一种惩罚最大似然方法估计混合回归模型

本文考虑具有正态误差假设下混合回归模型的参数估计问题.由于似然函数的无界性,混合回归模型普通的最大似然估计不存在.本文提出一种惩罚最大似然方法来估计混合回归模型的参数,证明惩罚最大似然估计量(penalized maximum likelihood estimation, PMLE)具有强相合和渐近正态性.通过深入模拟研究,从估计精确性角度看,惩罚最大似然估计量有很好的表现.本文还给出一个音调感知的例子来说明理论结果的应用.     

固定效应部分线性单指标面板模型的惩罚经验似然估计

结合二次推断函数法、滤子法和经验似然估计法,为个体内存在相关性的部分线性单指标固定效应面板模型建立了惩罚经验似然估计法.在一些正则条件下,推导了模型估计量的大样本性质,证明了所提出的经验似然比渐近于卡方分布.进一步,用Monte Carlo模拟和真实数据分析评价了估计方法在有限样本下的表现.     

简单混合三参数一般均匀分布在地震发生间隔区间估计中的应用

本文首次介绍了一类一般均匀分布,包括单参数一般均匀分布、二参数一般均匀分布及三参数一般均匀分布,导出了三参数一般均匀分布的密度函数、数学期望、矩母函数及特征函数,获得了单参数及二参数一般均匀分布参数的矩估计和最大似然估计,通过结合最大似然估计法与矩估计法,从而获得了三参数一般均匀分布参数的二种最大似然型修正估计.文末,提出一个简单混合三参数一般均匀分布拟合地震发生时间间隔长度数据,用以预报一段时间内地震发生的概率.     

非线性半参数回归模型的最大经验似然估计

对于非线性半参数回归模型的估计问题,利用经验似然方法,给出了回归系数,光滑函数以及误差方差的最大经验似然估计.在一定条件下证明了所得估计量的渐近正态性和相合性.     

纵向数据下部分线性模型的经验似然推断

考虑纵向数据下部分线性模型,研究了回归系数和基准函数的经验似然推断,证明了所提出的经验对数似然比渐近于卡方分布,由此构造了相应兴趣参数的置信域和区间. 此外,利用经验似然比函数得到了回归系数和基准函数的最大经验似然估计,并且证明了所得估计量的渐近正态性.模拟研究比较了经验似然与正态逼近方法的有限样本性质,并进行了案例分析.     

非参数异方差回归模型的局部多项式估计——基于农村居民消费与收入的实证分析

本文主要研究非参数异方差回归模型的局部多项式估计问题.首先利用局部线性逼近的技巧,得到了回归均值函数的局部极大似然估计.然后,考虑到回归方差函数的非负性,利用局部对数多项式拟合,得到了方差函数的局部多项式估计,保证了估计量的非负性,并证明了估计量的渐近性质.最后,通过对农村居民消费与收入的实证研究,说明了非参数异方差回归模型的局部多项式方法比普通最小二乘估计法的拟合效果更好,并且预测的精度更高.     

Gumbel分布参数估计及在水位资料分析中应用

本文利用Gumbel分布拟合某条河流三个观测站的历年最高水位资料.我们用分位数法、极大似然法、概率加权矩法对Gumbel分布中的参数进行估计,不仅从理论上而且利用蒙特卡洛方法讨论了三种估计方法的统计性质,并给出了三个观测站处的T年一遇的最高水位数据.我们认为极大似然法给出的估计量在各个方面都有好的且稳定的表现.     

有限混合Laplace分布回归模型局部估计的EM算法（英文）

本文研究了一类有限混合Laplace分布回归模型的局部极大似然估计问题.利用核回归方法和最大化局部加权似然函数的EM算法,获得了参数函数的局部极大似然估计量,并讨论了它们的渐近偏差,渐近方差和渐近正态性.推广了有限混合回归模型下局部非参数估计的结果.     

有限混合Laplace分布回归模型局部估计的EM算法

本文研究了一类有限混合Laplace分布回归模型的局部极大似然估计问题. 利用核回归方法和最大化局部加权似然函数的EM算法, 获得了参数函数的局部极大似然估计量, 并讨论了它们的渐近偏差, 渐近方差和渐近正态性. 推广了有限混合回归模型下局部非参数估计的结果.     

离散抽样Gamma-OU过程的参数估计

平稳Gamma-OU过程是用于刻画金融资产波动的一类重要模型. 本文主要考虑基于离散观察的Gamma-OU过程的参数估计. 文中给出了强度参数λ的估计量及其收敛性，模拟显示这一估计是相当准确的. 在假设参数λ已被估计出来的条件下, 又研究了形状参数c和尺度参数α的最大似然估计, 其中关于这两个参数的似然函数是难于计算的. 通过Gaver-Stehfest算法, 我们构造了一个似然函数的具体估计序列, 它收敛于真实(但未知）的似然函数. 最大化这一序列可以得到收敛于真实最大似然估计的一列估计量, 并且这一估计序列具有与最大似然估计相同的收敛性. 模拟显示在大多数有关波动率的实际背景下, 我们的方法是非常准确的.