有偏抽样下带信息观察和删失的面板数据的统计分析

面板数据经常出现在许多研究领域, 比如纵向跟踪研究. 在很多情况下, 纵向反应变量与观察 时间和删失时间都有关系. 本文在有偏抽样下, 针对这些相关性存在的情况, 利用一个不能观察的潜在 变量, 提出了一个联合建模方法来刻画纵向反应变量与观察时间和删失时间的相关性, 获得了模型中 回归参数的估计方程以及估计的渐近性质, 并通过数值模拟验证了这些估计在小样本下也是有效的, 同时把该估计方法用于一组实际的膀胱癌数据分析中.     

带辅助协变量的相关失效时间数据的加权估计伪部分似然方法

本文在不同基准风险边际模型下考虑带辅助协变量的相关失效时间数据的统计推断.假设感兴趣的主协变量仅在全研究队列的一个子集中是精确测量的,而主协变量的辅助协变量则对研究队列的全部个体均可获得.首先利用辅助信息经验地估计相对风险函数,然后提出一种加权估计伪部分似然(weighted estimated pseudo-part...     

带辅助协变量的分组相关失效时间数据的边际模型

本文研究了带有辅助协变量的分组相关失效时间数据的边际风险模型,获得了未知参数的伪偏似然估计,证明了所得估计的相合性和渐进正态性.     

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。     

协变量维数可以趋于无穷的纵向数据的广义估计方程分析

广义估计方程(GEE)是分析纵向数据的常用方法.Balan,Schiopu-Kratina(2005)研究了协变量维数固定,GEE估计的渐近正态性.WANG(2011)研究了协变量维数趋于无穷,GEE估计的渐近正态性和响应变量是两点分布Wald统计量的渐近分布.本文证明协变量维数是固定的或趋于无穷,响应变量是任意分布的Wald统计量的渐近分布是卡方分布,Wald统计量可以直接用于统计推断.     

带有污染协变量和辅助生存信息的Cox模型的改进估计方法研究

在流行病学、生物医学和临床试验等领域的研究中, Cox模型是最受欢迎的半参数回归模型之一.在建模过程中,观测到的协变量通常是被污染的,污染因子可测,但是污染函数未知,直接使用被污染的协变量进行参数估计,可能会造成错误的统计推断.研究者往往发现疾病治疗的最佳时刻点,如果忽略这些辅助生存信息,可能导致估计效率的降低.本文研究带有污染协变量和辅助生存信息的Cox模型的一种改进估计,通过核平滑方法校准受污染的协变量,并通过分组提取辅助生存信息用于参数估计,然后使用广义矩估计方法解决超维方程组求解的问题.模拟分析和实证研究结果表明:基于协变量校准后的Cox模型的广义矩估计方法比偏似然估计方法、协变量未调整的Cox模型的广义矩估计方法的效果更好.     

协变量区间删失时线性模型的参数估计

本文研究了当协变量为区间数据时的线性模型，通过构造区间数据变量的条件均值，得到了回归参数的估计，当协变量的分布已知时，证明了估计的无偏性与强相合性．时协变量的分布未知的情形也作了讨论．文中还作了若干模拟计算，从模拟的结果不难发现，利用本文提出的方法所获得的估计简便且具有较高的精度．     

基于纵向数据与生存时间数据联合建模的变量选择

纵向数据和生存时间数据联合建模能减少由单独建模所引起的偏差,本文研究了基于纵向数据和生存时间联合建模的变量选择问题。对于生存时间数据,把生存时间做离散化处理,引入离散风险函数的Probit模型;对于纵向数据,利用线性混合效应模型建模。采用共享随机效应的方法对纵向数据和生存时间进行联合建模,通过利用多元高斯隐截断分布,构造出联合模型的精确似然。然后对似然函数加惩罚,重新构造目标函数,得到回归系数的稀疏估计量。理论证明以及数值模拟研究展示了稀疏估计量的良好性质。     

面板数据分位数回归模型的工具变量估计

针对含有内生变量的面板数据回归模型,提出基于工具变量的分位数回归估计方法.首先,通过引入工具变量解决协变量的内生性问题,然后利用分位数回归的方法对回归系数进行估计.在一些正则条件下,证明所提出估计的大样本性质,通过模拟研究证实该方法的有限样本性质.     

面板数据分位数回归模型的参数估计与变量选择

本文研究了基于面板数据的分位数回归模型的变量选择问题.通过增加改进的自适应Lasso惩罚项,同时实现了固定效应面板数据的分位数回归和变量选择,得到了模型中参数的选择相合性和渐近正态性.随机模拟验证了该方法的有效性.推广了文献[14]的结论.     

