具有线性趋势的回归信度模型中的估计和检验

研究具有线性趋势回归信度模型的参数估计和检验. 对该模型的回归系数和随机效应的方差,利用正交变换法得到了它们的极大似然估计, 并得到了参数的无偏估计. 对随机效应和是否有线性趋势采用似然比检验, 得到了似然统计量较好的近似$P$值, 并对检验的功效进行了模拟研究.     

纵向数据模型均值参数和方差参数的影响分析

本文主要研究了纵向数据模型的均值参数和方差参数的统计诊断问题,基于均值参数的加权最小二乘估计和方差参数的REML估计，我们定义了两类参数的广义Cook距离，并求得了计算公式，同时我们研究异常个体的检验问题，得到了两个检验统计量．最后通过实际例子证实了我们的方法的有效性。     

随机权函数非线性回归模型的异方差统计分析

在回归分析中，随机误差是否存在方差齐性是理论与实际工作者都十分关心的问题，方差齐性假设并不总是正确的，在线性和非线性回归中关于异方差的诊断问题已有许多讨论（[1],[2],[4],[5]）。本文在韦博成（1995）讨论了加权非线性回归模型的基础上，用随机系数的方法，讨论随机权函数非线性回归模型中的异方差检验问题，得到了方差齐性检验的似然比统计量和score统计量，同时，当模型存在异方差时，本文给出了估计方差的一种方法。     

随机权函数半参数回归模型的导方差统计分析

在回归分析中,观测值的方差齐性只是一个基本的假定,在参数、半参数和非参数回归模型中关于异方差检验和估计问题已有很多研究.本文在冉昊和朱忠义(2004)讨论的半参数回归模型的基础上,用随机参数方法,讨论随机权函数半参数回归模型中的异方差检验问题,得到了方差齐性检验Score统计量,同时,当半参数模型存在异方差时,本文还给出了估计方差的方法.     

偏正态非平衡面板单因素随机效应模型的Bootstrap推断

针对偏正态非平衡面板单因素随机效应模型,文章研究了回归系数和方差分量函数的假设检验和区间估计问题.首先,基于矩阵分解技术,给出回归系数的精确检验方法.其次,利用Bootstrap方法和广义方法,构造单个方差分量、方差分量之和的检验统计量和置信区间.再次,建立方差分量之比的精确检验和近似检验.文章证明了所给检验方法和置信区间的变换不变性等理论性质.Monte Carlo结果表明,对于所设参数和样本量,文章所给方法在犯第一类错误的概率和功效意义下,具有统计优良性.最后,将上述方法应用于汽油消耗量的案例分析.     

广义线性模型中一类推广的拟似然估计与异方差性诊断检验

本文考虑了随机设计情形下一类普通的异方差回归模型，在这个模型中，假定回归函数与方差函数之间的关系服从推广的广义非线性模型，该模型在实际中很常见，广义线性模型便是其特例，首先，我们导出了均值函数的局部加权拟似然估计，然后，用它来得到方差函数的估计，并且证明了这些估计有较好的性质，最后，建立了异方差检验统计量，文中的方法很吸引人。     

异方差的线性混合模型的参数估计

本文研究既含有固定效应又含有随机效应的线性混合模型,在随机效应的方差不同即异方差情况下,即考虑方差受外界因素的影响,如温度、湿度等,我们称之为协变量,在有协变量情况下对方差建立对数线性模型,运用最大似然估计讨论了固定效应的估计和随机效应的预测,并且用约束最大似然(REML)方法研究对数线性模型中参数和随机误差中参数(离差参数)的估计,并讨论估计量的性质及离差参数估计量的渐近正态性。     

广义空间模型的异常值检验

研究了广义空间模型中单个异常值检验问题.分别在均值漂移模型和方差加权模型下导出了检验统计量的具体形式,并给出了在两种异常值模型下检验统计量的近似分布.最后,通过哥伦布市社区犯罪数据证明了方法的有效性.     

空间误差模型的多个异常值得分检验

本文研究了空间误差模型(SEM)中多个异常值的检验问题,基于均值漂移模型和方差加权模型这两种异常值模型给出了得分检验统计量的具体形式及其渐近分布。并应用实例分析验证了检验统计量的有效性,最后给出了修正模型的方法。     

比例优势模型在多结局区间截断数据上的应用

探索比例优势模型在临床医学中常见的多结局区间截断数据中的应用.用条件的逻辑回归方法避免讨厌参数的估计,用牛顿-拉普森算法估计回归系数,用＂夹心方差＂估计量作为参数方差的估计.通过随机模型检验模型应用的有效性.     

