两个回归函数相等的Bootstrap检验

两个回归参数相等性检验一直是统计界感兴趣的问题之一．在这篇文章中，四个检验统计量被用于度量两曲线的差异，在原假设下统计量的分布采用向量数据的重复抽样来逼近，并给出了—些模拟结果．     

多个Panel数据模型回归系数的参数Bootstrap检验

对多个只含有个体效应的Panel数据模型,研究了模型中回归系数向量相等性的假设检验问题,提出了一种参数Bootstrap检验方法.有限样本的数值模拟研究结果表明,提出的检验方法具有良好.的检验功效,且受个体效应方差、误差方差、模型个数、回归系数维数的影响不明显.     

部分线性模型中参数估计的Bootstrap逼近

考虑回归模型 :yi=xiβ+g(ti) +σiei,1≤ i≤ n.其中 σ2i=f(ui) ,(xi,ti,ui)是固定非随机设计点列 ,f (· )和 g(· )是未知函数 ,β是待估参数 ,ei 是随机误差 .对文 [1 ]给出的基于 g(· )及 f(· )的一类非参数估计的β的最小二乘估计β^ n和加权最小二乘估计βn,本文通过重抽样的方法构造了 β^n 和 βn 的 Bootstrap统计量 β^ *n 和 β*n .证明了在给定原样本的条件下 ,n (β^ *n -β^ n)和 n (β*n -β^ n)分别与 n (β^ n-β)和 n (βn-β)有相同的渐近分布 .     

基于Bootstrap的厚尾相依序列持久性变点检验

基于修正方差比率函数给出一种检验厚尾序列持久性变点的统计量.在无变点的假设下得到了统计量的渐近分布.为避免检验渐近分布中的厚尾指数,构造Bootstrap抽样方法来确定渐近分布的经验临界值.数值模拟研究结果说明修正方差比率统计量及Bootstrap抽样方法的有效性.     

具有线性趋势回归信度模型异方差的score检验

回归信度模型在保险研究中具有重要的作用.本文分险种内部,险种之间,险种内部及之间三种情形讨论了具有线性趋势回归信度模型异方差的score检验问题.首先推导了异方差存在性检验的score检验统计量,然后利用Monte-Carlo方法模拟了这几种检验统计量的功效,功效模拟结果显示：这几种检验统计量都有很好的检验效果.最后利用文中所得到的检验方法对旅客意外身体伤害保险数据进行了实例分析.     

半参数回归模型的参数估计的Bootstrap逼近

设有半参数回归模型Y=Xβ+g(T)+e.对利用核光滑方法得到的参数分量β和误差方差σ²的估计量β_n和σ_n²,本文通过对原样本进行重抽样的方法,构造了β_n和σ_n²的Bootstrap 统计量β_n*和σ_n^*2.证明了在给定原样本的条件下,n^1/2(β_n*-β_n)和n^1/2(σ_n^*2-σ_n²)分别与n^1/2(β_n-β)和n^1/2(σ_n²-σ²)有相同的渐近分布.     

具有线性趋势回归信度模型的自相关性的score检验

回归信度模型在保险研究中具有重要的作用。本文讨论了具有线性趋势回归信度模型自相关性的score检验问题。首先推导出模型中自相关存在性检验的score检验统计量,然后利用Monte-Carlo方法模拟了此种检验统计量的功效。最后利用文中所得到的检验方法对旅客意外身体伤害保险数据进行了实例分析。     

平滑转换向量误差修正模型的非线性协整SupLM检验

本文考虑平滑转换向量误差修正模型的非线性协整检验问题,相对于传统的两步检验法,给出已知协整向量下的直接检验非线性协整的SupLM检验方法,通过定义平滑转换协整模型,给出SupLM检验统计量,在原假设下得到检验统计量的渐近分布和相关的bootstrap算法,模拟结果和实例计算表明了该方法的有效性。     

非参数回归函数的稳健Bootstrap

在有异常值的数据中,Bootstrap样本可能比原有样本含有更高的“污染”,这会降低所要做的统计推断的有效性.本文讨论在非参数回归N-W估计中,如何利用影响函数得到重新抽样的概率,使用倾斜的Bootstrap方法得到曲线的拟合,从而达到有效地抵制异常值对回归函数影响的目的,数值模拟的结果表明这种处理方式的有效性.     

