半参数回归模型的稳健补偿最小二乘估计

本文研究了一类半参数回归模型，利用稳健补偿最小二乘估计法，得到了稳健补偿最小二乘估计量，以及它们的影响函数及渐近方差一协方差，对结果的分析表明了该法优于补偿最小二乘法，而且具有稳定性．     

半参数回归模型的二阶段估计

考虑回归模型，ｇ为Ｒ１上未知函数，β为ｐ×１维待估参数向量．本文基于模型的可加性得到了β和ｇ的估计量，证明了它们具有很好的大样本性质．     

分布函数的非参数最小二乘估计

By using the non-parametric least square method, the strong consistent estimations of distribution function and failure function are established, where the distribution function F(x)after logist transformation is assumed to be approximated by a polynomial. The performance of simulation shows that the estimations are highly satisfactory.     

奇异线性模型最小二乘估计的相对效率

刘爱义，王松挂在文[1]中提出了线性模型未知参数的最小二采估计的一种新的相对效率，本文将在奇异线性模型下，研究量小二乘估计的相对效率的下界。     

非参数计量经济联立模型的局部线性两阶段最小二乘估计

联立方程模型在经济政策制定，经济结构分析和经济预测方面起重要作用，本在随机设计（模型中所有变量为随机变量）下，提出了非参数计量经济联立模型的局部线性两阶段最小二乘估计并利用概率论中大数定理和中心极限定理在内点处研究了它的大样本性质，证明了它的一致性和渐近正态性，它在内点处的收敛速度达到了非参数函数估计的最优收敛速度。     

我国城市化对房价的影响研究——基于半参数空间面板数据滞后模型

基于2000-2019年我国其中31个省、自治区和直辖市省际空间面板数据,建立固定效应空间面板滞后模型和半参数空间面板数据滞后模型,实证考察了城市化、城乡收入差距、人均收入等因素对房价的影响.研究结果表明:房价存在正的空间溢出性.城乡收入差距、人均收入和非农产业的发展与房价一般是正相关的.但固定效应空间面板滞后模型中城市化对房价的影响不显著.通过应用半参数空间面板滞后模型研究表明我国城市化对房价影响存在着拐点,房价是先是随着城市化率的提高而下降,城市化率达到一定程度时,房价随着城市化率的提高而上升.原因可能在于土地供给的减少和土地开发成本的提高等方面.但当期房价对下一期的房价没有显著的影响,说明不能建立动态空间面板滞后模型.根据研究结果,从通过缩小城乡差距,增加土地供应,降低土地开发成本等方面降低房价提出了对策建议.     

半参数回归模型中二阶段估计的渐近性质

给定半参数回归模型Y＝X′β g(T) e,其中β∈R^p是未知参数向量,g(t)是定义在[0,1]上的未知函数,e是随机误差,本文研究了β,,g(t)和σ2的估计量βn,gn(t)和σn^2,在适当的条件下证明了它们的渐近正态性,并给出了gn(t)的最优收敛速度。     

非参数计量经济联立模型的局部线性两阶段最小二乘变窗宽估计

联立方程模型在经济政策制定、经济结构分析和经济预测方面起重要作用 .本文在随机设计 (模型中所有变量为随机变量 )下 ,提出了非参数计量经济联立模型的局部线性两阶段最小二乘变窗宽估计并利用概率论中大数定理和中心极限定理在内点处研究了它的大样本性质 ,证明了它的一致性和渐近正态性 .它在内点处的收敛速度达到了非参数函数估计的最优收敛速度 .     

回归系数最小二乘估计的Bootstrap估计

本文对线性模型的回归系数β的线性函数α＾Ｔβ的最小二乘估计α＾Ｔβ建立了一种新的ｂｏｏｔｓｔｒａｐ逼近，给出了逼近的相合性定量，得到了ｏ（ｎ＾－１／２）的逼近速度。     

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。     

混合形式的变系数空间面板数据模型:一个多阶段估计

当前对空间面板数据模型的研究主要集中在常系数模型上,但这类模型无法完全体现出空间异质性。本文建立变系数的空间面板数据模型,这类模型的特点是自变量系数是固定在时期上,同一时期的所有空间个体的自变量系数是相同的,而不同时期的自变量系数则会发生变化,不同时期的方程通过误差项的跨期相关性联系起来而形成SUR系统。在对模型进行一定设定的基础上,本文提出了一个四阶段估计,证明了参数估计量的一致性,并利用Monte Carlo方法对估计量进行了模拟。     

多指标面板数据因子分析的分层模型及应用

针对多指标面板数据的公因子提取及评价问题,提出一种充分挖掘面板数据时间序列价值的分层因子模型.模型在底层上通过对各个时点上截面数据指标变量的精炼实现对截面样本数据的评价,将截面数据压缩成只具有时间维度的样本评价值向量;模型顶层进一步实现了对由各个截面样本评价值向量形成的综合评价矩阵时间维度的精炼,并推导出面板数据因子得分公式及评价函数.最后,运用模型方法对我国大陆31个省市国有及规模以上非国有企业生产及经营状态面板数据进行了因子分析,分析结果显示了方法的合理性.分层模型实现了对面板数据各样本的指标维度与时间维度的双重提炼,弥补了现有方法的片面性与局限性.     

