变系数空间自相关模型的Bayesian-INLA估计

文章提出了一类变系数空间自相关模型(VCSAM)新的Bayesian-INLA估计方法.在这个模型中,响应变量具有空间自相关性,且包含变系数的非参数部分.尽管已有的工作对该模型已经进行了大量研究,但很少有研究使用贝叶斯方法提出高效求解模型的方法.因此基于上述动机,文章提出了基于B ayesian-INLA技术的方法,以寻求在VCSAM框架内代替MCMC方法的有效解决方案.变系数部分使用B-样条基函数的线性组合进行逼近,空间自相关系数采用M-H算法进行估计,并应用Bayesian-INLA技术来估计变系数函数和相关系数的后验分布.通过模拟研究,展示了文章提出的估计方法在同时处理空间依赖效应和空间非平稳性时的优势.此外,通过对波士顿房价数据的实证分析,展示了文章提出的估计方法优越的性能.     

固定效应变系数空间自回归面板数据模型的空间效应检验

本文研究固定效应变系数空间自回归面板数据模型的空间效应检验问题,利用基于局部线性方法的profile似然估计技术,构造了广义似然比检验统计量,并提出利用一类基于残差的bootstrap方法求取检验p值,最后数值模拟表明所提方法在有限样本下有较好表现.     

变系数广义线性模型的变系数与变离差估计

本文提出了变系数广义线性模型中变系数与变离差的局部加权极大似然估计,同时通过数值模拟来说明这种方法的可行性。.     

空间自相关地理加权回归模型的估计

地理加权回归作为一类能有效处理回归分析中空间非平稳性现象的建模技术,在多类问题的研究得到了广泛的应用.主要讨论这类空间计量经济学模型在空间自相关情形下的估计问题.首先,对于因变量含有空间滞后项的地理加权回归模型,分别给出了局部似然估计和两步估计两种方法.其次,考虑了误差空间自相关下地理加权回归模型的估计问题.     

基于空间自回归模型的缺失值插补方法

本文研究来自于区域的截面数据中缺失值的插补问题,讨论了当数据中存在空间相关时,空间自回归模型的建立以及利用其对缺失值进行插补的方法,并根据实际数据,通过建立模型给出插补结果。     

变系数广义线性模型及其估计

本文以经典广义线性模型为基础,通过假定其中的回归变量的系数是某一度量空间中点的任意函数,提出了一类有广泛应用背景的变系数广义线性模型,增加了模型的灵活性和适应性,同时也适用于空间数据的统计分析。基于局部加权最大似然估计方法,文章讨论了变系数广义线性模型的拟合与统计推断,以及与之相关的局部权系统和其中光滑参数的确定。     

ARMA模型变化点的极大似然估计

设W_1,…W_(n-1),W_n,…,W_m是对系统S的无间断等时间间隔的K维观测向量,样本W_1,…,W_(n-1)和样本W_n,…,W_m相互独立且分别来自两个不同的ARMA模型:     

基于部分线性变系数空间误差模型的网络结构缺失数据借补估计

文章采用空间误差模型刻画个体之间的网络结构关系,讨论响应变量随机缺失时部分线性变系数空间误差模型的估计和借补问题.首先,利用矩阵分块和截面似然技术构建了参数估计量,并证明了参数估计量的渐近分布和未知系数函数估计量的收敛速度.其次基于部分线性变系数模型,提出了带有空间网络结构的缺失数据的借补方法.最后,通过蒙特卡洛模拟研究了估计量的有限样本性质,并将该方法应用于QQ数据集分析.     

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。     

再论ARMA模型参数极大似然估计的收敛速度

本文给出了ＡＲＭＡ模型参数的极大似然估计和最小平方和估计的强收敛速度。     

多项Probit模型参数的极大似然估计

本文考虑多项probit模型中参数的极大似然估计(MLE)的存在性.在协方差阵已知和均匀结构两种情况下,给出MLE存在的充要条件.     

长记忆ARFIMA-GARCH模型的状态空间模型估计

本文考虑了ARFIMA-GARCH类模型的状态空间表示.ARFIMA-GARCH这类模型结合了长记忆时间序列和条件异方差过程.虽然ARFIMA-GARCH模型的状态空间表示是无穷维的,但是基于这种表示法的精确极大似然估计可以在样本长度的迭代计算中得到.本文提出了基于模型的截断的自回归展开式的似然函数近似估计,进而得到了...     

误差相关的半变系数模型的估计

本文在误差相关的情况下, 研究半变系数模型的估计, 通过改进PLS估计, 给出了函数系数和常数系数的估计, 证明了估计的渐近正态性; 最后, 模拟研究说明了所提方法的有效性.     

响应变量随机缺失下的广义变系数模型的估计

在响应变量随机缺失时,利用拟似然方法给出了广义变系数模型中非参数函数系数的估计.研究了所得到的估计的渐近性质,求出了估计的渐近偏差与渐近方差,并进行模拟比较.     

非线性模型中的拟似然估计和约束拟似然估计

该文证明了,在非线性回归模型中,若以均方误差或均方误差矩阵为标准,拟似然估计是正则广义拟似然估计类中的最优估计,并讨论了拟得分函数最优性与拟似然估计最优性的关系.为改进拟似然估计,该文提出了一种约束拟似然估计,并证明了约束拟似然估计比拟似然估计有较小的均方误差.     

变系数ARCH-M模型的ARCH效应检验

本文考虑变系数ARCH—M模型,构造了非参数部分和参数部分的截面似然估计。基于估计的渐近性质,构造了Wald检验统计量来检验模型是否具有条件异方差性。数值模拟结果表明,所构造的估计和Wald统计量具有良好的有限样本性质。     

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.     

空间混合效应随机前沿模型估计方法研究

在经典随机前沿模型中引入随机效应和空间效应,构建了空间混合效应随机前沿模型。模型考虑了生产单元技术水平的异质性并且可以有效避免忽略内生性问题导致的有偏且不一致估计量,适用性更佳。使用贝叶斯方法估计模型,核心在于推导未知参数的后验分布以及MCMC抽样。相比于其他估计方法,贝叶斯方法简单直观且精度较高,更适合复杂模型的估计。数值模拟结果显示:①贝叶斯估计的精度较高。增加样本容量有助于提高精度。②忽略随机效应,估计精度偏低。数值模拟表明文中模型和方法有存在必要性。     

线性约束下异方差回归模型参数的极大似然估计

运用参数的极大似然估计法,给出在线性约束条件Hβ=C下异方差回归模型参数β和λ的极大似然估计,并讨论了估计参数的性质和模型的残差.利用得到的结论对线性约束下异方差回归模型的进一步研究和应用具有一定的理论和实际价值.