部分线性变系数模型的随机约束岭估计

作为变系数模型和部分线性模型的推广,部分线性变系数模型近年来得到越来越多的关注.本文考虑该模型在线性部分自变量存在多重共线性并且参数分量附加有随机约束条件时的估计问题.基于profile最小二乘技术以及岭估计和混合估计方法,构造参数分量的profile混合岭估计,并且研究所提估计量的渐近性质.最后利用数值模拟验证所提估计方法的有效性.     

部分线性模型的随机约束岭估计

研究了部分线性回归模型附加有随机约束条件时的估计问题.基于Profile最小二乘方法和混合估计方法提出了参数分量随机约束下的Profile混合估计,并研究了其性质.为了克服共线性问题,构造了参数分量的Profile混合岭估计,并给出了估计量的偏和方差.     

部分线性变系数模型改进的加权混合Profile-Liu估计

研究半参数部分线性变系数模型的有偏估计,当回归模型参数部分自变量存在多重共线性时,在随机线性约束条件下,融合Profile最小二乘估计、加权混合估计和Liu估计构造回归模型参数分量改进的加权混合Profile-Liu估计,并在一定正则条件下证明估计量的渐近性质,最后利用蒙特卡洛数值模拟验证所提出估计量的有限样本表现性.     

混合系数线性模型的几乎无偏s-K估计

在连续测量数据情况下,给出了混合系数线性模型的几乎无偏s-K估计,讨论了该估计的相关性质,并在一定条件下证明了几乎无偏s-K估计优于s-K估计以及几乎无偏岭估计.     

约束线性模型的条件部分根方估计

对于线性约束下的线性回归模型,针对设计矩阵的病态问题,提出一种条件部分根方估计.并在均方误差矩阵准则和Pitman Closeness准则下,比较了条件部分根方估计相对于约束最小二乘估计的优良性.     

因变量缺失下部分线性变系数变量含误差模型的估计

该文主要考虑部分线性变系数模型在自变量含有测量误差以及因变量存在缺失情形下的估计问题.基于Profile最小二乘技术,针对参数分量和非参数分量提出了多种估计方法.第一种估计方法只利用了完整观测数据,而第二种和第三种估计方法分别利用了插补技术和替代技术.参数分量的所有估计被证明是渐近正态的,非参数分量的所有估计被证明和一般非参数回归函数的估计具有相同的收敛速度.对于因变量的均值,构造了两类估计并证明了它们的渐近正态性.最后,通过数值模拟验证了所提方法.     

混合系数线性模型的一类有偏估计

本文研究连续测量数据情况下的混合系数线性模型的参数估计问题.利用压缩估计方法给出该模型的一类有偏估计,研究新估计的一些优良性质,在一定条件下证明这类估计优于s-K估计~([7]).     

部分线性变系数模型中估计的渐进正态性

作为部分线性模型与变系数模型的推广,部分线性变系数模型是一类应用非常广泛的模型,本文基于Profile最小二乘方法给出了模型中参数分量与非参数分量的估计,并在异方差情形下证明了这些估计的渐进正态性.     

线性模型中部分根方估计的优良性

在均方误差矩阵(MSE-M)准则和在Pitman Closeness(PC)准则下,比较了部分根方估计相对于最小二乘估计的优良性.     

包含多余回归变量的错误指定模型的随机约束Liu估计

对由于包含多余回归自变量而导致的错误指定线性回归模型,本文导出了回归系数的最小二乘估计,普通混合估计以及随机约束Liu估计,并在均方误差矩阵准则下对这三个估计的优良性进行了比较,给出了随机约束Liu估计优于最小二乘估计和普通混合估计的充要条件.此外,对它们所对应的经典预测值的优良性也进行了讨论.     

线性模型中的一类随机约束$s$--$K$估计

In this paper, we propose a stochastic restricted s–K estimator in the linear model with additional stochastic linear restrictions by combining the ordinary mixed estimator(OME) with the s–K estimator. It is shown that the proposed estimator is superior to the OME and the s–K estimator under the mean squared error matrix criterion under some conditions. Finally, a numerical example and a Monte Carlo simulation study are given to verify the theoretical results.     

