纵向数据半参数回归模型的估计方法

本文考虑纵向数据半参数回归模型,通过考虑纵向数据的协方差结构,基于Profile最小二乘法和局部线性拟合的方法建立了模型中参数分量、回归函数和误差方差的估计量,来提高估计的有效性,在适当条件下给出了这些估计量的相合性.并通过模拟研究将该方法与最小二乘局部线性拟合估计方法进行了比较,表明了Profile最小二乘局部线性拟合方法在有限样本情况下具有良好的性质.     

非参数局部多项式回归估计的最优子抽样算法

随着科学技术的发展,虽然人们提高了收集和处理数据的能力,但仍存在一些大数据集超出了现有计算机的计算能力.目前,抽取一部分样本来替代全样本进行建模计算是减轻计算负担的一种方法.大数据背景下线性模型的子抽样方法已经得到了相对成熟的研究,在减轻计算量方面获得了很大的优势.文章将线性模型下的子抽样方法推广到非参数回归模型,并推...     

缺失数据下双重广义线性模型的经验似然推断

本文基于截面经验似然的方法,在响应变量随机缺失时,将双重广义线性模型的拟似然估计方程作为截面经验似然比函数的约束条件,构造了均值模型和散度模型未知参数的置信区间.数据模拟中,在完全数据集,逆概率加权填补所得的数据集和未加权填补所得的数据集三种情形下,将经验似然方法与正态逼近方法相比较.结果表明在双重广义线性模型中,逆概率加权这一填补方法和经验似然方法是有效和可行的.     

约束条件下线性模型协方差阵扰动的影响分析

该文研究了协方差阵扰动和数据删除对最佳线性无偏估计(BLUE)的影响问题, 给出了在约束条件下一般线性模型与在约束条件下Gauss-Markov模型及在约束条件下数据删除模型中回归参数β的BLUE之间的关系式. 作者还定义了度量影响大小的广义Cook距离D_V并给出了D_V的两个计算公式.     

海量数据下模型平均的分治算法

随着数据收集技术在近年来的飞速发展,传统的统计方法都面临着"海量数据"的挑战.分治算法是应对海量数据的最有效方法之一:其基本思想是将整个数据集分成若干份较小的数据,在每份数据上单独拟合统计模型,然后将多个模型的结果进行整合从而得到最终的结果.模型平均是当代统计学和计量经济学研究的国际前沿方法,在经济、金融、生物、医学等方面有着广泛的应用.针对线性模型的MMA和JMA方法,以及广义线性模型的模型平均方法,文章分别提出了它们在海量数据下的分治算法,并通过模拟和实际数据分析来说明算法的有效性和实用性.     

缺失数据下线性模型中反映变量均值的经验似然置信区间

在协变量和反映变量都缺失下,构造了线性模型中反映变量均值的经验似然置信区间,数据模拟表明调整的经验似然置信区间有较好的覆盖率和精度,进一步完善了缺失数据下对线性模型的研究.     

响应变量缺失下部分线性EV模型的异方差检验

本文主要考虑响应变量缺失下部分线性EV模型的异方差检验问题.首先,利用完全观测到的数据对模型的未知参数和光滑函数进行估计,在此基础上利用回归借补的方法补齐缺失数据.然后,建立了对模型的随机误差进行异方差检验的经验似然比统计量,并证明该统计量渐近服从卡方分布.最后,通过数值模拟研究了检验在不同缺失概率下的有限样本性质,并在实例分析中利用部分线性EV模型对缺失数据进行了异方差检验.     

考虑空间效应的贝叶斯分层模型与索赔频率预测

在非寿险索赔频率预测中,使用最为广泛的是广义线性模型.但是,如果观察数据呈现出明显的零膨胀特征,或者包含空间协变量,或者某些协变量之间具有分层结构,则广义线性模型的拟合优度往往欠佳.在零膨胀分布假设下,建立了考虑空间效应的贝叶斯分层模型,并将其应用于索赔频率预测.在模型中,用惩罚样条函数描述连续型协变量的非线性效应,用高斯马尔科夫随机场描述相邻地区在索赔频率上的空间相依性,用随机截距项描述不同地区在索赔频率上的分层关系和差异性.实证研究结果表明,考虑空间效应的贝叶斯分层模型的拟合优度明显优于传统的广义线性模型.     

多指标可加模型及在医疗费用预测中的应用

对医疗费用的建模分析与合理预测是医疗保险费用厘定的基础与根本.医疗费用中的高维附加信息在长期预测中具有重要作用.然而,传统的统计建模方法不适用于处理高维纵向数据下的医疗费用.本文提出部分线性多指标可加模型,对具有高维特征的纵向医疗费用数据进行拟合与预测,并且使用两种不同的降维估计方法进行模型估计,并将该模型应用于一组含...     

带有不可忽略缺失数据的广义部分线性模型的贝叶斯分析

广义部分线性模型是广义线性模型和部分线性模型的推广,是一种应用广泛的半参数模型.本文讨论的是该模型在线性协变量和响应变量均存在非随机缺失数据情形下参数的Bayes估计和基于Bayes因子的模型选择问题,在分析过程中,采用了惩罚样条来估计模型中的非参数成分,并建立了Bayes层次模型;为了解决Gibbs抽样过程中因参数高度相关带来的混合性差以及因维数增加导致出现不稳定性的问题,引入了潜变量做为添加数据并应用了压缩Gibbs抽样方法,改进了收敛性;同时,为了避免计算多重积分,利用了M-H算法估计边缘密度函数后计算Bayes因子,为模型的选择比较提供了一种准则.最后,通过模拟和实例验证了所给方法的有效性.