长度偏差右删失数据剩余寿命的分位数回归

本文研究长度偏差数据下剩余寿命分位数模型的估计方法,充分考虑有偏抽样机制对模型估计的影响.如果忽略这种有偏性会导致估计产生严重偏差甚至错误的结果.本文首先针对长度偏差右删失数据的剩余寿命分位数提出了对数形式的线性回归模型,对删失变量与协变量独立和不独立的两种情况利用估计方程给出了模型参数的估计.其次,通过经验过程和弱收敛理论给出了参数估计的相合性和渐近正态性.最后,本文对提出的估计方法进行了数值模拟并用该方法对奥斯卡奖数据进行分析.     

右删失左截断情形下分布函数的分位数估计

文中考虑了右删失左截断数据情形下分布函数的分位数估计，讨论了该估计的渐近性质并获得了它的强弱Ｂａｈａｄｕｒ类型的表示定理。利用此Ｂａｈａｄｕｒ表示定理很容易获得该分位数估计的渐近正态性及置信区间等结果。     

比例响应数据的分位数回归建模

由于比例响应数据具有有界性、偏态性和异方差性等特征,基于常规的回归建模方法往往不尽人如意。本文基于分位数方法研究比例响应数据的回归建模及其统计推断问题,重点研究了半连续型比例数据的分位数估计方法,并给出了估计的大样本性质。数值模拟研究和实例分析验证了所提方法的有效性。     

删失数据下回归函数的加权局部复合分位数 回归估计

在右删失数据下,研究了误差具有异方差结构的非参数回归模型,利用局部多项式方法构造了回归函数的加权局部复合分位数回归估计,并得到了该估计的渐近正态性结果,最后通过模拟,当误差为重尾分布时,该估计比局部多项式估计以及核估计表现得更好.     

长度偏差右删失数据下分位数回归的估计方程方法

本文首先建立左截断右删失数据下的一般分位数回归方法.当截断变量服从均匀分布时,左截断右删失数据变成长度偏差右删失数据.长度偏差数据因其特殊性,提供了更多的信息.当把适用于左截断右删失数据的一般方法用到长度偏差右删失数据时,得到的估计量并不有效,这是因为它们没有利用该数据的特殊结构.为了提高效率,本文提出复合估计方程方法来解决长度偏差右删失数据下的分位数回归问题,这种方法并不需要估计删失变量的分布.所提出的估计方程可以通过一个求L_1型凸函数最小值的简单算法来求解.本文用经验过程和随机积分的技巧建立了所提出估计量的一致相合性和弱收敛性.随机模拟验证了所提出方法在有限样本时的表现,并且给出了实例分析.     

基于删失数据的一般回归模型的参数估计

本文考虑基于删失数据的一般回归模型回归系数的方向估计，结合非参数回归和最小一乘方法构造了模型方向的估计，在较为一般的条件下证明了估计量的相合性．     

左截断右删失剩余寿命分位数的置信区间构造

在医学领域、可靠性分析和人寿保险市场中,剩余寿命是重要的研究范畴之一.因此,剩余寿命分位数区间的精确估计有着重要的意义.但是,在左截断和右删失同时存在的临床数据下,样本量通常很小,传统的置信区间构造方法多数不理想,而且涉及到的估计量方差的计算非常繁琐.为了避免上述困难,文章利用Jackknife-d方法构造了左截断右删失剩余寿命分位数的置信区间.同时,通过蒙特卡罗模拟和实例分析对Jackknife-d方法和传统的4种方法进行评价.模拟结果表明:小样本下,Jackknife-d方法得到的置信区间长度最短且覆盖率在大多数情况下都接近于名义水平,是剩余寿命分位数置信区间构造的一种很好的方法.     

基于神经网络分位数回归的多期CVaR风险测度

与VaR金融风险测度相比,CVaR具有更好的数理性质,其计算方法成为关注的焦点。相对于单期CVaR而言,多期CVaR风险测度具有较强的非线性特征,其建模过程更加复杂。在神经网络分位数回归基础上,建立了一种新的多期CVaR风险测度方法;基于似然比检验,建立了多期CVaR风险测度返回测试评价准则。将该新方法应用于沪深300指数的多期CVaR风险测度,并将其与传统的测度方法进行了对比,返回测试结果表明:第一,该新方法具有较强的稳健性,各期平均绝对误差大小基本不变,特别适合于多期CVaR风险测度;第二,基于神经网络分位数回归的多期CVaR风险测度效果优于传统测度方法,表现为似然比检验拒绝次数最少和平均绝对误差最小。     

长度偏差右删失数据下均值剩余寿命的复合估计

长度偏差右删失数据是一类复杂的数据,观察到的数据分布与总体分布有所改变且其删失是有信息删失,通常的统计分析方法并不能直接应用到长度偏差数据中.本文将在长度偏差右删失数据下研究均值剩余寿命函数,提出其非参数估计方法,在估计中通过加入长度偏差右删失数据辅助信息,即截断变量和进入试验后的剩余存活时间同分布的辅助信息来提高估计的效率.虽然极大似然方法是有效估计,但是其构造复杂且计算需要迭代来实现,计算量大.为此,本文考虑通过简单的加入辅助信息的方法来构造估计量,并给出估计量的相合性及渐近正态性.本文提出的加入辅助信息估计方法与以往类似方法相比具有较简单的显式表达式,计算方便.     

