多源异质大数据线性模型的分布式统计推断

本文考虑多源异质大数据下线性模型的分布式统计推断问题.首先,提出针对模型参数的通信有效的分布式聚合估计及算法,并在一些正则条件下证明所得到的估计量的最优性和渐近正态性.其次,针对模型中的异质性检验问题,给出了分布式检验方法.最后,通过数值模拟研究,对本文所提出估计和检验方法的优良性进行验证.     

��Ԫ���ṹBerkson�������ģ�͵ķ���

Berkson测量误差模型在工业、农业、流行病学、经济学 等领域有广泛的应用. 本文考虑了一类多元超结构Berkson测量误差模型, 给出了该模型中参数的相合估计, 推导了估计的渐近分布, 并把该方法应用到一元超结构Berkson测量误差模型中, 最后给出了模拟结果和实例分析来说明本文所提出的估计方法的表现.     

线性混合模型协方差阵的谱分解的一种新方法及其应用

对平衡线性混合模型, 随机效应的设计阵具有一定结构.定义了一种新的矩阵序, 借助于这种新序, 提出了协方差阵谱分解的一种新方法.与现有的两种方法相比较, 新方法的突出的特点是能够给出协方差阵不同特征值的精确个数, 以及谱分解中不同特征值对应的投影阵与随机效应的设计阵之间的关系. 基于新的谱分解结果,(1) 证明了平衡随机模型的方差分析估计为最小方差无偏估计; (2) 证明了在一定条件下, 一般平衡线性混合模型的方差分析估计也具有最小方差无偏性; (3) 给出了一般混合模型的极大似然方程显示解存在的一个较易验证的判定定理, 并给出了显示解存在时解的一般形式; (4) 清晰地显示了谱分解估计的构造原理, 并找到了谱分解估计与方差分析估计相等的充要条件.     

平衡数据结构下ANOVA 估计和SD 估计的比较

在线性混合效应模型下, 方差分析(ANOVA) 估计和谱分解(SD) 估计对构造精确检验和广义P-值枢轴量起着非常重要的作用. 尽管这两估计分别基于不同的方法, 但它们共享许多类似的优点, 如无偏性和有精确的表达式等. 本文借助于已得到的协方差阵的谱分解结果, 揭示了平衡数据一般线性混合效应模型下ANOVA 估计与SD 估计的关系, 并分别针对协方差阵两种结构: 套结构和多项分类随机效应结构, 给出了ANOVA 估计与SD 估计等价的充分必要条件.     

线性模型下F-检验最优的误差协方差结构

文献中回归参数线性假设的F-检验统计量主要包括基于广义最小二乘估计F- 统计量F(θ),基于最小二乘估计的F-统计量FLSE以及Wu C．F．J．等于1988年提出的调整的F-统计量FA(θ)．其中后两者因形式简单而常常被广泛采用．本文主要研究了FA(θ)和FLSE的最优性,并分别获得了FA(θ)=F(θ)和ELSE=F(θ)的充要条件．最后,我们将所得的结果应用到医药领域的两类重要模型．     

缺失数据下半参数空间自回归模型的估计

本文研究了响应变量随机缺失时部分线性空间自回归模型的估计问题.结合B样条方法,我们给出了该模型参数部分和非数部分的极大似然估计的EM算法、伪限制极大似然估计的EM算法、以及边际极大似然估计算法,并通过数值模拟比较了三种估计和相应算法在不同的样本容量、缺失比例及空间权重矩阵下数值表现.最后,通过一个实际例子进一步验证三种方法的优良性.     

混合效应模型下ANOVA估计和SD估计相等的充分条件

混合效应模型是统计模型中非常重要的一类模型,广泛地应用到许多领域.本文比较了该模型下方差分量的两种估计:方差分析(ANOVA)估计和谱分解(SD)估计,借助吴密霞和王松桂[A new method of spectral decomposition of covariance matrix in mixed effects models and its applications,Sci.China,Ser.A,2005,48:1451-1464]协方差矩阵的谱分解结果,给出了ANOVA估计和SD估计相等的两个充分条件及其相应的统计性质,并将以上的结果应用于圆形部件数据模型和混合方差分析模型.     

线性混合模型中固定效应和方差分量同时最优估计

对于具有广泛应用的含有两个方差分量的线性混合模型, 找到了一组简单条件. 在这些条件下, 证明了固定效应的最小二乘估计和方差分量的方差分析估计同时是最小方差无偏估计; 获得了固定效应的精确置信区间和随机效应的方差分量的一致最优无偏检验; 得到了随机效应方差的方差分析估计取负值的概率精确表达式.     

Panel数据模型中方差分量的广义p值检验

利用广义p值和广义置信区间的概念构造含有四个随机效应的Panel数据模型中方差分量的几种新的精确检验和置信区间,并讨论它们在尺度变换下的不变性.模拟结果表明,这种检验能很好地控制检验水平.