基于部分充分降维方法的半参数多指标模型异方差检验

异方差检验是回归分析中的一类重要问题.本文针对半参数多指标模型提出具备模型自适应性的异方差检验统计量.本文所研究的半参数模型包括两类自变量,分别为主要兴趣变量X和次级兴趣变量W.一般情形下,自变量X的维数较高,经常导致非参数估计的准确性大大降低.而次级变量W的存在使得传统的充分降维方法不再适用.本文基于部分充分降维方法,构建具有维数约简特性的检验统计量,有效避免了中高维数变量带来的估计难题,同时该统计量能够自适应于潜在的真实模型结构,具备良好的稳健性.本文在理论上研究所提出的检验统计量在原假设和备择假设下的渐近性质,并通过模拟研究和实证案例分析检验方法在有限样本下的表现.     

分组数据分位数回归模型的变量选择和估计北大核心CSCD

本文主要研究分组数据分位数回归模型的变量选择和估计问题.为了充分反映数据的分组信息,需要假定每组数据的回归系数可以分解成共性部分和分组后的个性部分.为了进行变量筛选,本文提出分解系数的Lasso估计,并进一步提出了自适应Lasso估计.在处理相应优化问题时,采用了变换观测矩阵的方法简化问题求解.本文给出了自适应Lasso估计的Oracle性质证明,并且通过数值模拟研究展示了所提方法的有限样本表现.最后,将此方法应用到乳腺浸润癌致病基因的变量筛选上来展示所提方法的实际应用表现.     

纵向数据均值和协方差矩阵的有效稳健估计（英文）

本文提出一种针对纵向数据回归模型下的均值和协方差矩阵同时进行的有效稳健估计.基于对协方差矩阵的Cholesky分解和对模型的改写,我们提出一个加权最小二乘估计,其中权重是通过广义经验似然方法估计出来的.所提估计的有效性得益于经验似然方法的优势,稳健性则是通过限制残差平方和的上界来达到.模拟研究表明,和已有的针对纵向数据的稳健估计相比,所提估计具有更高的效率和可比的稳健性.最后,我们把所提估计方法用来分析一组实际数据.     

纵向数据的有效秩推断基于修正的Cholesky分解

本文基于修正的Cholesky分解提出新的方法估计纵向秩回归的组内协方差矩阵,进而提出新的无偏估计函数改善不平衡纵向数据的估计效率.在一些正则条件下,建立了所提估计的渐近正态性.进一步,提出稳健的秩得分检验统计量对回归系数做假设检验.模拟研究和实证分析表明所提方法能够获得高度有效的估计以及所提检验方法比存在的方法更好.     

核实数据下误差在反映变量的非线性半参数模型的降维估计

考虑响应变量带有一般测量误差的非线性半参数模型.在核实数据的帮助下,利用半参数降维技术构造未知参数和非参数函数的估计.在一定条件下证明未知参数估计的渐近正态性和非参数函数估计的最优收敛速度.通过数值模拟说明所提估计方法在有限样本下的有效性.     

部分线性单指标模型的复合分位数回归及变量选择

本文提出复合最小化平均分位数损失估计方法 (composite minimizing average check loss estimation,CMACLE)用于实现部分线性单指标模型(partial linear single-index models,PLSIM)的复合分位数回归(composite quantile regression,CQR).首先基于高维核函数构造参数部分的复合分位数回归意义下的相合估计,在此相合估计的基础上,通过采用指标核函数进一步得到参数和非参数函数的可达最优收敛速度的估计,并建立所得估计的渐近正态性,比较PLSIM的CQR估计和最小平均方差估计(MAVE)的相对渐近效率.进一步地,本文提出CQR框架下PLSIM的变量选择方法,证明所提变量选择方法的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,证实了所提方法的优良性.     

