固定效应面板数据部分线性模型的加权截面LSDV估计(英文)

本文考虑误差为自回归过程的固定效应面板数据部分线性回归模型的估计.对于固定效应短时间序列面板数据,通常使用的自回归误差结构拟合方法不能得到一个一致的自回归系数估计量.因此本文提出一个替代估计并证明所提出的自回归系数估计是一致的,且该方法在任何阶的自回归误差下都是可行的.进一步,通过结合B样条近似,截面最小二乘虚拟变量(LSDV)技术和自回归误差结构的一致估计,本文使用加权截面LSDV估计参数部分和加权B样条(BS)估计非参数部分,所得到的加权截面LSDV估计量被证明是渐近正态的,且比可忽略误差的自回归结构模型更渐近有效.另外,加权BS估计量被推导出具有渐近偏差和渐近正态性.模拟研究和实际例子相应地说明了所估计程序的有限样本性.     

变系数部分线性模型的加权随机约束s-K估计

研究随机约束条件下半参数变系数部分线性模型的参数估计问题,当回归模型线性部分变量存在多重共线性时,基于Profile最小二乘方法、s-K估计和加权混合估计构造参数向量的加权随机约束s-K估计,并在均方误差矩阵准则下给出新估计量优于s-K估计和加权混合估计的充要条件,最后通过蒙特卡洛数值模拟验证所提出估计量的有限样本性质.     

误差为鞅差序列的非参数回归模型的完全相合性

在误差为鞅差序列的条件下,利用截尾方法及鞅差序列的指数不等式,研究了非参数回归模型P-C估计量的完全收敛性,且得到了完全收敛的收敛速度.     

协变量缺失情形下的逆概率加权众数回归估计

数据缺失在实际应用中普遍存在,数据缺失会降低研究效率,导致参数估计有偏.在协变量随机缺失(MAR)的假定下,本文基于众数回归和逆概率加权估计方法对线性模型进行参数估计.该方法结合参数Logistic回归和非参数Nadaraya-Watson估计两种倾向得分估计方法,分别构建IPWM-L估计量和IPWM-NW估计量.模拟研究和实例分析表明,众数回归模型比均值回归模型更具稳健性,逆概率加权众数(IPWM)估计方法在缺失数据下表现出了更好的拟合效果,与IPWM-L估计量相比, IPWM-NW估计量更稳健.     

一类非参数回归模型核估计的渐近性质

研究一类新的非参数回归模型回归函数的核估计问题,其中误差项为一阶非参数自回归方程.通过重复利用Watson-Nadaraya核估计方法,构造了回归函数及误差回归函数的估计量分别为m(.)和ρ(.),在适当的条件下,证明了估计量m(.)和ρ(.)的渐近正态性.     

基于网点观测的变量不全含误差的部分线性函数关系模型

对一类基于网点观测的部分线性变量含误差模型进行了研究,解释变量为(xτ,μτ,t)τ,其中x带有观测误差,而μ,t不含误差为真实值,文中用最小二乘原理给出了未知参数的估计,并利用一阶样条方法给出了未知函数的估计.在较弱的条件下证明了估计量的强相合性,给出了a.s.收敛速度.     

固定设计函数型非参数回归模型的估计

本文研究一类固定设计函数型非参数回归模型回归算予的估计问题,其中,解释变量X是取值于某函数空间的函数型变量,响应变量y为实值随机变量,在误差是一弱平稳线性过程及适当的条件下,获得未知回归函数算子估计量的相合性及其收敛速度和渐近正态性,推广了现有文献中的相关结果.     

测量误差数据下偏正态众数回归模型的参数估计

现有对回归模型的研究大多仅限于直接观测的解释变量,忽略数据的测量误差将增加模型参数的估计偏差.目前关于测量误差模型的研究主要集中在回归误差服从正态分布的假设,这种假设不适用于研究非对称的数据.对于偏斜数据,众数的代表性优于均值和中位数.本文基于测量误差数据介绍了偏正态众数回归模型,并通过EM算法估计了模型的参数.模拟研究的结果表明,协变量带测量误差下的众数回归比均值回归有更好的表现.通过实例分析进一步表明了所提出模型和方法的有效性.     

固定设计下半参数回归模型核估计的渐近性质

研究一类新的半参数回归模型回归函数的核估计问题,其中误差项为一阶非参数自回归过程.通过重复利用Watson-Nadaraya核估计方法,构造了回归函数及误差回归函数的估计量分别为β,g(·)和ρ(·),在适当的条件下,证明了估计量β,g(·)和ρ(·)的渐近正态性.     

基于局部多项式回归的模型校准抽样估计研究

在抽样估计中,当研究变量与辅助变量之间呈非线性关系时,传统的校准估计方法效果较差,基于非参数回归方法的模型校准估计量则可以很好地解决这一问题。首先,建立描述研究变量和辅助变量之间关系的超总体回归模型,使用非参数中的局部多项式方法得出模型参数的拟合值,并结合校准估计得出局部多项式模型校准估计量,同时给出其方差和方差估计量公式,证明了该估计量具有渐近无偏性、一致性和渐近正态性等优良的统计性质。然后,使用仿真模拟的方法证明在研究变量与研究变量之间呈非线性关系时,该估计量有良好的估计效果。最后,对该估计量在我国政府统计中的应用进行简单的介绍。     

部分线性自回归模型中回归函数的半参数估计（英文）

本文主要研究具有一阶自回归误差的三阶部分线性自回归模型中回归函数的半参数估计问题.假定回归函数来自某个参数分布族,利用条件最小二乘法得到参数估计量,再结合非参数核函数进行调整,给出回归函数的半参数估计量.并在一定条件下,证明了估计量具有相合性.最后,通过模拟研究验证了此方法的有效性.     