Weighted Profile Least Squares Estimation for a Panel Data Varying-Coefficient Partially Linear Model

This paper is concerned with inference of panel data varying-coefficient partially linear models with a one-way error structure. The model is a natural extension of the well-known panel data linear model （due to Baltagi 1995） to the setting of semiparametric regressions. The authors propose a weighted profile least squares estimator （WPLSE） and a weighted local polynomial estimator （WLPE） for the parametric and nonparametric components, respectively. It is shown that the WPLSE is asymptotically more efficient than the usual profile least squares estimator （PLSE）, and that the WLPE is also asymptotically more efficient than the usual local polynomial estimator （LPE）. The latter is an interesting result. According to Ruckstuhl, Welsh and Carroll （2000） and Lin and Carroll （2000）, ignoring the correlation structure entirely and ＂pretending＂ that the data are really independent will result in more efficient estimators when estimating nonparametric regression with longitudinal or panel data. The result in this paper shows that this is not true when the design points of the nonparametric component have a closeness property within groups. The asymptotic properties of the proposed weighted estimators are derived. In addition, a block bootstrap test is proposed for the goodness of fit of models, which can accommodate the correlations within groups illustrate the finite sample performances of the Some simulation studies are conducted to proposed procedures.     

删失数据下的半参数变系数部分线性回归模型

为了分析删失数据,该文考虑变系数部分线性模型,此模型允许协变量对响应变量存在非线性影响.响应变量与协变量之间关系的统计模型通过线性结构来拟合是非常重要而且有益.对于删失数据,常用的统计方法不能直接应用于此模型.该文首先提出一类数据变换用以建立无偏条件期望.然后利用profile最小二乘方法,给出了模型中参数分量和非参数分量的profile最小二乘估计,并建立了这些估计的渐近正态性.最后通过数值例子来说明该文所提出的方法的有效性.     

基于纵向数据的半参数变系数部分线性回归模型

纵向数据是数理统计研究中的复杂数据类型之一0,在生物、医学和经济学中具有广泛的应用．在实际中经常需要对纵向数据进行统计分析和建模．文章讨论了纵向数据下的半参数变系数部分线性回归模型,这里的纵向数据的在纵向观察在时间上可以是不均等的,也可看成是按某一随机过程来发生．所研究的半参数变系数模型包括了许多半参数模型,比如部分线性模型和变系数模型等．利用计数过程理论和局部线性回归方法,对于纵向数据下半参数变系数进行了统计推断,给出了参数分量和非参数分量的profile最小二乘估计,研究了这些估计的渐近性质,获得这些估计的相合性和渐近正态性．     

半参数变系数异方差部分线性模型下的经验似然

Consider the semiparametric varying-coefficient heteroscedastic partially linear model Y i = Xτiβ + Zτiα(Ti) + σiei,1 ≤ i ≤ n,where σ 2 i = f(Ui),β is a p × 1 column vector of unknown parameter,(Xi,Zi,Ti,Ui) are random design points,Y i are the response variables,α(·) is a q-dimensional vector of unknown functions,e i are random errors.For both cases that f(·) is known and unknown,we propose the empirical log-likelihood ratio statistics for the parameter β.For each case,a nonparametric version of Wilks’ theorem is derived.The results are then used to construct confidence regions of the parameter.Simulation studies are carried out to assess the performance of the empirical likelihood method.     

部分线性变系数模型的一种新的轮廓(Profile)最小二乘估计

作为部分线性模型和变系数模型的推广,部分线性变系数模型以其良好的适应性和稳健性受到了广泛的关注。本文基于函数的局部线性拟合,给出部分线性变系数模型的另一种轮廓(profile)最小二乘估计的方法,并从理论上证实了所得估计量具有良好的渐近性质,最后给出了估计方法的实例分析。     

部分线性变系数模型的Profile Lagrange乘子检验

对于部分线性变系数模型附有约束条件时的估计与检验问题,基于Profile最小二乘方法给出了参数部分以及非参数部分的约束估计并研究了它们的渐近性质,并针对约束条件构造了Profile Lagrange乘子检验统计量,证明了该统计量在原假设下的渐近分布为χ2分布,从而将Lagrange乘子检验方法推广到了半参数模型上.