基于Spatial AIC准则的空间自回归模型变量选择研究

变量选择直接决定着空间计量经济模型的有效程度与实证研究结果。为有效解决空间自回归模型(即SAR模型)的变量选择问题,本文利用Kullback-Laible信息量最大化,把AIC准则运用到SAR模型构建,推导出Spatial AIC统计量,提出Spatial AIC准则。然后利用统计理论证明Spatial AIC准则选择SAR模型变量的渐近最优性;利用蒙特卡洛模拟方法,比较Spatial AIC准则、经典AIC准则和Lasso方法用于SAR模型变量选择的有限大样本性质;利用空间相关的沪深300成分股股票收益率数据,采用Spatial AIC准则和Lasso方法,分别构建股票收益率财务因素的空间自相关模型,实证比较其相对有效性。三种结果均表明Spatial AIC准则能够更好地解决SAR模型变量选择问题。     

分组数据分位数回归模型的变量选择和估计北大核心CSCD

本文主要研究分组数据分位数回归模型的变量选择和估计问题.为了充分反映数据的分组信息,需要假定每组数据的回归系数可以分解成共性部分和分组后的个性部分.为了进行变量筛选,本文提出分解系数的Lasso估计,并进一步提出了自适应Lasso估计.在处理相应优化问题时,采用了变换观测矩阵的方法简化问题求解.本文给出了自适应Lasso估计的Oracle性质证明,并且通过数值模拟研究展示了所提方法的有限样本表现.最后,将此方法应用到乳腺浸润癌致病基因的变量筛选上来展示所提方法的实际应用表现.     

半参数空间分位回归模型的估计与变量选择

对于高维空间数据,利用半参数空间自回归进行建模,模型中会同时存在内生性、非线性、变量过多等问题。本文研究半参数空间分位回归模型,提出了新的估计程序:首先利用样条基函数,对模型中未知平滑函数进行逼近,解决非线性问题;然后运用特征向量空间滤波,将空间滞后因子转化为空间代理变量的线性组合,有效解决了内生性问题;利用再中心化影响函数,进行无条件分位回归建模,能够刻画不同分位水平下变量之间的关系;最后引入自适应Lasso惩罚,对高维线性部分进行变量选择,得到系数的稀疏估计,有效增强了模型的可解释性。数值模拟中对参数作不同的设置,展现了本文提出方法的有效性。最后,利用半参数空间分位回归模型分析了住房销售价格数据集。     

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.     

分位数变系数模型基于核光滑的变量选择

分位数变系数模型是一种稳健的非参数建模方法.使用变系数模型分析数据时,一个自然的问题是如何同时选择重要变量和从重要变量中识别常数效应变量.本文基于分位数方法研究具有稳健和有效性的估计和变量选择程序.利用局部光滑和自适应组变量选择方法,并对分位数损失函数施加双惩罚,我们获得了惩罚估计.通过BIC准则合适地选择调节参数,提出的变量选择方法具有oracle理论性质,并通过模拟研究和脂肪实例数据分析来说明新方法的有用性.数值结果表明,在不需要知道关于变量和误差分布的任何信息前提下,本文提出的方法能够识别不重要变量同时能区分出常数效应变量.     

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。     

复合分位数下门限自回归模型的变点估计

金融领域中的突发事件是变点问题的一种体现,往往由于其随机性和发生前信息量不足等因素造成突发事件难以识别和预测.金融市场常常表现出非线性和异质性等特征,门限分位数自回归模型作为金融领域变点问题研究的重要模型,逐渐在经济和统计学界获得更多的关注.本文结合不同的分位数对门限分位数自回归模型中的交点估计问题提出两种新的估计方法...     

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.     

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.     

删失混合效应模型的分位回归及变量选择

纵向数据常常用正态混合效应模型进行分析.然而,违背正态性的假定往往会导致无效的推断.与传统的均值回归相比较,分位回归可以给出响应变量条件分布的完整刻画,对于非正态误差分布也可以给稳健的估计结果.本文主要考虑右删失响应下纵向混合效应模型的分位回归估计和变量选择问题.首先,逆删失概率加权方法被用来得到模型的参数估计.其次,结合逆删失概率加权和LASSO惩罚变量选择方法考虑了模型的变量选择问题.蒙特卡洛模拟显示所提方法要比直接删除删失数据的估计方法更具优势.最后,分析了一组艾滋病数据集来展示所提方法的实际应用效果.     

基于LASSO复合分位数回归的钢材力学性能预测

钢材力学性能的提高对于提高钢材品质,充分适应市场需求有重要的意义.研究了热轧带钢的抗拉强度与各生产参数和工艺参数之间的关系,采用基于LASSO的复合分位数回归模型(Composite Quantile Regression,CQR),根据BIC准则选择合适的调整参数,选择出15个有重要影响的变量,建立基于这15个变量的预测模型.结果表明,将数据按70%和30%分成训练集和测试集,得到训练集的百分比误差(MAPE)和均方根误差(RMSE)分别为2.61%和23.42,测试集的百分比误差(MAPE)和均方根误差(RMSE)分别为2.58%和22.52.将本文所用的模型与两种不同的变量选择方法和三种不同的预测模型进行了对比,可得本文中所用的模型计算精度高,模型泛化能力强,为钢产品的设计和优化提供参考.     

