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.     

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.     

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.     

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。