基于随机矩阵理论的高维数据球形检验

本文基于随机矩阵理论,研究了一般总体的高维协方差矩阵的球形检验.当样本量小于数据维数时,经典的似然比检验方法在球形检验中已无法使用.通过引入样本协方差矩阵谱分布的高阶矩,构造出一个新的检验统计量,并给出其在零假设下的渐近分布.模拟实验表明所提出的统计量在控制第一类错误概率的基础上能有效提高检验功效,对于Spiked模型效果尤为显著.     

面板数据交互固定效应模型的协方差矩阵检验

本文研究了面板数据交互固定效应模型中协方差矩阵的检验问题.首先依据模型协方差矩阵迹的估计构造检验统计量,检验协方差矩阵是否为单位矩阵,或是单位矩阵的常数倍.然后在一定正则条件下,证明了检验统计量的渐近性质,并说明所提出的检验方法不依赖于误差分布.最后,通过模拟研究对本文的检验方法进行评价,说明所提检验方法在高维面板数据下仍然有效.     

高维数据空间的协方差矩阵迹的比率相合性

在处理高维数据的检验和分类等问题时,涉及到协方差矩阵的估计.而在高维数据领域,协方差矩阵估计的精度将对诸如检验和分类等问题起到非常重要的影响.主要考虑多样本条件下协方差矩阵的比率相合性问题,证明了两样本和三样本情况下的高维数据协方差矩阵比率相合性.     

基于网络结构的高维协方差矩阵估计

本文在Lan等~([1])利用网络结构对连续变量协方差矩阵进行估计的研究基础上进行改进和扩展,给出一种基于网络结构的高维协方差矩阵估计方法,并允许响应变量异方差性存在.该方法将高维协方差矩阵的估计问题转化为关于网络结构的低维线性回归的参数估计问题,从而极大减少了计算量.在有限样本甚至n=1的情况下,该估计方法仍然适用,且估计效果会随着矩阵维数的增大而提高.此外,本文给出一种利用协方差矩阵识别网络中关键节点的方法,该方法能同时兼顾节点自身的贡献和节点对其他节点的影响程度,因此十分适用于学术合作网络.     

协方差阵奇异时马氏距离的一种改进

马氏(Mahalanobis)距离在数据分析中具有广泛应用,但目前对协方差矩阵奇异时马氏距离的定义和几何解释却不尽相同,导致距离值不唯一,影响了它的应用.当使用p×p协方差矩阵M的Moore-Penrose广义逆矩阵代替它的逆矩阵M~(-1)时,一个p维样本向量x到多维正态分布N(μ,M)(M的秩rp)的马氏距离依赖于x与μ的前r维分量,从而导致x携带信息的损失.为充分利用样本信息,组合马氏距离和欧氏距离给出M奇异时马氏距离的一种计算方法,新方法具有明确的几何解释.最后给出协方差矩阵奇异时计算广义马氏距离的几何解释和一个算例.     

纵向数据下广义估计方程估计

广义估计方程方法是一种最一般的参数估计方法,广泛地应用于生物统计、经济计量、医疗保险等领域.在纵向数据下,由于组间数据是相关的,为了提高估计的效率,广义估计方程方法一般需要考虑个体组内相关性.因此,大多数文献对个体组内的协方差矩阵进行参数假设,但假设的合理性及协方差矩阵估计的好坏对参数估计效率产生很大影响,同时参数假设也可能导致模型误判.针对纵向数据下广义估计方程,本文提出了改进的GMM方法和经验似然方法,并对给出的估计量建立了大样本性质.其中分块的思想,避免了对个体组内相关性结构进行假设,从这种意义上说,这种方法具有一定的稳健性.我们还通过两个模拟的例子,考察了文中提出估计量的有限样本性质.     

含高维相依自变量的中心k阶条件矩子空间的估计

在回归分析中往往对条件均值,条件方差及高阶条件矩特别感兴趣.本文我们将关注中心k阶条件矩子空间在高维相依自变量情形的估计问题.为此,我们首先引入中心k阶条件矩子空间的概念,并研究该子空间的基本性质.针对高维相依自变量的复杂数据,为了避免预测变量协方差阵的逆矩阵的计算,本文提出用偏最小二乘方法来估计中心k阶条件矩子空间....     

相依结构样本次序统计量的随机比较及逐步删失寿命试验参数估计方法研究

对一组已知寿命分布的样本开展寿命试验,失效时刻构成一组次序统计量。本文研究带有相依结构的齐次和非齐次样本的次序统计量在通常随机序意义下的比较方法,将Ma (1997)针对独立样本的结果推广到相依样本的情形,并将推广后的结果应用到可靠性寿命试验中逐步删失次序统计量的随机比较中。最后,结合一个产品逐步删失寿命试验的案例,研究如何基于试验数据,对产品的寿命分布参数进行估计,进而研究了参数估计效果与哪些因素有关。     

线性模型中F-检验的稳健性

本文讨论了一般线性模型中关于均值参数β的线性假设基于广义最小二乘估计的F-检验统计量的稳健性问题.主要研究了当误差的协方差矩阵含有参数时,设计阵可以列降秩情况下的F-检验统计量的稳健性,得到了F(V(θ))为该假设下F-检验统计量的误差协方差矩阵的最大类.并讨论了分块线性模型中,关于分块参数的线性假设的F-检验统计量的稳健性.     

基于Kernel Discriminant Canonical Correlation(KDCC)的多观测样本分类算法

针对多观测样本分类问题,提出一种基于Kernel Discriminant CanonicalCorrelation(KDCC)来实现多观测样本分类的模型.该算法首先把原空间样本非线性的投影到高维特征空间,通过KPCA得到核子空间,然后在高维特征空间定义一个使类内核子空间的相关性最大,同时使类间核子空间的相关性最小的KDCC矩阵,通过迭代法训练出最优的KDCC矩阵,把每个核子空间投影到KDCC矩阵上得到转换核子空间,采用典型相关性作为转换核子空间之间的相似性度量,并采用最近邻准则作为多观测样本的分类决策,从而实现多观测样本的分类.在三个数据库上进行了一系列实验,实验结果表明提出的方法对于多观测样本分类具有可行性和有效性.