随机设计下非参数回归模型方差变点Ratio检验

研究随机设计下非参数回归模型方差变点Ratio检验.首先用局部多项式方法估计回归曲线得到残差序列,其次基于残差的平方序列构造Ratio检验统计量并推导检验统计量的极限分布.最后数值模拟与实例分析结果表明方法的有效性.     

线性回归诊断的若干问题

本文对于线性回归诊断提出了几种新的模型和方法。我们首次研究了方差加权和均值漂移的混合模型,得到了相应的诊断统计量。本文还引入了罚函数方法,并以此为工具,讨论了若干有偏估计的影响度量,最后,本文提出了基于重心的诊断统计量,对于识别异常点有较好的效果。     

广义p-值与panel数据模型的精确检验

在panel模型中,如果方差分量已知,对回归系数的检验,存在一致最优功效检验.但往往方差分量未知,这时采用的方法就是用它们的估计代替它们.不同的方差分量的估计,就得到不同的检验统计量.这些检验统计量的分布都是未知的,在小样本情况下,很难控制它们的检验水平.本文采用广义p值的方法,给出了一种精确的检验.模拟结果显示,这种检验能很好的控制检验水平,并且有更高的检验功效.同时,本文利用广义置信域的方法给出了回归系数的广义置信球.     

Beta回归模型的影响诊断

应用曲率方法研究了Beta回归模型的局部影响分析问题,分别在加权扰动、响应变量扰动和自变量扰动模式下得到了相应的影响诊断统计量.同时还讨论了模型中散度参数的齐性检验问题,得到了Score检验统计量.最后通过具体的数值实例说明了所得统计量的有效性.     

非参数自回归模型异方差的小波检验

本文讨论了非参数自回归模型异方差的检验问题.在非参数自回归模型的建模过程中,通常假定方差为常数.然而在建模前,我们应该首先检验这-假定是否成立.本文将利用小波方法来检验异方差问题.我们首先利用核估计方法定义经验小波系数,然后讨论其渐近性质.在此基础上,我们提出了异方差性检验的统计量.数值模拟结果表明,我们的方法表现良好.     

面板数据交互固定效应模型的方差分量检验

研究了面板数据交互固定效应模型中方差分量的检验问题.首先依据模型中误差项的估计构造辅助回归模型,然后根据该辅助回归构造检验统计量,对模型中的异方差性进行检验.进一步,通过构造不同的辅助回归模型和检验统计量可以判别异方差的来源.在一定正则条件下,得到了检验统计量在原假设和备择假设下的渐近分布,并说明所提出的检验方法不依赖于误差分布.最后,通过模拟研究对本文的检验方法进行评价,说明所提检验方法是有效的.     

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.     

双截尾Tobit模型中的随机加权逼近方法

本文研究双截尾删失回归模型中参数的随机加权估计(RWE),获得了RWE的统计渐近性质,如相合性和渐近分布.本文证明了RWE在给定样本下的条件渐近分布与参数的最小绝对偏差(LAD)估计的渐近分布是一样的,则可以利用RWE的条件分布去逼近回归参数的LAD估计的分布,从而避免冗余参数的估计,如误差项的密度函数.另外,本文也提出了一个M检验统计量和随机加权M检验统计量(RWM)来检验参数的线性假设问题,建立了该检验的统计性质.数值模拟和实际数据分析结果表明所提方法是可行的.     

非线性Poisson-Gamma回归模型中存在偏大离差时离差参数的齐性检验

Poisson回归模型广泛地应用于分析计数型数据，但该模型往往存在偏大离差(overdispersion)问题．刻画Poisson回归模型的偏大离差性的两种方法是拟似然方法和随机效应法(Lee＆Nelder，2000)，已有许多作者利用随机效应法研究了Poisson模型的偏大离差的检验问题．但他们均假定随机效应是独立同分布的，本文对他们的假设进行检验．我们分别在组内效应一致和组内效应不一致的情形下，研究了存在偏大离差的Poisson-Gamma非线性随机效应模型中，随机效应方差(称为离差参数)的齐性检验问题，得到了离差参数齐性的score检验统计量．最后给出两个数值例子说明本文方法的应用．     

无重复因析试验中散度效应的ML估计

在无重复因析试验中,若因子A,B的散度效应显著,则不论其交互效应AB的散度效应是否显著,其散度效应的现有估计常常是有偏的,从而导致其被错误地识别为显著效应.提出了散度效应的一种新的估计方法(称为ML估计),并给出了ML估计的方差的精确表达形式,证明了在一类模型中,交互效应AB的散度效应的ML估计是无偏的.最后,将ML估计与现有的常用估计进行了比较.