函数型空间自回归模型的贝叶斯估计

函数型数据广泛地存在于社会的各个领域, 函数型数据分析也成为越来越热的统计研究方向. 经典的函数型回归模型一般假设响应变量是一个独立变量, 而在经济学, 环境科学等领域会经常遇到响应变量具有空间相依关系. 因此针对带有空间响应变量的部分函数型空间自回归模型, 基于函数型主成分分析和MCMC算法研究了模型的贝叶斯估计. 运用■表示定理来逼近函数型系数的思想, 以及应用Gibbs抽样和Metropolis-Hastings算法相结合的混合MCMC算法来获得模型中未知参数和函数型系数的贝叶斯估计结果. 最后通过模拟研究和对加拿大气温数据的实证分析来表明所提出的贝叶斯估计方法是可行有效的.     

一种新的空间计量模型——部分线性可加自回归模型及其应用

本文提出一种新的空间计量模型,部分线性可加空间自回归模型。首先,引入样条逼近可加函数分量,然后利用截面拟似然的思想得到模型参数的估计;所提出的估计方法简单易行,且对误差分布的要求低。通过模拟研究,得到所提出估计方法的有限样本性质,模拟结果显示了所提出估计的有效性;最后,将估计方法应用到波士顿房屋数据进行统计分析,得到了较他人估计更好的结果。     

函数型数据回归分析综述

随着计算机储存能力和在线观测技术的提高,当今数据越来越多的以曲线和图像的形式存在.曲线和图像数据两个最显著的特征是高维和相邻数据间高度相关.这些特征使得传统的多元统计分析方法不再适合,而函数型数据在处理曲线和图像数据中具有无可比拟的优势.近年来各种各样的函数型数据分析方法得以发展,其中包括数据的对齐、主成分分析、回归、分类、聚类等.本文主要介绍函数型数据回归分析研究的起源、发展及最新进展.具体地,本文首先介绍函数型数据的概念;其次介绍函数型主成分分析方法;再次着重介绍函数型回归模型的估计、变量选择和检验方法;最后将简要探讨函数型数据未来的可能发展方向.     

函数系数线性自回归模型的样条估计

基于多项式样条全局光滑方法,建立函数系数线性自回归模型中系数函数的样条估计.在适当条件下,证明了系数函数多项式样条估计的相合性,并给出了它们的收敛速度.模拟例子验证了理论结果的正确性.     

奇异线性模型的线性假设检验问题

本文研究奇异线性模型的假设检验问题，我们用初等直接的方法了根据最小二乘统一理论所构造的检验统计量服从Ｆ分布，并给出了这些结果在ｐａｎｅｌ数据模型。两级抽样回归模型以及不完全数据回归模型中的应用。     

部分线性自回归模型中误差方差的核估计

基于非参数函数的核估计,构造了部分线性自回归模型中误差四阶矩的相合估计,从而给出了误差方差核估计的渐近正态性,并通过模拟算例和实例说明了其应用.     

混合地理加权空间自回归模型的Profile GMM估计

为了更好地同时考虑空间自相关性和空间异质性,本文研究一类空间自回归混合地理加权回归模型.基于Profile方法和广义矩(GMM)方法,构造了模型中未知空间自回归参数,常数回归系数和系数函数的两类Profile GMM估计.数值模拟结果表明所提出的估计在有限样本中表现良好.     

具有外生变量部分线性自回归模型的样条估计

考虑自回归模型Yt=θTXt+g(Zt)+Et,t=1,…,n,其中Xt=(Y-1,…,Yt-d)T,Zt为实值外生随机变量,θ=(θ1,…,θd)T为待估参数向量,g为未知非参数光滑函数.基于多项式样条方法,在一定的条件下,给出了θ的估计的渐近正态性,得到了g的估计的收敛速度.模拟例子验证了所得的理论结果.     

具有外生变量部分线性自回归模型的样条估计

考虑自回归模型Y_t=θ~TX_t g(Zt) ε_t,t=1,…,n,其中X_t=(Y_(t-1),…,Y_(t-d))~T,Z_t为实值外生随机变量,θ=(θ_1,…,θ_d)~T为待估参数向量,g为未知非参数光滑函数．基于多项式样条方法,在一定的条件下,给出了θ的估计的渐近正态性,得到了g的估计的收敛速度．模拟例子验证了所得的理论结果．     

响应变量删失时函数型部分线性分位数回归模型的估计

最近几年,函数型数据分析的理论和应用飞速发展.在许多实际应用里,响应变量往往存在随机右删失的情况.考虑利用函数型部分线性分位数回归模型来刻画函数型和标量预测量与右删失响应变量之间的关系.基于函数型主成分基函数来逼近未知的斜率函数,通过极小化逆概率加权分位数损失函数得到未知系数的估计量.文章的估计方法容易通过加权分位数回...     