小样本下相关系数的检验与区间估计——基于Bootstrap的研究

本文首先介绍了样本相关系数的计算公式以及在联合正态分布下的假设检验和区间估计方法,同时指出了其对样本的要求,然后就小样本下相关系数的区间估计和假设检验问题给出了基于bootstrap方法的解决途径,分析表明bootstrap方法非常适合用于未知总体分布形态小样本下的区间估计与假设检验。     

线性模型中M估计分布的随机加权方法逼近

在线性模型中,M估计的渐近分布通常都涉及到不易估计的未知误差分布的某些量,如果要估计渐近方差,就需对这些冗余参数进行估计.利用随机加权方法可以避免先对误差分布中的冗余参数进行估计.给出了当自变量是随机变量时,M估计分布的随机加权逼近,证明了M估计分布的随机加权逼近是一致相合的.当取不同的凸函数,样本大小和随机权时,进一步利用蒙特卡洛方法研究估计分布.研究表明随机权取泊松权时,不仅达到同样的效果而且可以减小计算量.     

删失数据下几种两样本检验的功效研究

本文讨论了删失数据下的两样本检验问题,并提出了一个新的检验统计量.在样本来自指数分布和Weibull分布及不同的删失水平下,我们把这种检验与其它检验的功效进行了比较.结果表明,在某些情况下,这种检验比其它检验好.     

基于逐段曲线回归分析的息票剥离法的研究及应用

对一般息票剥离法(Bootstrap m ethod)进行了改进,将其在两个最近期间之间的利率利用线性关系进行估计,扩展为由回归分析逐段拟合曲线给予预测和估值.并给出了模型需要修正的情况和一个一般的修正方法.最后与N elson-S iegel模型构造收益率曲线的方法进行了对比实证分析,并给出了相应的分析结果.     

多层线性模型参数估计的MCEM算法

应用Monte Carlo EM(MCEM)算法给出了多层线性模型参数估计的新方法,解决了EM算法用于模型时积分计算困难的问题,并通过数值模拟将方法的估计结果与EM算法的进行比较,验证了方法的有效性和可行性.     

Bootstrap tests in correspondence analysis

A bootstrap test is developed for testing models specified by Goodman in 1985 and 1986 for the correspondence analysis of two-way contingency tables. It enables testing goodness-of-fit in relation with the usual matrix decomposition method. An approximate table of critical values for the proposed test statistic is presented. Bootstrap confidence interval construction is also included. The behaviour of the test statistic and the confidence intervals is studied using Monte Carlo simulation.     

非参数模型均值函数结构变点的Bootstrap检测

本文检测非参数回归模型均值函数结构变点,针对均值函数跃度的长期均值为零时,基于残量的CUSUM统计量对均值函数结构变点检验无效的问题,本文提出了一种基于均值函数的核估计的检验统计量,得到统计量在原假设和备择假设下的极限分布,并构造Bootstrap方法对非参数回归模型均值函数结构变点进行检验,证明了检验和估计的一致性;模拟结果表明本文方法明显优于已有方法。     

线性相关模型中误差方差的经验似然估计及其Bootstrap

该文利用经验似然方法，对线性相关模型中误差方差的传统最小二乘型估计进行修正，得到的修正估计其渐近方差比传统估计的更小．同时，我们还讨论了修正估计的Bootstrap逼近问题．关键词##4相关模型;;误差方差;;最小二乘;;经验似然;;Bootstrap．     

非线性EV回归模型中参数的经验似然置信域

本文考虑非线性EV回归模型，构造了未知参数的经验对数似然比统计量．此外，为了克服计算困难，提出了一个基于模拟的经验对数似然比统计量．在适当条件下，证明了所提出的这两种统计量都具有渐近X^2分布，所得结果可以用来构造未知参数的置信域。     

Spatial Regression Models for Extremes

Meteorological data are often recorded at a number of spatial locations. This gives rise to the possibility of pooling data through a spatial model to overcome some of the limitations imposed on an extreme value analysis by a lack of information. In this paper we develop a spatial model for extremes based on a standard representation for site-wise extremal behavior, combined with a spatial latent process for parameter variation over the region. A smooth, but possibly non-linear, spatial structure is an intrinsic feature of the model, and difficulties in computation are solved using Markov chain Monte Carlo inference. A simulation study is carried out to illustrate the potential gain in efficiency achieved by the spatial model. Finally, the model is applied to data generated from a climatological model in order to characterize the hurricane climate of the Gulf and Atlantic coasts of the United States.