半参数平滑转换分位数自回归模型及应用

已有针对平滑转换自回归模型(STAR)的研究多是将转换函数设定为Logistic函数或指数函数形式,并在均值回归框架下获得模型的估计、检验及预测结果.文章基于重心权有理插值和分位数回归方法,构建一类新的半参数平滑转换分位数自回归模型,其主要特点表现在:第一,基于重心权有理插值方法构造的平滑转换函数,形式更加灵活自由,有效减少了模型误设的风险.第二,在分位数回归框架下,利用遗传算法获得新模型在不同分位点处的平滑转换自回归系数估计,比单纯的均值回归得到的信息更为丰富.数值模拟结果显示,新模型的平滑转换自回归系数估计在无偏性、有效性和一致性方面均具有较好表现.最后,将新模型应用于上证综指日收益率的动态趋势及预测研究,细致揭示了收益率序列在不同阶段、不同分位点处的非线性和异质性变化特征.     

空间分位自回归模型的EM估计

基于EM算法对空间分位自回归模型提出了一种新的参数估计方法,通过构造一个集中Q函数,简化了M步中空间滞后参数的估计.与已有的ELQR和ⅣQR方法相比,方法计算简单,蒙特卡洛模拟结果表现较好.     

固定效应时异系数广义空间自回归模型的估计与模拟

空间面板数据模型常呈现时异特征,现实经济现象中的空间关联多带有时异特性。基于此,本文构建固定效应时异系数广义空间自回归模型,首先采用拟极大似然(QML)方法估计模型并证明参数估计量的渐近性,其次依据贝叶斯(Bayes)公式推出参数后验分布并设计MCMC抽样,最后基于数值模拟比较两种方法在有限样本下的模拟情况,结合具体实例对比分析两种方法的实际估计效果。结果发现:一方面,两种方法的参数模拟均方误差都表现出随样本个体数目的增大而减小,表明增加观测个体数目能显著降低参数模拟偏差。另一方面,Bayes估计的均方误差都小于QML估计,说明Bayes估计比QML估计更可靠。     

固定效应变系数空间自回归面板数据模型的空间效应检验

本文研究固定效应变系数空间自回归面板数据模型的空间效应检验问题,利用基于局部线性方法的profile似然估计技术,构造了广义似然比检验统计量,并提出利用一类基于残差的bootstrap方法求取检验p值,最后数值模拟表明所提方法在有限样本下有较好表现.     

分位数回归在医疗消费影响因素研究中的应用

基于分位数回归及其变量选择模型,利用2011年中国健康与营养调查数据(CHNS)实证分析了医疗消费的影响因素.通过Lasso方法从多个影响因素中选取出了对医疗消费影响较大的因素,发现个人收入、年龄、受教育程度、患病程度和地区变量对医疗消费的影响较大,通过分位数回归模型,对影响医疗消费诸因素的作用方式与程度进行了研究.     

生长曲线模型的分位数回归

生长曲线模型有着广泛的应用, 在经济学、生物学、医学等各个领域的研究都起着重要的作用. 已有文献关于生长曲线模型参数矩阵的估计基本上是使用最小二乘方法或极大似然方法. 使用最小二乘方法, 当误差项服从偏峰分布、厚尾分布、或者存在异常点时, 得出的估计不是有效的; 使用极大似然方法, 要求分布已知, 实际使用时很难满足这一点. 分位数回归能弥补如上这些缺陷, 所得估计具有很好的稳健性. 本文使用分位数回归方法给出生长曲线模型参数矩阵的估计, 及其渐近正态性.     

部分线性单指标模型的复合分位数回归及变量选择

本文提出复合最小化平均分位数损失估计方法 (composite minimizing average check loss estimation,CMACLE)用于实现部分线性单指标模型(partial linear single-index models,PLSIM)的复合分位数回归(composite quantile regression,CQR).首先基于高维核函数构造参数部分的复合分位数回归意义下的相合估计,在此相合估计的基础上,通过采用指标核函数进一步得到参数和非参数函数的可达最优收敛速度的估计,并建立所得估计的渐近正态性,比较PLSIM的CQR估计和最小平均方差估计(MAVE)的相对渐近效率.进一步地,本文提出CQR框架下PLSIM的变量选择方法,证明所提变量选择方法的oracle性质.随机模拟和实例分析验证了所提方法在有限样本时的表现,证实了所提方法的优良性.     

面板半参数空间自回归模型的变量选择——基于STIRPAT模型的碳排放影响因素分析

变量选择有助于简化模型,提高估计和预测的精度,但目前鲜有涉及面板半参数空间自回归模型变量选择的研究。本文在ALASSO的基础上提出了SSAR-ALASSO法,该法的核心在于惩罚函数的选择和目标函数的构建。SSAR-ALASSO在变量和参数的对应关系、惩罚函数的选择、特殊参数的取值区间以及适用模型等方面与ALASSO存在差异。模拟结果显示,SSAR-ALASSO法在变量选择的准确性和参数估计的精度两方面均表现良好,随着样本容量的增加表现效果更佳。本文在碳排放量影响因素实证中采用SSAR-ALASSO法对STIRPAT模型进行变量选择。研究结果表明人均财富、技术水平、产业结构、所有制结构和产业集聚显著影响碳排放量,城市化、对外开放、能源价格和环境政策对碳排放量无显著影响。     

线性模型中回归分位数估计的强相合性

考虑线性系统模型 y=x＇β_0 x＇r_0e, (1)其中x为P维已知向量,β_0是未知的P维回归系数,e是1维不可观察的误差随机变量。 y在x下的条件u分位数可以写成: