤其是当误差为重尾分布时,该估计方法比Wang和Zheng (2014)提出的核估计方法更好.     

面板数据下带固定效应的线性回归模型的稳健变量选择

本文结合复合分位数回归和自适应LASSO惩罚方法为固定效应面板数据模型提供了一种稳健变量选择过程。先通过正向正交偏差变换消除固定效应,再利用自适应LASSO构造惩罚复合分位数回归目标函数,进而同时进行回归系数的估计和变量选择。在一些正则条件下,证明了所提出的估计具有Orcale性质。该方法不仅消除了固定效应对估计的影响,而且具有稳健性。模拟研究了所提出方法的有限样本性质并将其应用于实际数据分析。     

基于ArctanLASSO的参数估计和变量选取

本文受到SICA(smooth integration of counting and absolute deviation)方法的启发,提出一族基于反正切函数的非凸罚函数Arctan LASSO(Arctangent least absolute shrinkage and selection operator),该罚函数可以进行参数估计和变量选取,而且提供了一种有效的平滑方法从L_0过渡到L_1罚函数,渐近性质表明Arctan LASSO估计量具有n~(1/2)相合性和oracle性质.本文结合LLA(local linear approximation)和坐标下降法给出一种有效的迭代算法,并且基于BIC(Bayesian information criterion)准则选出合适的正则化参数.模拟数据分析显示Arctan LASSO在估计精度和变量选取方面有较好的表现,估计效果类似于SICA,而且通常优于LASSO、SCAD(smoothly clipped absolute deviation)、MCP(minimax concave penalty)和自适应LASSO.该方法在实际数据中可以用于变量选取的研究,具有重要的实际意义.     

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.     

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.     

截断回归模型参数的非参数最小二乘估计

本文考虑截断回归模型,给出了基于截断数据估计回归参数的一种新方法,此处并不设定残差分布.我们使用早先的关于误差分布非参数估计的结果,在某些正则条件下建立了估计量的相合性.并给出实例说明我们的结果是Heckman(1979)-项工作的本质改进.     

基于众数回归的部分函数型线性可加模型的稳健估计

本文讨论部分函数型线性可加模型参数的稳健估计,该模型由经典的可加回归模型和函数型线性模型组合而成.采用B-样条基函数对模型中斜率函数和非参数可加函数进行近似,然后通过最大化众数回归目标函数得到基于众数回归的估计.在一些正则条件下,本文给出估计的收敛速度和渐近分布.最后通过模拟计算和应用实例以表明所提方法的有效性.模拟结果表明,该方法不仅具有稳健性,即不易受污染数据或厚尾分布的影响,而且在信噪比较大时可以与最小二乘方法有相同的表现.     

非参数固定设计回归模型中的Stahel-Donoho核估计

研究非参数固定设计回归模型中的稳健核估计. 提出了一种Stahel-Donoho核估计, 在此核估计中, 权重函数既依赖于数据深度, 又依赖于设计点和估计点之间的距离. 对不可直接计算的误差深度, 利用局部近似, 给出了一种近似计算方法, 使得新的估计是计算有效的. 新的估计获得较高的崩溃点值, 并有渐近正态和均方收敛等良好的大样本性质. 与参数模型中的深度加权估计不同的是,这种深度加权非参数估计有简单的方差结构,于是,人们可以比较新旧估计的有效性.数据模拟结果表明,新的方法可以平滑回归估计,并获得稳健性和有效性的良好平衡.     

基于Copula贝叶斯估计的行业风险差异分析

通过对常替代弹性资本资产定价模型中投资标度问题的分析,提出了Copula贝叶斯估计方法用以获得系统风险β与投资标度比λ的联合后验分布.Copula贝叶斯估计方法针对数据非正态特征及强相关性特征而构建,采用Copula函数取代原有普通贝叶斯估计方法中的正态假设.传统贝叶斯估计方法假设了正态的似然函数,忽略了数据可能存在尖峰后尾等在金融实证数据分析中普遍存在的非正态情况.Copula贝叶斯估计算法采用半相依回归法处理数据的强相关性问题,将原有函数依照数据形式假设为非正态结构.针对来自6个工业产业24组公司数据的系统风险参数β与其对应的投资标度参数比λ进行估计,获得不同行业中系统风险参数与投资标度之间的动态关系并进行分析,为业界投资及相关研究提供有效参考建议.     

