加速失效时间模型下现状数据的Jackknife模型平均

文章研究了响应变量为现状数据的情况下,加速失效时间模型的Jackknife模型平均方法.首先对数据进行合理的无偏变换,进而得到回归参数的最小二乘估计.然后引入删一交叉验证准则来选取候选模型的权重,并在一定正则性条件下,建立对应模型平均估计量的渐近最优性.此外,数值模拟表明,与现有的其他模型平均和模型选择方法相比,本文所提出的方法在预测上表现更佳.最后将所提方法应用于尼日利亚儿童死亡率的数据进行实证研究,进一步验证了所提方法的优良性质.     

部分函数线性模型的模型平均方法

部分函数线性模型是一种被广泛研究和应用的模型,其响应变量与一般的随机变量有关,也与函数型的随机变量有关.文章首先利用传统的谱分解方法来表示协方差函数,将部分函数线性模型的函数部分线性化,其次基于Hansen (2007)的Mallows模型平均方法,提出了该模型下的最优权重的选择准则,并证明了模型平均估计量的渐近最优性,此外还考虑了候选模型为两个特殊模型的情况下的模型平均估计量的渐近最优性.最后,进行了模拟研究,并对肉类和玉米样本的近红外反射光谱数据集进行分析,均表明所提出的模型平均方法是有效的.     

高维纵向数据的模型平均估计

高维数据的模型选择是当今统计学研究的一个热点问题,但关于高维纵向数据方面的模型平均却少见研究,文章提出了一种利用删组交叉验证准则对高维纵向数据进行模型平均估计的方法,在最小化预测残差意义下,以删组交叉验证为准则,证明了其渐近最优性,并通过模拟研究表明,该模型平均方法在估计效果上要优于其它一些传统的模型选择和平均方法.     

线性回归模型基于Mallows准则的NG估计量的渐近最优性

Xiong(2010)提出了线性回归模型基于Mallows准则的NG(nonnegative garrote)估计量,但对该估计量的合理性尚未给出理论上的证明.文章借鉴模型平均估计的渐近最优的思想,分别构建了在方差已知与方差未知情形下的基于Mallows准则的NG估计量的渐近最优的定理,并给出了相应的证明,为Xiong(2010)提出的方法提供了理论支持.     

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.     

岭回归中基于广义交叉核实法的最优模型平均估计

岭回归是一种常用的用于克服多重共线性的压缩估计方法.文章在存在异方差的背景下,考察了组合不同岭参数下岭估计量的模型平均方法,并在广义交叉核实法的框架下构造了相应的权重选择准则.当拟合模型的设定存在偏误时,证明了基于广义交叉核实法的模型平均法可以给出渐近最优的预测.此外,使用蒙特卡洛模拟考察了所提出的模型平均方法在有限样本下的有效性.最终,使用所提出的方法对一组乙炔反应工艺的数据进行了分析,所得到的结论进一步表明,模型平均法在实际数据分析工作中具有较高应用价值.     

高维回归模型的Fiducial变量选择

本文提出一种基于Fiducial推断的模型不确定度量,给出基于Fiducial边际似然的高维线性回归变量选择方法改进ε-容许集(ε-admissible set, EAS)方法.在传统的稀疏性假设下,本文证明该方法所选择的最优模型具有相合性.此外,本文还建议使用一种快速的算法来挑选阈值参数.本文通过模拟研究验证了所提出方法的优越性,并使用所提出的方法分析了一个真实数据案例.     

大规模数据下子抽样模型平均估计理论

随着信息时代的来临,如何从海量数据中快速、有效地挖掘有用信息是目前面临的新挑战.子抽样方法作为大规模数据分析的有效工具,已经受到国内外学者的广泛关注.不过,传统的子抽样方法通常没有考虑到模型的不确定性.当模型假设不正确时,后面的统计推断将会出现偏差,甚至导致错误的结论.为了解决该问题,文章利用频率模型平均的方法构建了子抽样模型平均估计(简称SSMA估计).理论上,文章证明了SSMA估计是全部数据下模型平均估计的一个渐近无偏且相合的估计.另外,我们基于Hansen (2007)的Mallows模型平均方法提出了SSMA估计的权重选择准则,并证明了方差已知和未知时权重估计的渐近最优性.在这些理论性质的研究中,文章同时考虑了模型和抽样设计带来的双重随机性.最后,数值分析进一步说明了所提出方法的有效性.     