基于Mori-Zwanzig格式和偏最小二乘的非线性模型降阶

本征正交分解及Galerkin投影是解决复杂非线性系统模型降阶问题常用的方法.然而,该方法在构造降阶系统过程中只截取基函数的部分模态,这通常会使得降阶系统不准确.针对该问题,提出了对降阶系统误差进行快速校正的方法.首先应用Mori-Zwanzig格式对降阶系统的误差进行分析,理论上得到误差模型的形式和有效预测变量.再通过偏最小二乘方法构造预测变量和系统误差的多元回归模型,建立误差预测模型.将所构造的误差预测模型直接嵌入到原降阶系统,得到新的降阶系统在形式上等价于对原模型的右端采用Petrov-Galerkin投影.最后给出了新的降阶系统的误差估计.数值结果进一步说明了所提方法能有效地提高降阶系统的稳定性和准确性,且具有较高计算效率.     

一类广义齐次Moran集的Hausdorff维数

本文构造了一类具有类似高维Moran结构的集合,给出一些充分条件来计算其Hausdorff维数.     

二维指数信号模型中参数Bootstrap估计的强相合性

本文主要研究了在统计信号处理当中具有广泛应用的二维带白噪声指数信号模型中参数估计的Bootstrap逼近, 借助于回归模型中Bootstrap逼近的构造方法, 给出了二维指数信号模型参数的自助估计, 并证明了自助估计具有强相合性. 最后采用了Monte-Carlo法对所提的方法进行随机模拟, 模拟的结果表明当噪声不服从正态分布时, Bootstrap方法的估计效果优于最小二乘估计.     

在不确定观测下离散状态时滞系统的最优滤波

研究了在不确定观测下离散状态时滞系统的最优滤波问题,观测值的不确定性则通过一个满足Bernoulli分布且统计特性已知的随机变量来描述. 一般采用状态增广方法将时滞系统转换为无时滞随机系统, 再利用Kalman滤波器的设计方法解决最优状态估计问题, 但是当系统时滞较大时,转换后的系统状态维数很高, 这样增加了计算负担. 为此,基于最小方差估计准则, 利用射影性质和递归射影公式得到了一个新的滤波器设计方法, 而且保证了滤波器的维数与原系统相同.最后, 给出一个仿真例子说明所提方法的有效性.     

二维非稳态对流扩散边界控制问题的简化算法

针对二维非稳态对流扩散边界控制问题计算量大的问题,提出了基于降阶模型的最优实时控制方法.利用POD(the Proper Orthogonal Decomposition)和奇异值分解以及Galerkin投影方法得到了具有高精度离散形式的状态空间降阶模型.在所得的降阶状态空间模型中,利用离散时间线性二次调节器方法设计出了最优控制器.对流-扩散过程的控制模拟结果说明了所提方法的有效性和准确性.     

片逆回归的样条逼近

在研究非参数回归问题时, 降维技术是很有帮助并常常很有必要的. 在此领域, 切片逆回归(SIR)方法对于估计中心降维(CDR)子空间是很有效的. 本文提出了用最小二乘回归样条来估计SIR的核矩阵. 通过引入适当的权函数, 上述样条逼近法也能很好地用来处理异方差问题. 对于样条节点的选择在一个很大范围内, 本文证明了样条逼近方法的渐近正态性. 本质上, 这与用核光滑的结果有点类似. 此外, 本文基于SIR矩阵的特征值提出了一种修正型的BIC准则. 对于SIR和其他类似的降维方法, 这种修正型的BIC准则都可以用来决定结构维数. 通过一个实际例子说明了上述方法的实用性, 并给出了样条逼近法和其他现有方法之间的模拟比较结果.     

可压缩流动的Fourier谱-有限元解法

本文考虑n维(n=2,3)可压缩流动的带有单向周期边值条件问题的数值解.我们在周期方向采用Fourier谱方法,在非周期方向采用有限元方法,从而构造了一类谱-有限元格式.文中严格分析了计算误差,得到了收敛阶的估计.     

