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.     

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.     

删失指标随机缺失下回归函数的复合分位数回归估计

在非参数回归模型中,传统的Nadaraya-Watson核估计和局部多项式估计常常因为误差为重尾情况而变得不稳健,Kai等人(2010)提出的复合分位数回归方法能弥补这一缺陷.文章在删失指标随机缺失的情况下,研究了误差具有异方差结构的非参数删失回归模型,利用局部多项式方法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,把Kai等人(2010)的结果推广到删失指标随机缺失的右删失数据下.最后通过模拟发现,尤其是当误差为重尾分布时,该估计方法比Wang和Zheng (2014)提出的核估计方法更好.     

基于copula函数的纵向数据复合分位数回归及变量选择

复合分位数回归(composite quantile regression)具有稳健性好和估计效率高的优势,所以其经常被用来替代均值回归.众所周知,纵向数据具有组内相关的特点,如果估计过程中能正确地利用组内相关性,则可以显著地提高估计效率.因此,探讨纵向数据复合分位数回归中如何使用相关性是一个有意义的问题.本文首先利用copula函数方法构建纵向数据复合分位数回归的组内协方差矩阵,进而基于构建的协方差矩阵,提出一个无偏且有效的基于copula函数的复合分位数回归估计方程;进一步,为了进行变量选择,利用基于copula函数的估计方程,提出一个光滑门限(smooth-threshold)的复合分位数回归估计方程方法.本文提出的方法具有很高的灵活性,而且提高了估计的效率.理论结果以及数值模拟和实际数据分析都验证了本文的方法.     

基于协变量缺失的Horvitz-Thompson加权分位回归估计方法

含有协变量缺失的数据缺失问题是现代统计分析中的热点之一.当缺失数据中同时存在厚尾,偏斜和异方差问题时则更加难以处理.为此,本文提出一种逆概率加权分位回归估计来研究响应和协变量之间的关系.与经典估计方法相比具有明显优势,一方面,该估计量使用了所有可用的数据,并且允许缺失的协变量与响应高度相关;另一方面,该估计量在所有分位数水平上满足一致性和渐近正态性.通过模拟验证了该方法的在有限样本下的有效性,进一步将该方法推广到线性多元回归模型和非参数回归模型.     

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.     

基于最小化复合分位损失函数的尺度参数估计和异质性检验

在进行回归分析时,对误差项离散程度的度量是一个重要话题.文章利用最小化复合分位损失的方法,对误差项的尺度参数进行估计,并证明估计量的大样本性质.进一步的研究表明:通过选取合适的分位数,能得到尺度参数的最优估计,并以此进行异质性检验.模拟结果表明,在重尾条件下所提出的方法有更高的精度.实际数据应用体现了该方法的良好性能.     

带相依辅助信息的分位数自回归模型的经验似然估计

分位数自回归模型作为一类常用的变系数时间序列模型,在理论研究和实际问题中都有广泛的应用.考虑到这类模型具有自回归的结构属性,数据采集过程中产生的额外信息,以相依辅助信息函数的形式被引入到模型系数的估计中来.该文应用经验似然方法得到了模型系数的估计量,得到了模型系数的估计量,并论证了其渐近正态性.基于渐近正态性的理论结果,进一步讨论了模型系数线性约束性问题的Wald检验统计量的渐近性质.数值模拟和实例数据分析的结果均表明,利用经验似然估计处理带相依辅助信息函数的方法较传统的分位数回归估计更有效.因而,一般常系数线性分位数回归模型在独立假设下的结果,被推广至具有相依结构的一类变系数模型中去.     

利用完全辅助信息的模型校正信息论方法 (英)

本文我们提出了使用调查数据中完全辅助信息的模型校正K-L相对熵最小化方法．在估计有限总体均值时我们的估计渐近等价于MC估计(Wu and Sitter(2001))．我们方法一个有吸引力的优点是,导出的权具有特征:pi>0和■pi=0 ．这使得可把此方法应用于估计分布函数和分位数．导出的分布函数估计量FMKL(y)渐近等价于广义回归估计,且本身是一分函数布．     

固定效应面板数据的无条件分位数回归方法及其应用

针对含固定效应的面板数据,讨论一般化的无条件分位数回归建模问题。基于两个矩条件,得到面板数据无条件分位数回归的点估计,并通过Bootstrap重抽样技术进一步给出置信区间估计办法。其次,通过计算机蒙特卡洛模拟,详细比较无条件分位数回归估计与条件分位数回归估计的效果。研究结果表明,在数据量、误差项分布、估计参数真实值的不同情况下,UQR的估计偏差和均方根误差都很小,UQR是含固定效应面板数据的有效估计办法。当样本量增加或者估计参数真实值数量级增大的情况下,UQR估计会更有效。UQR估计在0.5分位点的估计效果最佳,低分位点的估计效果优于高分位点的估计效果。最后,根据各省市的消费收入数据进行了实证研究,发现UQR能更好地解释实际的消费情况。     

部分线性变系数模型的新复合分位数回归估计

针对部分线性变系数模型的参数估计问题,提出了一种新复合分位数回归估计方法.利用复合分位数回归法估计参数部分,局部非线性复合分位数回归法估计变系数函数部分,并在若干正则条件下,证明了常系数和变系数函数估计量具有较好的渐近正态性质.通过随机模拟和实例分析,验证了所提估计方法在有限样本下的良好表现,有效的证明了所提方法的优越...     