基于最小二乘近似的模型平均方法

本文提出基于最小二乘近似的模型平均方法.该方法可用于线性模型、广义线性模型和分位数回归等各种常用模型.特别地,经典的Mallows模型平均方法是该方法的特例.现存的模型平均文献中,渐近分布的证明一般需要局部误设定假设,所得的极限分布的形式也比较复杂.本文将在不使用局部误设定假设的情形下证明该方法的渐近正态性.另外,本文...     

基于贝叶斯法则的空间自相关误差自相关模型变量选择研究

本文将研究贝叶斯法则视角下的空间自相关误差自相关模型(Spatial Autoregressive Model with Autoregressive Disturbances,SARAR模型)变量选择问题。通过将基于BIC准则的子集选择法推广到空间模型,实现SARAR模型的变量选择,并证明在一定条件下,对于SARAR模型的变量选择BIC准则具有良好的渐近性质。同时本文还将利用Monte Carlo模拟验证BIC准则能够很好的实现SARAR模型的变量选择。最后以股票收益率为例,在验证股票收益率具有空间效应的前提下,利用BIC准则对影响股票收益率的众多财务指标进行变量选择。     

对部分线性模型用惩罚最小二乘估计时最优光滑化的注记

部分线性模型也就是响应变量关于一个或者多个协变量是线性的, 但对于其他的协变量是非线性的关系\bd 对于部分线性模型中的参数和非参数部分的估计方法, 惩罚最小二乘估计是重要的估计方法之一\bd 对于这种估计方法, 广义交叉验证法提供了一种确定光滑参数的方法\bd 但是, 在部分线性模型中, 用广义交叉验证法确定光滑参数的最优性还没有被证明\bd 本文证明了利用惩罚最小二乘估计对于部分线性模型估计时, 用广义交叉验证法选择光滑参数的最优性\bd 通过模拟验证了本文中所提出的用广义交叉验证法选择光滑参数具有很好的效果, 同时, 本文在模拟部分比较了广义交叉验证和最小二乘交叉验证的优劣.     

协变量缺失下部分线性模型的模型选择和模型平均

本文研究了协变量随机缺失下部分线性模型的模型选择和模型平均问题.首先利用逆概率加权方法得出了线性回归系数和非参数函数的估计,并在局部误设定框架下证明了线性回归系数估计量的渐近正态性.然后构造了兴趣参数的兴趣信息准则和频数模型平均估计量,并根据该模型平均估计量构造了一个覆盖真实参数的概率趋于预定水平的置信区间.模拟研究和实例分析分别说明了本方法的优越性和实用性.     

基于Spatial AIC准则的空间自回归模型变量选择研究

变量选择直接决定着空间计量经济模型的有效程度与实证研究结果。为有效解决空间自回归模型(即SAR模型)的变量选择问题,本文利用Kullback-Laible信息量最大化,把AIC准则运用到SAR模型构建,推导出Spatial AIC统计量,提出Spatial AIC准则。然后利用统计理论证明Spatial AIC准则选择SAR模型变量的渐近最优性;利用蒙特卡洛模拟方法,比较Spatial AIC准则、经典AIC准则和Lasso方法用于SAR模型变量选择的有限大样本性质;利用空间相关的沪深300成分股股票收益率数据,采用Spatial AIC准则和Lasso方法,分别构建股票收益率财务因素的空间自相关模型,实证比较其相对有效性。三种结果均表明Spatial AIC准则能够更好地解决SAR模型变量选择问题。     

基于模糊证据推理及改进TOPSIS的多属性群决策方法

针对不同识别框架多属性群决策问题属性准则度量的不确定性、随机性,定义基于梯形模糊数表征的属性准则评价等级相似度量,求解专家决策权重的最优解。对公共识别框架备选方案属性准则采用模糊证据推理过程综合专家评价等级置信度信息;利用可严格区分属性准则评价等级的相似度量,改进TOPSIS方法中备选方案属性准则评价等级置信度距离因子,获取备选方案逼近正负理想解的贴近度。实例分析以某通信企业电信产品市场竞争力评估为例,说明基于模糊证据推理、改进TOPSIS的多属性群决策问题求解过程,从属性准则专家模糊评价等级置信度集中获取直观的待评估产品市场竞争力排序结果,验证该方法解决此类决策问题的可行性与有效性。     

基于Kolmogorov-Smirnov(KS)统计量的信用评分模型选择方法

信用评分系统在商业,金融,工程和健康等许多领域具有重要意义。Kolmogorov-S mirnov(KS)统计量是一种常用的评估信用评分模型的指标,Directly Maximizes the KolmogorovSmirnov (DMKS)是一种首次将KS统计量作为目标函数进行优化的信用评分方法。本文提出了一种基于DMKS信用评分方法以及交叉验证的模型选择方法,用于选择具有合适特征的信用评分模型,并且证明了该模型选择方法在理论上具有渐近最优性。本文使用Iterative Marginal Optimization (IMO)算法加速了模型选择准则的计算,使得本文所提模型选择方法可以适用于样本量较大的情形;同时利用前向变量选择方法的思想进一步地减少了本文所提模型选择方法的计算,从而加快了选取具有合适特征的信用评分模型的速度。模拟数据和实际数据分析表明了所提模型选择方法的有效性。     

部分线性模型下Adaptive Dantzig Selector方法的渐近正态性

变量选择是处理超高维数据过程中重要的部分.本文提出部分线性模型下ADS(Adaptive Dantzig Selector)方法,并证明其渐近正态性.通过数值模拟以及大众点评网数据,验证此方法的可行性以及高精准性.     

异方差线性测量误差模型的平均估计

频率模型平均估计近年来受到较多关注,但目前文献对有测量误差数据的模型平均估计方法研究较少.文章考虑异方差线性测量误差模型平均估计方法,基于Mallows权重选择准则提出了新的模型平均估计,并在理论上证明了其渐近最优性.模拟结果表明,新方法相较于一些常用的模型平均(如SAIC,SBIC)与模型选择方法(如AIC,BIC)具有较大优势.     

具有自相关误差结构的面板数据部分线性单指标模型的统计推断

部分线性单指标模型是在科学研究中具有广泛应用的经典半参数模型之一.本文主要研究具有自相关误差结构的面板数据的部分线性单指标模型的统计推断问题.通过结合局部多项式和纠偏广义估计方程方法,本文提出模型参数的可行加权广义估计(feasible weighted generalized estimating equation estimation, GEE-FW),证明该估计具有相合性和渐近正态性,并且在渐近方差意义下阐明该估计比工作独立的广义估计(generalized estimating equation estimation based on working independence,GEE-WI)更加有效.此外,本文对模型中未知连接函数提出两阶段局部线性估计(two step local linear generalized estimating equation estimation, GEE-TS),建立该估计的渐近性质.数值模拟研究和实际数据分析都表明了本文所提出的方法是有效的,在理论和应用方面均具有良好的表现.     

面板数据分位回归中适应性LASSO调节参数的选择

在带有罚函数的变量选择中,调节参数的选择是一个关键性问题,但遗憾的是,在大多数文献中,调节参数选择的方法较为模糊,多凭经验,缺乏系统的理论方法.本文基于含随机效应的面板数据模型,提出分位回归中适应性LASSO调节参数的选择标准惩罚交叉验证准则(PCV),并讨论比较了该准则与其他选择调节参数的准则的效果.通过对不同分位点进行模拟,我们发现当残差E来自尖峰分布和厚尾分布时,该准则能更好地估计模型参数,尤其对于高分位点和低分位点而言.选取其他分位点时,PCV的效果虽稍逊色于Schwarz信息准则,但明显优于A1kaike 信息准则和交叉验证准则.且在选择变量的准确性方面,该准则比Schwarz信息准则、Akaike信息准则等更加有效.文章最后对我国各地区多个宏观经济指标的面板数据进行建模分析,展示了惩罚交叉验证准则的性能,得到了在不同分位点处宏观经济指标之间的回归关系.     

联合广义线性模型中的变量选择

在联合广义线性模型中,均值和散度参数都被赋予了广义线性模型的结构,本文主要考虑该模型的变量选择问题. 文章利用扩展拟似然函数,提出了一个适用于联合广义线性模型的新的变量选择准则(EAIC),该准则是Akaike信息准则的推广.论文通过模拟研究和一个实例分析验证了该准则的效果.