变系数单指标模型的B-样条估计

变系数单指标模型结合和单指标和变系数模型的优点,在许多领域中有着重要的应用。本文我们基于B-样条逼近,提出了两种估计方法：第一种方法是利用Newton-Raphson迭代方法同时获得参数和非参数部分的估计;第二个方法是剖面方法获得了相应的估计。当模型中有许多参数时,我们建议使用第二种估计方法,而当参数个数较少时采用第一种方法更方便。两个模拟例子用来验证本文提出的估计方法。     

变系数模型的Bayes样条估计

本文考察变系数模型y=x1β1(t) x2β2(t) … xpβp(t) ∈,∈-N(0,σ2),βr(t),r=1,…,P是光滑的连续函数.假定βr(t)是三阶的B样条函数,给结点的个数一个均匀先验,用贝叶斯模型平均的方法估计函数系数,这种估计方法充分考虑到各个函数系数的差别,允许不同的函数系数有不同的结点个数,即允许不同的函数系数使用不同的光滑参数.     

多元部分线性模型的B-样条估计(英文)

本文考虑多元部分线性回归模型的估计问题,得到了该模型参数的最小二乘估计和非参数函数的B-样条估计,并证明了参数估计的渐近正态性,给出了非参数函数估计的最优收敛速度.     

变系数模型B样条M估计的收敛性

考虑变系数模型y(t)=XT(t)β(t)+ε(t).设(y(tij),Xi(tij),tij)是第i个个体的第j次观察.函数系数β(t)=(β1(t),…,βp(t))T是光滑的非参数函数向量,在B样条的函数空间上最小化得到β(t)的B样条M估计.若βk(t),k=1,…,p是r(r>1/2)阶光滑的,证得若结点的数目是O(n1/(2r+1)),则β(t)的B样条M估计达到最优的收敛速度O(n-r/(2r+1))(Stone(1985)).     

纵向数据下变系数测量误差模型的渐近估计

本文主要研究纵向数据下变系数测量误差模型的估计问题.利用B样条方法逼近模型中未知的变系数,构造关于B样条系数的二次推断函数来处理未知的个体内相关和测量误差,得到变系数的二次推断函数估计,建立估计方法和结果的渐近性质.数值模拟结果显示本文提出的估计方法具有一定的实用价值.     

变系数空间自相关模型的Bayesian-INLA估计

文章提出了一类变系数空间自相关模型(VCSAM)新的Bayesian-INLA估计方法.在这个模型中,响应变量具有空间自相关性,且包含变系数的非参数部分.尽管已有的工作对该模型已经进行了大量研究,但很少有研究使用贝叶斯方法提出高效求解模型的方法.因此基于上述动机,文章提出了基于B ayesian-INLA技术的方法,以寻求在VCSAM框架内代替MCMC方法的有效解决方案.变系数部分使用B-样条基函数的线性组合进行逼近,空间自相关系数采用M-H算法进行估计,并应用Bayesian-INLA技术来估计变系数函数和相关系数的后验分布.通过模拟研究,展示了文章提出的估计方法在同时处理空间依赖效应和空间非平稳性时的优势.此外,通过对波士顿房价数据的实证分析,展示了文章提出的估计方法优越的性能.     

部分函数线性变系数模型的样条估计及其应用

本文针对Tecator数据介绍一种新的模型一部分函数线性变系数模型,并基于样条估计方法得到了模型中未知系数函数的估计,同时在适当的条件下给出了系数函数估计及模型均方预测误差的收敛速度。通过数值模拟说明本文所提估计方法的有效性。最后基于该模型对Tecator数据进行了统计分析。     

广义变系数模型的Bayesian B样条估计

提出了广义变系数模型函数系数的一种新的估计方法．我们用B样条函数逼近函数系数,不具体选择节点的个数,而是节点个数取均匀的无信息先验,样条函数系数取正态先验,用Bayesian模型平均的方法估计各个函数系数．这种估计方法一个主要特点是允许各个函数系数所需节点个数的后验分布不同,因此允许不同函数系数使用不同的光滑参数．另外,本文还给出了Bayesian B样条估计的计算方法,并通过模拟例子,说明广义变系数模型的函数系数可以由Bayesian B样条估计方法得到很好的估计．     

函数型部分线性乘积模型的B-样条估计

本文研究了函数型部分线性乘积模型,该模型可用于响应变量为正数的函数型数据的统计建模问题,经过对数变换后模型转化为函数型部分线性模型.基于B-样条,通过极小化最小一乘相对误差(LARE)和最小乘积相对误差(LPRE),分别给出模型的LARE估计和LPRE估计,其中B-样条基的维数利用Schwarz信息准则选取.对两种估计方法分别给出斜率函数估计的相合性和参数部分估计的渐近正态性,并且证明了斜率函数的收敛率达到了非参数函数估计的最优速率.蒙特卡洛模拟用来比较所提出的方法与最小一乘(LAD)估计和最小二乘(LS)估计在不同误差分布下的有限样本性质,模拟结果表明所提方法是有效和实用的.最后通过一个实际数据分析的例子来说明模型的应用.     

基于变系数模型的纵向数据相关结构选择和估计

本文针对基于变系数模型的纵向数据提出 选择和估计其个体内部相关结构的方法, 给出变系数模型中系数函数曲线的有效估计, 并建立相应的大样本渐近性质. 模拟结果和实例分析表明, 即使在有限样本下, 本文所提方法在选择和估计真实相关结构方面具有相合性, 并能够提高系数函数曲线的估计效率.     