误差合成空间固定系数模型的多阶段广义最小二乘估计

本文对时变系数的空间面板数据模型进行了研究,所研究的模型利用扰动项中的空间个体成分将不同时期的方程联系起来,同时,自变量系数和空间自回归系数是时变的,但不会随着观测个体的变动而变动。本文利用基于可行的广义最小二乘估计的多阶段方法对模型参数进行了估计,研究了估计量的大样本性质,并利用Monte Carlo方法模拟了其小样本性质。模拟结果表明,估计量的渐近性质随着样本容量的增加而改善。对中国省级地区间财税策略互动行为的实证案例也体现了本文理论模型的应用价值。     

˫�������ɷֵĿռ����ģ�͵IJ�������

??In this paper, we construct a generalized spatial panel data model with two-way error components where the spatial correlation also exist in the individual effects. Based on the methods of the generalized moment estimate and the two-step least square estimate, we look for the best instrumental variable, fit generalized moments and the weighted matrix to discuss the estimator of the parameters, and prove the consistent of the estimators. Monte Carlo experiments show that the weighted generalized moment estimators are better than the unweighted generalized moment estimators, and the estimate effect of feasible generalized two stages least squares estimators is good.     

多指标面板数据的聚类分析及其应用

多指标面板数据的多元统计分析在国内研究中尚属空白.本文分析了面板数据的数据格式和数字特征,根据聚类分析原理,重新构造了多指标面板数据的距离函数和离差平方和函数,在此基础上,说明了多指标面板数据的聚类分析过程.最后对我国各地区工业企业生产效率进行了聚类实证分析,显示了良好的效果。     

初始值外生给定下动态空间面板数据模型的拟极大似然估计

基于初始值外生性假定,本文构建的动态空间面板数据固定效应模型内含空间自相关和空间误差两种结构,并采用拟极大似然方法推导模型参数具有渐近性质和渐近分布的估计量;进一步,蒙特卡洛模拟实验结果显示,本文所推导的拟极大似然估计量呈现的统计特征与理论结论一致,即具有随样本容量的增加而不断改进的渐近性质;分别讨论模型中存在的时间和空间两类维度的变化影响发现,参数估计量的渐近表现对时间维度的变化较为敏感,在空间维度难以增加情形下,时间维度的有效增加能够有效地提高参数估计量性质。     

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.     

纵向数据半参数Beta回归模型的影响分析

本将随机效应当作是缺失数据,基于Q函数和EM算法并利用P-样条拟合非参数部分,得到了纵向数据半参数Beta回归模型估计方法.基于数据删除模型,我们得到了模型参数部分的广义Cook距离以及非参数部分的广义DFIT.此外,本文还研究了在四种不同扰动情形下模型的局部影响分析,得到了相应的影响矩阵.最后,我们通过两个数值实例验证了所得诊断统计量的有效性.     

Continuous Contour Monte Carlo for Marginal Density Estimation With an Application to a Spatial Statistical Model

The problem of marginal density estimation for a multivariate density function f(x) can be generally stated as a problem of density function estimation for a random vector λ(x) of dimension lower than that of x. In this article, we propose a technique, the so-called continuous Contour Monte Carlo (CCMC) algorithm, for solving this problem. CCMC can be viewed as a continuous version of the contour Monte Carlo (CMC) algorithm recently proposed in the literature. CCMC abandons the use of sample space partitioning and incorporates the techniques of kernel density estimation into its simulations. CCMC is more general than other marginal density estimation algorithms. First, it works for any density functions, even for those having a rugged or unbalanced energy landscape. Second, it works for any transformation λ(x) regardless of the availability of the analytical form of the inverse transformation. In this article, CCMC is applied to estimate the unknown normalizing constant function for a spatial autologistic model, and the estimate is then used in a Bayesian analysis for the spatial autologistic model in place of the true normalizing constant function. Numerical results on the U.S. cancer mortality data indicate that the Bayesian method can produce much more accurate estimates than the MPLE and MCMLE methods for the parameters of the spatial autologistic model.