函数型二次模型的假设检验

本文研究了函数型二次回归中二次参数函数的显著性检验问题。采用函数型主成分分析将预测变量函数进行投影降维,利用零模型和全模型的残差平方和构造F型检验统计量。在一定的正则条件下证明了检验统计量在原假设下渐近于F分布,在备择假设下检验统计量依概率趋于无穷,从而表明该检验方法是相合的。进一步证明了在一定收敛速度的局部备择假设下,检验统计量渐近于非中心F分布。最后通过数值模拟研究了该检验方法在有限样本下的表现,并给出了一个实际例子进一步验证所提方法的有效性。     

部分线性可加空间自回归模型在约束条件下的统计推断

本文主要研究了部分线性可加空间自回归模型在参数线性约束下的模型推断问题。结合sieve两阶段最小二乘法和拉格朗日乘子法,提出了模型参数和未知函数的约束估计,并在一定的正则条件下证明了估计的渐近性质。进一步,本文构造了检验参数约束条件的检验统计量,并证明在约束条件为真时,该检验统计量渐近服从卡方分布。最后,通过模拟展现本文所提出的估计和检验的性质。     

多元线性模型参数的部分压缩估计

考虑多元线性回归模型Y=XB ε,其中E(Vec(ε))=0,Cov(Vec(ε))=∑In,当设计阵X呈病态时,模型参数的LS估计不再是一个优良估计,为此,提出了一种部分压缩估计,并分析了其性质.     

部分线性回归模型中的自适应估计

考虑半参数回归模型y_i=x_iβ+g(t_i)+e_i,1≤i≤n;其中g(·)是未知函数,β是待估参数,e_i是随机误差. 本文首先在(x_i,t_i)是i.i.d设计点列下,当g(·)的估计取一类核估计序列时,构造了β的自适应估计β_n,同时给出了β_n及g_n^*(g的最终估计)的渐近最优强弱收敛速度;然后在(x_i,t_i)是固定非随机设计点列下,当g(·)的估计取一般非参数估计(包括常见核估计和近邻估计),讨论了β的最小二乘估计的渐近正态性.     

不等式约束条件下部分线性回归模型的参数估计

本文研究了不等式约束条件下部分线性回归模型的参数估计问题，利用最优化方法和贝叶斯方法，给出了不等式约束条件下部分线性回归模型的最小二乘核估计和最佳贝叶斯估计，并且证明了在一定条件下，带约束条件的最小二乘核估计在均方误差意义下要优于无约束条件的最小二乘核估计。     

带有异方差的部分线性回归模型的B样条估计

考虑一带有异方差的固定设计部分线性回归模型yij=X'ijβ+g(tij)+εij,i=1,2…,k:j=1,2,…,ni,和sum from i=1 to kni=n,其中yij为响应变量,β=(β1,…,βp)’是未知的参数向量,g(·)是未知的函数,Xij=(Xij1,…,Xijp)’和tij∈[0,1]为已知的非随机设计点,εij为均值0,方差是σi2的随机误差,其中σi2可能不同.通过B样条级数近似非参数分量,构造了参数分量β的一个半参数广义最小二乘估计.在一些矩条件下,导出了此半参数广义最小二乘估计的渐近分布,大多数在实际中遇到的误差分布都满足这些矩条件.另外,也构造了半参数广义最小二乘估计的渐近协方差矩阵的一个相合估计,还讨论了非参数分量的B样条估计.所有这些大样本性质都是在k趋于无穷大,ni有限时导出的.这些结果能被用来做渐近有效的统计推导.     

部分线性回归模型的M-估计

本文讨论部分线性回归模型的M-估计．用局部线性方法给出未知函数的M-估计，用两步估计方法给出参数的M-估计．进一步证明了未知函数的M-估计的弱一致性和渐近正态性，参数的M-估计的弱一致性．     

带有异方差的部分线性回归模型的B样条估计

考虑一带有异方差的固定设计部分线性回归模型yij=x'ijβ+g(tij)+εij,i=1,2,…,k,j=1,2,…,ni,和∑ni=n,其中yij为响应变量,β=(β1,…,βp)'是未知的参数向量,g(.)是未知的函数,xij=(xij1,…,xijp)'和tij∈[0,1]为已知的非随机设计点,εij为均值0,方差是σ2i的随机误差,其中σ2i可能不同.通过B样条级数近似非参数分量,构造了参数分量β的一个半参数广义最小二乘估计.在一些矩条件下,导出了此半参数广义最小二乘估计的渐近分布,大多数在实际中遇到的误差分布都满足这些矩条件.另外,也构造了半参数广义最小二乘估计的渐近协方差矩阵的一个相合估计,还讨论了非参数分量的B样条估计.所有这些大样本性质都是在k趋于无穷大,n.有限时导出的.这些结果能被用来做渐近有效的统计推导.     

部分线性模型在空气质量指数细颗粒物PM2.5中的分析应用

主要是研究细颗粒物PM2.5与其它影响空气质量指数的因素之间的相关性.首先运用主成分分析法对影响细颗粒物PM2.5的五个指标进行降维,然后对降维过后的数据拟合部分线性模型,拟合的效果比一般线性模型与多项式回归模型所拟合的效果更好.