非参数部分带有测量误差的部分线性变系数模型的经验似然推断

研究非参数部分带有测量误差的部分线性变系数模型,构造了模型中未知参数的局部纠偏经验对数似然比统计量,在适当条件下,证明了所提出的统计量具有渐近x2分布,由此结果可以用来构造未知参数的置信域.并且还构造了未知参数的最大经验似然估计及系数函数的估计,证明了它们的渐近性质.最后通过数值模拟研究了所提估计方法在有限样本下的实际...     

变系数部分线性测量误差模型的B-样条估计（英文）

本文研究变系数部分线性测量误差模型的估计问题.利用纠偏方法,获得参数分量修正的最小二乘估计和非参数分量的B-样条估计.证明参数估计是相合的,渐近正态的;系数函数的B-样条估计达到非参数回归估计的最优收敛速度.模拟结果表明该方法是有效的.     

纵向数据下非参数带测量误差的部分线性变系数模型的估计

本文研究纵向数据下非参数部分带有测量误差的部分线性变系数模型的估计.利用B样条函数近似模型中的变系数函数,构造偏差修正的二次推断函数,得到模型中未知参数和变系数函数的估计.证明变系数函数估计量的相合性和参数估计量的渐近正态性.数值模拟和实例分析结果表明所提估计方法在有限样本下的有效性.     

基于工具变量的变系数测量误差模型的分位数回归估计

文章考虑协变量含有测量误差的变系数模型,为了消除测量误差的影响,在估计过程中引入工具变量,利用工具变量对含有测量误差的协变量进行校正.为了获得稳健估计,利用分位数回归方法得到不同分位点上系数函数的估计.在一些正则条件下,证明了所提出的估计的渐近正态性.模拟研究比较了Naive估计,基于工具变量校正的分位数回归估计(IVQR)以及基于工具变量校正的最小二乘估计(IVLS),模拟结果表明文章提出的方法优于已有的方法.最后采用文章提出的方法对中国农村居民的金融资产余额的影响因素进行了分析,结果表明住户债务余额系数呈现U型变化,家庭收入系数呈现倒U型变化.     

CPI权重估计:基于约束变系数模型

居民消费价格指数编制中所采用的权重是近年来人们争论的热点之一,但目前权重的具体数值还没有权威发布.采用带约束变系数模型对2001年至2010年间我国CPI编制中采用的八大类权重进行了估计.相对于没有约束的估计,带约束条件的估计结果更加合理.结果揭示了权重的调整变化情况,同时也反映了近十年来我国居民消费结构的变化.     

变系数混合模型的光滑样条推断

为了拟合纵向数据和其他相关数据,本文提出了变系数混合效应模型(VCMM).该模型运用变系数线性部分来表示协变量对响应变量的影响,而用随机效应来描述纵向数据组内的相关性, 因此,该模型允许协变量和响应变量之间存在十分灵活的泛函关系.文中运用光滑样条来估计均值部分的系数函数,而用限制最大似然的方法同时估计出光滑参数和方差成分,我们还得到了所提估计的计算方法.大量的模拟研究表明对于具有各种协方差结构的变系数混合效应模型,运用本文所提出的方法都能够十分有效地估计出模型中的系数函数和方差成分.     

因变量缺失下变系数部分线性测量误差模型的变量选择

主要研究因变量存在缺失且协变量部分包含测量误差情形下,如何对变系数部分线性模型同时进行参数估计和变量选择.我们利用插补方法来处理缺失数据,并结合修正的profile最小二乘估计和SCAD惩罚对参数进行估计和变量选择.并且证明所得的估计具有渐近正态性和Oracle性质.通过数值模拟进一步研究所得估计的有限样本性质.     

针对面板数据的半参数变系数可加模型的估计和推断

本文研究针对面板数据的半参数变系数可加模型的估计和推断问题,该模型将因变量与自变量之间的关系建模成未知函数的形式,并且假设它们之间的关系是随时间变化的.本文基于B样条方法估计未知的参数和函数.本文在允许(N,T)→∞的情况下建立各个估计量的渐近性质.通过大量的模拟评估所提出的估计方法的表现.最后,本文将所推荐的模型用于调查Fama-French三因子的时变行为.     

测量误差模型只有一个变点的检验和估计

本文讨论了测量误差模型中参数只有一个变点的检验和估计问题，首先，给出其似然比检验统计量，然后，基于最小信息准则的原理，利用Schwarz信息准则（SIC），在多余参数已知和未知的情况下，分别给出了检验统计量，讨论了利用SIC方法给出的检验统计量的渐近分布，证明了基于似然比方法和SIC方法给出的变点估计是相同的，并且在一定条件下，给出了变点估计的极限分布，运用Monte-Carlo随机模拟的方法，分别给出了以上检验的临界值。     

有重复观测的变系数EV模型的参数估计

构造了有重复观测的变系数EV模型中的诸多参数估计,包括系数函数、测量误差方差以及测量误差与回归误差的协方差等估计,去除了有关测量误差方差已知或可靠比已知的假定.在一些较弱的条件下,证明了所有的这些估计都是强相合的,同时获得了系数函数估计的渐近正态性以及收敛速度.