具有时变协变量的纵向资料的线性混合效应模型及算法

许多研究领域中都会涉及到纵向资料的分析处理.在纵向资料的分析中,常常遇到带有时变协变量的情况.传统的方差分析难以处理具有时变协变量的纵向资料.对线性混合效应模型应用于分析这类资料进行了方法学的探讨,并编制了模型拟合的SAS程序.通过实例应用,对线性混合效应模型分析纵向资料的方法和过程给出详细的介绍.     

一种面板数据分位数回归模型的工具变量方法

本文将工具变量分位数回归模型(IVQR)应用到面板数据中,结合Canay对面板分位数回归的两步估计法以及Chernozhukov对IVQR模型的估计方法,提出了两步面板分位数工具变量估计法(2S-IVFEQR),并给出相应的参数估计。本文提出的方法较已有的方法计算复杂度低,蒙特卡洛模拟结果显示在数据量不大或者处理长面板数据时,2S-IVFEQR方法要优于传统的IVFEQR方法,且运算时间短。     

面板数据空间误差分量模型的GMM估计及其应用

本文研究面板数据空间误差分量模型(Spatial Error Components Model,SEC)的估计方法。为克服极大似然法在SEC模型估计中运算的困难,本文提出基于广义矩估计的可行广义最小二乘法(GMM-GLS),证明了估计量的一致性及有限样本下的有效性;并应用此模型,研究2000-2007年中国30个省(西藏除外)的物质资本存量、人力资本存量及能源消耗对实际GDP的影响,结果表明,采用SEC模型所得估计结果更为符合经济现实。     

混合复发事件与面板数据下的可加可乘模型

事件历史记录数据(Event History Data)是随时间观察而得到的,记录特定事件发生时间和发生类型的观测数据.这种数据类型在生物医学等领域的研究中十分常见,它包含了两类非常重要的数据类型,复发事件数据(Recurrent Event Data)和面板计数数据(Panel Count Data).在实际生产过程中,有时会出现上述两种数据类型混杂的情况,文本提出了可加可乘半参数建模的方法来分析这种混杂数据.我们讨论了参数估计的相合性和渐近正态性,以及基准率函数的渐近高斯性质.我们进行了数据模拟,比较了我们提出的方法与naive方法的区别.     

计数数据广义估计方程相关系数矩阵估计的相合性

一般线性模型只能拟合一些特殊的资料,而广义线性模型则不一样,它具有较大的灵活性,运用也日趋广泛.基于此,运用广义估计方程证明了高维变量下Poisson分布相关阵的相合性.     

生长曲线模型的协变量选择与参数估计

本文研究了生长曲线模型的Ｐｏｔｔｈｏｆｆ－Ｒｏｙ变换，给出了这种变换在矩阵范数最小规则下的最佳选择．进一步本文给出了利用协变量来改进Ｐｏｔｔｈｏｆｆ－Ｒｏｙ变换的途径并研究了协变量的选择及对参数估计的影响．     

贝叶斯潜变量倾向得分半联合模型研究与应用

本文提出了一种贝叶斯潜变量倾向得分半联合模型(BS＿LVM＿PSA),探讨了如何将潜变量纳入倾向得分分析,同时引入先验信息,利用半联合贝叶斯方法进行参数估计。通过两个数值模拟来测算BS＿LVM＿PSA在特定环境的性能,并将BS＿LVM＿PSA应用于实例数据。模拟研究显示:第一,潜变量能够降低预处理协变量测量误差,提高处理效应估计精度;第二,不同匹配方法下,贝叶斯方法相对于频率学派的处理效应估计精度更高;第三,在小样本中,贝叶斯方法相比非贝叶斯方法预测精度和稳定性更高;第四,有先验信息的处理效应估计精度高于无信息先验,且在适度的先验精度下,处理效应估计更加可靠。实例分析中,利用本文提出的BS＿LVM＿PSA研究了社区扶贫政策的减贫效应。     

单调缺失机制下高维纵向线性回归模型的变量选择

在响应变量带有单调缺失的情形下考虑高维纵向线性回归模型的变量选择.主要基于逆概率加权广义估计方程提出了一种自动的变量选择方法,该方法不使用现有的惩罚函数,不涉及惩罚函数非凸最优化的问题,并且可以自动地剔除零回归系数,同时得到非零回归系数的估计.在一定正则条件下,证明了该变量选择方法具有Oracle性质.最后,通过模拟研究验证了所提出方法的有限样本性质.     

带协变量的负二项回归模型中离散参数估计的研究

针对带协变量的负二项回归模型中离散参数估计问题,推广了极大似然估计和Bootstrap极大似然估计方法,并在绝对偏差的意义下,通过模拟研究和实际数据分析研究了估计的优良性.研究结果表明协变量和样本量均对离散参数估计有影响.