误差分布未知下时空模型的自适应非参数估计

极大似然估计作为参数估计中较为有效的一种估计方法,在误差分布未知下无法进行,另一方面,时空数据经常含有奇异点或来自重尾分布,此时基于最小二乘的估计方法效果欠佳.考虑时空异质性和相关性,针对误差分布未知的时空模型,本文提出基于核密度估计的自适应非参数估计方法.在较弱的条件下证明了该估计量和已知误差分布下的局部极大似然估计...     

带Gauss型误差的GMANOVA-MANOVA模型中未知参数的精确置信域

对于带Gauss型误差的GMANOVA-MANOVA模型,在均匀协方差结构下,求出了其中未知参数的极大似然估计及其均值和方差,并依据极大似然估计构造了未知参数的精确置信域.     

维数发散乘积回归模型的M估计

针对乘积回归模型,本文提出了非凹惩罚最小乘积相对误差的M估计(简称为惩罚MLPRE),该方法可有效处理高维样本量及参数维数随样本量增大而增大的稀疏乘积回归模型.基于一些正则条件,本文得到惩罚M-LPRE参数估计的相合性和渐近正态性等理论性质,通过数值模拟和实例分析,验证了惩罚M-LPRE准则的有效性.     

存在趋势和周期特征的非平稳时间序列的建模及其应用

本文研究存在未知周期和趋势的非平稳时间序列的估计问题.将经典的时间序列分解模型写成一个含有未知参数的部分线性模型,首先采用B-样条逼近未知时间趋势,然后利用惩罚最小二乘回归法得到未知周期、周期序列和趋势的估计.本文还给出估计量的理论性质,包括周期估计的相合性以及周期序列和趋势估计的渐近性质.模拟研究展现了本文方法的优越...     

上证股指极值模型估计和VaR计算

POT极值模型参数的准确估计是计算金融资产回报厚尾分布市场风险的关键.由n阶概率加权矩得到参数的二项式回归估计,而将参数的零,一阶概率加权矩估计予以推广.极大似然估计中.将极大化似然函转化为二元函数无条件极值问题·其他参数估计方法的结果作为迭代的初始值,通过它们的似然函数值和极大似然函数值的比较以及迭代次数判断方法的优劣.实证研究表明:参数的零、一阶概率加权矩估计较接近于真值,随着阶数的提高,二项式回归参数估计的误差很大.参数的极大似然估计优于非线性回归估计优于零、一阶概率加权矩估计.在此基础上计算上证A股指数vaR值.     

偏正态混合模型的惩罚极大似然估计

在分析具有异质性和非对称性数据时,偏正态混合模型提供一种比经典的Gauss混合模型更为灵活的建模方式.然而,由于无界的似然函数和发散的形状参数,该模型的极大似然估计并未被正确定义,进一步导致不理想的推断过程.为同时解决这两个问题,本文基于惩罚似然提出一种新的估计方案,并证明在混合分布的类别个数大于或等于真实的类别个数时,相应的惩罚极大似然估计是强相合的.同时,本文也提出相应的惩罚EM (expectation maximization)算法来计算惩罚估计.最后,通过模拟分析与现有方法比较研究估计方法在有限样本下的表现,并采用两个实例说明方法的有效性.     

线性模型参数向量的近似贝叶斯估计

用线性贝叶斯方法去同时估计线性模型中回归系数和误差方差,并在不知道先验分布具体形式的情况下,得到了线性贝叶斯估计的表达式.在均方误差矩阵准则下,证明了其优于最小二乘估计和极大似然估计.与利用MCMC算法得到的贝叶斯估计相比,线性贝叶斯估计具有显式表达式并且更方便使用.对于几种不同的先验分布,数值模拟结果表明线性贝叶斯估...     

线性结构方程参数估计的一种简单方法

利用极大似然法或者最小二乘法等对线性结构方程进行估计时,会受到一定的限制.针对这一弊端,本文提出利用偏最小二乘法的思想估计线性结构方程,并将它应用于顾客满意度模型中.实证分析表明了该方法的有效性.     

非参数异方差回归模型的局部多项式估计——基于农村居民消费与收入的实证分析

本文主要研究非参数异方差回归模型的局部多项式估计问题.首先利用局部线性逼近的技巧,得到了回归均值函数的局部极大似然估计.然后,考虑到回归方差函数的非负性,利用局部对数多项式拟合,得到了方差函数的局部多项式估计,保证了估计量的非负性,并证明了估计量的渐近性质.最后,通过对农村居民消费与收入的实证研究,说明了非参数异方差回归模型的局部多项式方法比普通最小二乘估计法的拟合效果更好,并且预测的精度更高.     

非正则位置参数模型中的拟极大似然估计

当分布密度的形式未知时，参数的极大似然估计没有明确的解析表达式，也不能通过设计算法由计算机运算得到。本文我们将从该分布中抽取的样本当作是来自另一个形式已知的分布密度的样本，该已知分布密度的选取依赖于未知的分布密度，但是具有与未知分布相似的边界性质。基于这两个分布族，我们提出了拟极大似然估计的概念，同时，对这种拟极大似然估计的渐近性质进行了讨论。结果表明拟极大拟然估计与极大似然估计有关相同的渐近性质，并且由于拟极大似然估计的获得不依赖于未知分布密度的形式，只与一已知的分布密度有关，使得通过计算机可以实现对其的求解。     

一个有效估计:半参数非时齐扩散模型的局部线性复合分位回归估计

主要研究半参数非时齐扩散模型的参数估计问题.基于非时齐扩散模型的离散观测样本,首先得到漂移参数的局部线性复合分位回归估计,并证明估计量的渐近偏差、渐近方差和渐近正态性.其次,讨论了带宽的选择和局部线性复合分位回归估计关于局部线性最小二乘估计的渐近相对效,所得到的局部估计较局部线性最小二乘估计更为有效.最后,通过模拟说明了局部线性复合分位回归估计比局部线性最小二乘估计的模拟效果更好.     

非线性回归模型的经验似然诊断

经验似然方法已经被广泛用于线性模型和广义线性模型.本文基于经验似然方法对非线性回归模型进行统计诊断.首先得到模型参数的极大经验似然估计;其次基于经验似然研究了三种不同的影响曲率度量;最后通过一个实际例子,说明了诊断方法的有效性.     

生长曲线模型的分位数回归

生长曲线模型有着广泛的应用, 在经济学、生物学、医学等各个领域的研究都起着重要的作用. 已有文献关于生长曲线模型参数矩阵的估计基本上是使用最小二乘方法或极大似然方法. 使用最小二乘方法, 当误差项服从偏峰分布、厚尾分布、或者存在异常点时, 得出的估计不是有效的; 使用极大似然方法, 要求分布已知, 实际使用时很难满足这一点. 分位数回归能弥补如上这些缺陷, 所得估计具有很好的稳健性. 本文使用分位数回归方法给出生长曲线模型参数矩阵的估计, 及其渐近正态性.     

中位数回归的贝叶斯变量选择方法

当数据呈现厚尾特征或含有异常值时,基于惩罚最小二乘或似然函数的传统变量选择方法往往表现不佳.本文基于中位数回归和贝叶斯推断方法,研究线性模型的贝叶斯变量选择问题.通过选取回归系数的Spike and Slab先验,利用贝叶斯模型选择理论提出了中位数回归的贝叶斯估计方法,并提出了有效的后验Gibbs抽样程序.大量数值模拟和波士顿房价数据分析充分说明了所提方法的有效性.     

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.     

稳健的惩罚经验似然方法及压缩估计

本文基于原有的经验似然函数,在经验似然的约束条件中的估计方程上加入Huber函数和权重函数,将经验似然方法和稳健估计方程相结合,再在目标函数中加上SCAD惩罚函数,提出一种稳健的变量选择和惩罚估计方法.通过数值模拟与最小二乘估计和普通的惩罚经验似然估计在变量选择和参数估计方面进行比较,显示本文所提出的基于惩罚稳健经验似然的压缩估计具有明显优势.     

广义线性度量误差模型

在线性度量误差模型中, 需要假设所有变量的观测值都含有未知度量误差\bd 因而 该模型不适用于一部分变量的观测值含有度量误差、而另一部分变量的观测值可精 确得到的情况\bd 为此, 本文提出了广义函数、结构和超结构关系线性度量误差模 型\bd 进一步, 这里还讨论了这些广义线性度量误差模型中参数的最小二乘和极大 似然估计方法, 给出了参数估计的表达式     

生长曲线模型中回归系数阵的极大似然估计的精确分布

对于生长曲线模型,基于理论发展和应用效果的考虑,本文引入了Gauss型误差．在此误差下,本文研究了模型中回归系数阵的极大似然估计的精确分布,求出了此分布的密度和特征函数．     

不等式约束条件下部分线性回归模型的参数估计

本文研究了不等式约束条件下部分线性回归模型的参数估计问题，利用最优化方法和贝叶斯方法，给出了不等式约束条件下部分线性回归模型的最小二乘核估计和最佳贝叶斯估计，并且证明了在一定条件下，带约束条件的最小二乘核估计在均方误差意义下要优于无约束条件的最小二乘核估计。     

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.