高维单指标门限回归模型的估计方法

本文考虑存在协变量阈值参数的高维单指标门限回归模型.本文提出基于l_1范数惩罚方法来估计回归系数和阈值参数,并且提出一种近端梯度算法来检测可能存在的变点.此外,在一定的稀疏条件下,本文得到回归系数估计量l_1范数下估计误差和预测误差的非渐近Oracle不等式.最后,通过数值模拟研究展示所提出方法的有限样本表现.     

核估计量、窗宽与置信带

本文对非参数回归曲线提出一种新的核估计量和窗宽选择方法及其修正偏倚置信带 .仅利用该回归曲线的估计量和选择数据的窗宽构造这些置信带 .证明了在大样本的意义下 ,这种修正偏倚置信带和Bonferroni型带具有渐近修正范围概率的性质 .并且通过MonteCarlo实验研究了它在小样本中的性质 .在模拟研究中已经证明 ,这种修正偏倚置信带方法是很有效的 ,即使在样本容量n=1 0 0的情况下 ,它也接近给定的范围概率 .     

半相依部分线性可加回归模型的统计推断

受实际问题研究的启发, 为减少模型偏差, 提出了一类半相依部分线性可加的半参数回归模型. 这类半相依模型中, 响应变量与 一部分解释变量之间的关系是线性的, 与另一部分解释变量之间的关系未知但具有可加结构, 各方程的误差之间是相关的. 将级 数逼近法、最小二乘法和同期相关的估计结合起来, 提出了用于估计模型参数分量的加权半参数最小二乘估计量(WSLSEs), 和用于估 计模型非参数分量的加权级数逼近估计量(WSEs). 证明了这些加权的估计量比相应的不加权的估计量渐近有效, 并导出了相应的渐近正态性. 另外, 还讨论了利用这些估计量的渐近性质来对模型的参数及非参数分量作统计推断. 用大量的模拟实验考察 了所提出的方法在有限样本情况下的表现, 并对美国的一个关于妇女工资问题的全国纵向调查(NLS)数据集进行了统计分析.     

基于协变量缺失的Horvitz-Thompson加权分位回归估计方法

含有协变量缺失的数据缺失问题是现代统计分析中的热点之一.当缺失数据中同时存在厚尾,偏斜和异方差问题时则更加难以处理.为此,本文提出一种逆概率加权分位回归估计来研究响应和协变量之间的关系.与经典估计方法相比具有明显优势,一方面,该估计量使用了所有可用的数据,并且允许缺失的协变量与响应高度相关;另一方面,该估计量在所有分位数水平上满足一致性和渐近正态性.通过模拟验证了该方法的在有限样本下的有效性,进一步将该方法推广到线性多元回归模型和非参数回归模型.     

基于网点观测的变量不全含误差的部分线性函数关系模型

对一类基于网点观测的部分线性变量含误差模型进行了研究,解释变量为(xτ,μτ,t)τ,其中x带有观测误差,而μ,t不含误差为真实值,文中用最小二乘原理给出了未知参数的估计,并利用一阶样条方法给出了未知函数的估计．在较弱的条件下证明了估计量的强相合性。给出了a．s．收敛速度．     

随机缺失相依函数型数据的非参数核回归估计

针对函数型非参数回归模型,基于相依数据场合,研究了模型中响应变量随机缺失的回归算子核估计问题.在一定的条件下,采用Kolmogorov熵得到了核估计量的几乎一致完全收敛速度.     

NSD误差下线性模型LAD估计的线性表示

考虑了NSD误差下的线性模型并建立回归参数LAD估计的线性表示.这些结果将独立误差的情形推广和改进到NSD误差的情形.作为一个应用,获得了LAD估计量的收敛率.     

缺失数据下基于众数回归的变系数部分非线性模型的估计

针对响应变量随机缺失的变系数部分非线性模型,提出了一种稳健的基于众数回归的估计方法.采取逆概率加权方法,利用QR正交分解技术,分别得到了未知参数和变系数函数的众数回归估计量.在一定条件下,证明了估计量的渐近性质.通过数值模拟和实际数据分析,说明了所提估计方法的有效性.     

空间非参回归的变量选择

空间变系数回归模型是空间线性回归模型的重要推广,在实际中有广泛的应用.然而,这个模型的变量选择问题还没有解决.本文通过一般的M型损失函数将均值回归、中位数回归、分位数回归和稳健均值回归纳入同一框架下,然后基于B样条近似,提出一个能够同时进行变量选择和函数系数估计的自适应组内(adaptive group)L_r(r≥1)范数惩罚的M型估计量.新方法有几个显著的特点:(1)对异常点和重尾分布稳健;(2)能够兼容异方差性,允许显著变量集合随所考虑的分位点不同而变化;(3)兼顾了估计量的有效性和稳健性.在较弱假设条件下,建立了变量选择的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.