右删失长度偏差数据分位数差的非参数估计

利用长度偏差数据所特有的辅助信息,对带右删失的长度偏差数据的分位数差提出了一种新的非参数估计.该方法提高了估计的有效性,所得的估计量形式简洁,便于计算.同时,本文用经验过程理论建立了该分位数差估计的相合性及渐近正态性,并给出方差估计的重抽样方法.本文还通过数值模拟考察了该估计量在有限样本下的表现,并将其应用到一个关于老年痴呆的实际数据中.     

左截断右删失数据下百分剩余寿命函数的非参数估计

在左截断右删失数据的模型中，文章讨论３了可靠性中一类重要的α－百分剩余寿命函数的非参数估计，证明了该估计的强一致相合性并获得了该仗垢弱收敛性结果。     

左截断数据下非线性模型的加权分位数回归

左截断数据是一类具有特殊结构的缺失数据,当且仅当研究变量大于一定的阈值时才能取得观察值.本文针对左截断数据下的非线性回归模型,提出了加权分位数估计方法,利用加权方式处理左截断缺失数据,取得了与完整数据相近的估计结果.并在一定假设条件下,证明了所提估计方法的一致性和渐近正态性等大样本性质,最后通过数值模拟展现所提估计方法的有限样本表现.     

左删失右截断数据的分位数的固定宽度序贯置信区间估计

基于左截断右删失数据下的乘积限估计构造了分位数固定宽度序贯置信区间及其估计，研究了序贯置信区间估计的渐近性质。作为副产品，获得了分位数估计近邻点的Bahadur表示定理。这个表示定理是推导分位数固定宽度序贯置信区间估计渐近性质的重要基础。同时，在文中，进行了一些计算机模拟试验，证明了左截断右删失数据下分位数估计的序贯方法是效的和精确的。     

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.     

左截断数据下非参数回归模型的复合分位数回归估计

利用局部多项式方法研究了误差具有异方差结构的非参数回归模型,在左截断数据下构造了回归函数的复合分位数回归估计,并得到了该估计的渐近正态性结果,最后通过模拟,在服从一些非正态分布的误差下,得到该估计比局部线性估计更有效.     

右删失数据下分位数回归的光滑经验似然检验

关于线性分位数回归模型的参数检验问题,对完全观测数据,已有文献用经验似然(EL)法和光滑经验似然(SEL)法构造的检验统计量在原假设下均以卡方分布χ_M~2为渐近分布.对右删失数据,已有文献用EL法构造的检验统计量以加权卡方分布为渐近分布,而权重是待估的.对右删失数据,本文用EL法和SEL法构造的检验统计量在原假设下均依分布收敛到χ_M~2,因此无需估计权重.由于SEL法的估计函数是光滑的,故可以进行Bartlett纠偏.随机模拟结果表明与已有的方法相比,SEL法经过Bartlett纠偏后有更高的精度.     

基于分位数回归的国内黄金价格影响因素分析

利用分位数回归模型探讨了原油价格、道琼斯指数、美元汇率、上证指数和利率对国内黄金价格的影响.实证分析结果表明在不同分位数水平上各因素对黄金价格的影响不一样.分位数回归能够从历史数据中挖掘出更多的信息,更有利于投资者了解影响黄金价格波动的因素从而做出更好的决策.     

分层次人力资本与全要素生产率基于分位数回归的解析

首先在考虑到人力资本质量的基础上,利用1993-2008的我国30个地区面板数据基于Mamquist指数法测度了我国地区TFP值,然后运用分位数回归技术研究了异质性人力资本对TFP增长不同阶段的作用机制,回归结果表明非熟练劳动只在TFP增长的初级阶段产生正向显著的促进作用,当TFP增长到一定水平(80%分位数以上)抑制了TFP增长.熟练劳动资本从TFP增长的20%分位数处对发达地区产生显著正向拉动作用,而且这种作用一致增强,地区间技术差异从30%分位数处开始一致地对TFP增长产生显著正向推动用.     

长度偏差右删失数据下比例均值剩余寿命模型的估计方法

本文考虑了长度偏差右删失数据下均值剩余寿命模型的统计推断.当截断变量满足平稳性假设时,长度偏差右删失数据比左截断右删失数据具有更多的信息.为了提高参数估计的效率,我们在估计方程构造中添加了额外信息,通过组合方法获得了新的估计.模拟研究的结果也表明,组合估计方程的方法比仅考虑左截断右删失数据的方法更有效,结果表现更好.