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.     

基于贝叶斯方法的低违约组合违约率估计

现代信用风险建模的核心是估计违约率,违约率估计是否准确将直接影响信用风险建模的质量。在估计违约率的众多文献中,频率法或logistic回归等统计方法的运用非常广泛,此类统计模型的基础是大样本,它客观上需要最低数量或最优数量的违约数据,而低违约组合(LDP)是指只有很少违约数据甚至没有违约数据的组合,如何估计LDP的违约率、反映违约率的非预期波动是一个值得关注的现实问题。本文针对银行贷款LDP缺乏足够历史违约数据的情况,采用贝叶斯方法估计LDP的违约率,并进一步探讨了根据专家判断或者根据同类银行LDP违约数量的历史数据来确定先验分布的方法。在贝叶斯估计中,通过先验分布的设定,不仅可以实现违约率估计的科学性和合理性,而且可以反映违约的非预期波动,有助于银行实施谨慎稳健的风险管理。     

基于单纯形分布的比例数据的回归分析

很多应用领域中的实验结果都表达成连续比例型数据,这类数据通常度量成为百分比、比率或比例,并取值于单位区间.为了采用弥散模型中的单纯形分布来模拟此类实验结果,本文首先研究单纯形分布的部分重要性质,在回归分析中参数估计和统计推断需要运用这些性质.模拟研究表明,当所研究情形不满足分布假设时,单纯形回归模型比Beta回归和分对数-正态回归模型更为稳健.通过对体外造血干细胞移植技术的真实数据分析,本文阐释这种方法和它针对异常值的稳健性.在R软件中,单纯形回归可以由程序包"simplexreg"实现,读者可以自行下载这个程序包,地址为http://my.zju.edu.cn/share/2466293(验证码:7919).     

基于Gibbs抽样的贝叶斯稳健ARMA模型研究

针对ARMA模型建模过程中模型识别和参数估计易受观测值异常点影响问题,构建了同时考虑加性异常点和更新性异常点的ARMA模型．运用基于Gibbs抽样的Markov Chain Monte Carlo贝叶斯方法,估计稳健ARMA模型参数,同步确定观测值中异常点的位置,辨别异常点类型．并利用我国人口自然增长数据进行仿真分析,研究结果表明：贝叶斯方法能够有效地识别ARMA序列的异常点．     

基于变分算法的贝叶斯分层收缩模型及其应用

贝叶斯统计推断通常会遇到后验分布中出现高维积分这一公认的计算难题。一种常用的解决方法是使用MCMC算法。然而,MCMC算法在处理高维大数据或复杂模型时计算效率很低,并且难以判断算法收敛性。针对自适应贝叶斯收缩模型、贝叶斯LASSO模型和扩展的贝叶斯LASSO模型,本文提出了一种更高效的变分贝叶斯(VB)算法来进行参数估计和变量选择。该算法源于理论物理中的平均场理论。它将复杂积分问题转化为最优化问题,使用假定分布族中最接近目标后验分布的分布来近似求解,并且易于判断算法收敛情况。数值模拟结果显示,VB算法不仅计算速度明显优于MCMC算法,而且其模型拟合和变量选择效果也与MCMC算法相当,可以作为MCMC算法的一种替代方法。最后,本文运用VB算法分析了俄罗斯房产售价的重要影响因素。     

基于Weibull回归模型的逐步Ⅱ型区间删失数据的统计分析

文章考虑带有随机移除的逐步Ⅱ型区间删失(PICR-Ⅱ)方案下生存数据的统计分析和试验方案的设计问题.给出了Weibull回归模型参数的极大似然估计和贝叶斯估计方法.利用模拟数据和实际数据,对不同估计方法下参数估计的结果进行了比较.给出了最优PICR-Ⅱ方案设计方法.