基于随机矩阵理论决定多元GARCH模型最佳维度研究

基于随机矩阵理论(RMT)的降维技术能够通过去除噪声和只保留有用“信息”,而对相关矩阵估计中用来描述相关的主成分或因子的最佳使用数量做出确定.本文认为利用RMT对相关矩阵估计的降维操作来实现RMT对多元GARCH模型的有效降维是可能的.为说明基于RMT的降维技术用于多元GARCH模型的有效性,本文建立了两类将基于RMT的相关矩阵估计和波动率结合在一起的多元GARCH模型:滑动相关多元GARCH模型(SC-GARCH模型)和改进的O-GARCH模型(IO-GARCH模型).理论分析表明,这两类模型具有降维的相关结构,易于估计,并且利用RMT能确定出它们的理论最佳维度.实证研究中,本文建立了上海证券市场100只股票收益率的两类多元GARCH模型,并在马克维茨证券组合理论的框架下,考察了它们的协方差矩阵预测效果.结果表明这两类模型的预测效果很好.通过两类模型各个维度预测效果的比较可以看出.RMT能够为多元GARCH的降维提供有效的依据并且较准确地确定多元GARCH模型的最佳维度.理论和实证分析结果表明,基于RMT的降维技术是解决多元GARCH模型“维数灾祸”问题的有效手段.     

竞争风险数据和协变量相依权重下可加可乘的子分布风险率模型

本文在竞争风险数据下提出一种灵活的含变系数的可加可乘的子分布风险率模型.通过对删失时间的风险函数建立Cox比例风险模型,得到调整后的与协变量相依的权重,在新权重下建立估计方程来估计模型参数,并获得了估计的大样本性质,同时提出了模型中协变量的时变效应的检验方法.通过数值模拟验证了所提方法的有限样本性质,结果表明所提方法可以大大降低估计偏差.最后,分析了一组淋巴滤泡细胞的竞争风险数据集来展示所提方法的实际应用效果.     

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.     

网络结构数据空间回归模型的平均估计

采用空间误差模型对数据的网络结构关系进行刻画,考虑了空间误差模型的S-AIC和S-BIC模型平均估计方法,证明了S-AIC和S-BIC估计的相合性和渐近正态性.通过蒙特卡洛模拟试验,研究了所提估计的有限样本性质,模拟结果显示,S-AIC和S-BIC模型平均估计表现优于AIC和BIC模型选择估计.利用文章所提方法,对QQ用户数据进行实证分析,说明了所提方法在实际问题中的应用价值.     

基于高频数据的GARCH模型拟极大指数似然估计

基于拟极大指数似然方法,本文研究了利用日内高频数据来估计日频GARCH模型的参数.已有的相关研究均假定GARCH方程中常数项是给定的,限制了方法的广泛应用.本文基于常规的GARCH(1,1)模型框架,针对模型全部参数给出了两步估计方法,讨论了估计量的理论性质.针对不同的波动率替代,文章也给出了最优波动率替代选择标准.模拟研究和实证研究表明所提估计方法有很好的表现和一定的应用价值.     

带跳单指标模型的半参数跳点检测估计

单指标模型是统计学中常用的维数约减模型.在实际应用中,连接函数可能有奇异点,包括某些未知位置上有跳点和某些相关过程的结构变点.检测这些奇异点对于系数估计和了解结构改变非常重要.本文基于精细最小平均条件方差估计和函数二阶导数的零穿越性质,提出一个跳点检测方法,然后利用检测出的跳点给出参数向量和连接函数的半参数跳点检测估计量,并讨论程序参数的选择.在较弱的假设条件下,本文建立跳点检测程序和所提估计量的大样本性质.数值模拟和实例分析验证了所提方法在有限样本下的表现.     

增维非光滑估计方程的刀切经验似然方法

本文考虑具有非光滑U-统计量结构的估计方程中增维参数的估计问题,这一情形下,本文利用刀切经验似然方法对参数进行统计推断,并在一定正则条件下,证明所构造刀切似然统计量的渐近性质.最后,通过Monte Carlo数值模拟和实际数据分析,说明本文所提方法的优势.