固定效应面板数据部分线性模型的加权截面LSDV估计(英文)

本文考虑误差为自回归过程的固定效应面板数据部分线性回归模型的估计.对于固定效应短时间序列面板数据,通常使用的自回归误差结构拟合方法不能得到一个一致的自回归系数估计量.因此本文提出一个替代估计并证明所提出的自回归系数估计是一致的,且该方法在任何阶的自回归误差下都是可行的.进一步,通过结合B样条近似,截面最小二乘虚拟变量(LSDV)技术和自回归误差结构的一致估计,本文使用加权截面LSDV估计参数部分和加权B样条(BS)估计非参数部分,所得到的加权截面LSDV估计量被证明是渐近正态的,且比可忽略误差的自回归结构模型更渐近有效.另外,加权BS估计量被推导出具有渐近偏差和渐近正态性.模拟研究和实际例子相应地说明了所估计程序的有限样本性.     

面板数据分位数回归模型求解的模式搜索法

本文应用最优化理论,对固定效应的面板数据分位数回归模型,提出一种模式搜索方法,此方法可以同时估计出所有分位点处的解释变量系数和所有个体的固定效应值。进一步利用蒙特卡洛模拟比较现有文献中涉及的面板数据分位数回归方法,结果显示无论误差项是否满足经典假设,模式搜索分位数回归法较之其他分位数回归估计方法更为有效.     

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.     

含测量误差的复合分位数回归的SIMEX估计

考虑含测量误差的线性回归模型,采用模拟外推(SIMEX)方法并结合复合分位数回归构造了回归系数的估计.所得回归系数估计不仅消除了测量误差对估计造成的偏差,而且保留了复合分位数回归估计的优点.在一些正则条件下,证明了估计的渐近性质.模拟研究了所提出方法的有限样本性质,并进行了实例分析.     

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.     

中国对外贸易对经济增长的影响——基于改进的两阶段面板数据分位数回归

针对面板数据回归模型,本文结合复合分位数回归,提出了改进的两阶段分位数回归估计方法,所提出的估计不仅保留了分位数回归的优点,而且保留了变量的含义.进一步,采用所提出的方法分析了对外贸易对经济增长的影响.分析表明,对外贸易对经济增长具有正向影响,且在对外贸易开放度越高的地区,其对经济增长的影响越大。     

跳-扩散模型中时变参数的核函数加权估计

本文主要研究跳一扩散模型中时变参数的核函数加权估计。基于带复合Poisson跳的扩散模型的离散观测样本,首先得到了漂移参数的核函数加权最小二乘估计及其标准误差,然后利用分位回归方法得到了扩散参数的核函数加权分位回归估计,并证明了所求估计的相合性。最后通过模拟说明了估计量的有效性。     

模型辅助条件下广义最优回归抽样估计方法研究

在抽样估计中,当超总体模型为非线性形式时,广义回归估计量和最优估计量的估计效果均有待提高,而非参数回归估计量虽然能在一定程度上提高估计精度,但需要获得全部总体单位的辅助变量值,这在实际调查中往往难以满足。本文基于传统的广义回归估计量和最优估计量,借鉴非参数回归中局部多项式的估计思想,对原始辅助变量信息进行扩展,得到原始辅助变量多次方形式的新辅助变量,进而研究提出广义最优回归估计量。该估计量可以克服广义回归估计量、最优估计量和非参数回归估计量的缺陷,并证明其满足渐近无偏性和一致性。在不同超总体模型下,通过数值模拟方法比较了各类回归抽样估计方法的估计效果,模拟结果显示:在线性模型下,除了π估计量的精度较差,其余各类估计量的估计精度基本相同;但在非线性模型下,最优估计量和广义回归估计量的估计精度明显下降,而广义最优回归估计量和非参数的局部多项式回归估计量的估计精度都较好。     

核分位数估计及其应用

分位数估计在不同领域有大量的运用,例如水利研究中百年一遇的洪水、金融分析中的VaR.不过在实际应用中大多使用的是基于正态假设下的分位数估计,使得该方法在应用时存在模型设定错误的风险.为此介绍了稳健统计中非参数分位数估计方法,并介绍了核密度估计的步骤;然后以此为基础给出了核分位数估计,同时还通过重复抽样的方法比较了三种分位数估计效果和积累了使用经验;最后给出了一个金融数据的实例,并对核分位数估计结果和常用的正态假设下的分位数结果进行了比较,结果显示核分位数估计结果更加稳健.文中最后给出使用该方法的一些建议.