纵向数据下线性模型的模态回归估计

本文考虑纵向数据下线性回归模型的稳健估计问题.通过结合模态回归(modal regression)方法和二次推断函数(quadratic inference functions)技术,提出了一种基于模态回归的估计过程.证明了回归系数的估计是相合的,并给出了其渐近分布.数据模拟结果表明所提出的估计方法具有较好的稳健性和有效性.     

部分线性模型的模态正交经验似然推断

本文考虑部分线性模型的有效经验似然统计推断问题.通过结合模态回归和正交投影技术,提出了一种模态经验似然统计推断过程.证明了提出的经验似然比函数渐近服从中心卡方分布,进而构造了模型参数的置信区间.所提出的估计方法可以对模型的参数分量和非参数分量分别估计,而互不影响,具有较好的稳健性和有效性.     

M(G,x)≤2的图匹配等价的充要条件

对一个图G,设μ(G,x)表示它的匹配多项式,M(G,x)表示μ(G,x)的最大实数根.令Г_1={G|M(G,x)<2}和Г2={G|M(G,x)≤2}.给出了Г_i(i=1,2)中的两个图G和H匹配等价的充要条件.     

两总体下双参数指数分布门限参数的比较

本文研究了当刻度参数未知时,双参数指数分布门限参数的检验问题.利用了似然比检验的方法,获得了检验统计量及检验水平的上下界.该方法应用在两个截尾数相等情形下,所得到的检验水平是真实的.     

多维随机向量序列加权和的中心极限定理

本文研究了多维随机向量序列加权和的渐近行为.利用Lindeberg中心极限定理的基本思想,得到了多维随机向量序列加权和的中心极限定理及其收敛速度,为Lindeberg中心极限定理的推广.     

线性混合效应模型的有效稳健经验似然推断

本文考虑线性混合效应模型的有效稳健经验似然统计推断问题. 通过结合众数回归方法和矩阵的QR分解技术, 提出了一种基于众数回归的正交经验似然统计推断过程. 证明提出的关于固定效应的经验对数似然比函数渐近服从中心卡方分布, 进而构造了模型固定效应的置信区间. 所提出的估计过程不需要对随机效应和模型误差的分布施加任何假定, 并且关于固定效应的估计过程不受随机效应的影响, 因此具有较好的稳健性和有效性.     

响应变量随机缺失下变系数部分线性模型的借补经验似然推断

考虑响应变量随机缺失下的变系数部分线性模型的估计问题,利用构造基于借补值的辅助随机向量,给出了参数分量的借补经验对数似然比函数.证明了其渐近服从标准卡方分布,进而给出了参数分量的置信域.     

删失数据下变系数部分线性模型的经验似然变量选择

In this paper, we consider the variable selection for the parametric components of varying coefficient partially linear models with censored data. By constructing a penalized auxiliary vector ingeniously, we propose an empirical likelihood based variable selection procedure, and show that it is consistent and satisfies the sparsity. The simulation studies show that the proposed variable selection method is workable.     

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.     

半参数变系数部分线性模型的统计推断

本文在多种复杂数据下, 研究一类半参数变系数部分线性模型的统计推断理论和方法. 首先在纵向数据和测量误差数据等复杂数据下, 研究半参数变系数部分线性模型的经验似然推断问题, 分别提出分组的和纠偏的经验似然方法. 该方法可以有效地处理纵向数据的组内相关性给构造经验似然比函数所带来的困难. 其次在测量误差数据和缺失数据等复杂数据下, 研究模型的变量选择问题, 分别提出一个“纠偏” 的和基于借补值的变量选择方法. 该变量选择方法可以同时选择参数分量及非参数分量中的重要变量, 并且变量选择与回归系数的估计同时进行. 通过选择适当的惩罚参数, 证明该变量选择方法可以相合地识别出真实模型, 并且所得的正则估计具有oracle 性质.