非参数模型的稳健跳点检测估计

非参数模型是统计学中常用的一类模型.在实际应用中,回归函数可能不是连续的,即在某些未知的位置上存在跳点.检测这些跳点对于回归函数的估计非常重要.本文基于B样条和众数估计,提出一个稳健跳点检测方法.然后利用检测出的跳点给出了回归函数的稳健有效估计量,并讨论了参数的选择.数值模拟和实例分析验证了所提方法在有限样本下的表现.     

基于众数回归的变系数部分非线性模型的稳健估计

针对变系数部分非线性模型,提出了一种稳健的基于众数回归的两阶段估计方法.首先,基于B-样条函数近似系数函数,利用QR正交分解技术构造了非线性模型,得到了参数的非线性最小二乘估计.其次,提出了变系数函数的众数回归估计量.在一定条件下,证明了估计量的渐近性质.通过数值模拟和实际数据分析,说明了所提估计方法的有效性.     

缺失数据下基于众数回归的变系数部分非线性模型的估计

针对响应变量随机缺失的变系数部分非线性模型,提出了一种稳健的基于众数回归的估计方法.采取逆概率加权方法,利用QR正交分解技术,分别得到了未知参数和变系数函数的众数回归估计量.在一定条件下,证明了估计量的渐近性质.通过数值模拟和实际数据分析,说明了所提估计方法的有效性.     

带复合泊松跳扩散模型的点波动率门限估计量的渐近性质

本文研究了带复合泊松跳扩散模型的点波动率门限估计量的渐近性质.利用门限方法和核函数技术,构造并证明了此模型点波动率估计量的渐近正态性.同时,应用Grtner-Ellis定理及大偏差中的Delta方法,得到了估计量的中偏差原理.     

非参数回归模型均值与方差双重变点的估计

本文基于核估计和小波方法研究异方差非参数回归模型中均值函数和方差函数均存在变点的估计问题.首先,构造基于均值函数的核估计量,求出均值变点位置及跳跃度的估计.其次,利用小波方法构造方差变点的估计量,运用该估计量获得方差变点位置与跳跃度的估计,给出变点估计量的渐近性质.最后数值模拟并通过比较验证了方法的有效性.     

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。     

纵向数据下非参数带测量误差的部分线性变系数模型的估计

本文研究纵向数据下非参数部分带有测量误差的部分线性变系数模型的估计.利用B样条函数近似模型中的变系数函数,构造偏差修正的二次推断函数,得到模型中未知参数和变系数函数的估计.证明变系数函数估计量的相合性和参数估计量的渐近正态性.数值模拟和实例分析结果表明所提估计方法在有限样本下的有效性.     

基于众数回归的变系数部分线性工具变量模型的稳健估计

基于众数回归,利用工具变量研究含有内生变量的变系数部分线性模型的稳健估计.首先,引入工具变量对内生协变量进行分解,从而得到内生协变量的一致估计;其次,运用B样条基函数近似模型中的非参数部分,将模型简化;进一步,基于众数回归的思想,结合EM算法得到参数和非参数函数的估计.在一定条件下,证明估计量的大样本性质;最后,利用模拟实验和真实实例验证所提方法的有效性.     

纵向数据下半参数回归模型的统计分析

对于纵向数据下半参数回归模型,基于广义估计方程和一般权函数方法构造了模型中参数分量和非参数分量的估计.在适当的条件下证明了参数估计量具有渐近正态性,并得到了非参数回归函数估计量的最优收敛速度.通过模拟研究说明了所提出的估计量在有限样本下的精确性.     

污染数据线性回归模型的最小一乘估计

对于线性回归模型,在因变量受到另一与之独立的随机变量序列的污染时,基于最小一乘的方法给出模型参数的估计.在一定条件下,证明了估计量的相合性和渐近正态性,并使用模拟对估计方法的小样本性质进行了分析.模拟结果显示,本文所提方法在小样本情况下表现良好.     

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.     

可加模型的两阶段局部M-估计

研究了可加模型分量回归函数的局部M-估计, 针对分量回归函数及其导数提出了两阶段局部M-估计的方法. 在较广泛的条件下建立了估计量的渐近正态性理论, 估计量具有先知性质(oracle property), 即在估计某一分量回归函数时,其他分量回归函数是否已知不影响估计量的渐近性质. 渐近理论包括了两类常用的估计量,即最小二乘估计和最小一乘估计. 当ψ是连续的且是非线性时,估计量的实施非常耗时,为了减轻计算的负担, 提出了一步局部M-估计量, 并证明了在初始估计量足够好的情形下, 一步局部M-估计量与完全迭代所得到的估计量具有相同的渐近估计效率, 这使得两阶段局部M-估计的方法较为实用. 两阶段局部M-估计量继承了局部多项式估计的优点, 同时克服了其在最小二乘准则下不稳健的缺点. 另外, 还讨论了估计方法实施方面的细节及有关参数的选择方法. 数值模拟结果及实际例子说明了两阶段局部M-估计方法的优点及实用性.     

部分线性变系数模型的随机约束岭估计

作为变系数模型和部分线性模型的推广,部分线性变系数模型近年来得到越来越多的关注.本文考虑该模型在线性部分自变量存在多重共线性并且参数分量附加有随机约束条件时的估计问题.基于profile最小二乘技术以及岭估计和混合估计方法,构造参数分量的profile混合岭估计,并且研究所提估计量的渐近性质.最后利用数值模拟验证所提估计方法的有效性.     

信息右删失数据下比例风险模型的估计问题（英文）

在生存分析中,对右删失数据问题的研究常假设删失时间与失效时间相互独立.然而研究者经常要面对非独立删失的问题,即删失时间与失效时间可能相互关联并彼此影响,尤其表现在临床试验中.如果不考虑这种相关性,便无法得到生存函数的有效估计.针对这种相依结构已有很多处理方法,其中连接函数因结构简单而尤为受到关注.本文主要对信息右删失数据下比例风险模型的相关估计问题进行了研究.利用阿基米德连接函数对删失时间和失效时间的联合分布函数进行假定,在连接函数参数的可识别条件下,得到了连接函数的参数、比例风险模型参数以及基准累积风险函数的极大似然估计,并通过模拟计算的方法验证了估计方法的可行性以及估计量的有效性.     

纵向数据部分线性测量误差模型的二次推断函数估计

基于纵向数据部分线性测量误差模型, 研究了模型中兴趣参数部分回归系数的估计问题. 首先采用B样条方法逼近模型中的非参数函数, 然后提出修正的二次推断函数(QIF)方法对模型中参数部分的回归系数进行估计, 所提方法可以提高估计的效率. 在一定的正则条件下, 证明了所得到的估计量具有相合性和渐近正态性. 最后, 通过模拟研究和实例分析验证了所提出估计方法的有限大样本性质.     

扩散模型中扩散系数的非参数组合估计

为了提高扩散系数估计的准确度, 我们利用动态组合时间域与状态域信息提出一个新的组合估计量. 我们发现所提组合估计量能有效估计扩散模型的扩散系数, 正如在本文中模拟所示. 在一定的条件下, 建立了估计量的渐进正态性, 并证明了时间域估计量与状态域估计量是渐进独立的. 大量的模拟展示了所提组合估计量优于单域估计量, 也优于本文所提估计量.     

扩散模型中扩散系数的非参数组合估计（英文）

为了提高扩散系数估计的准确度,我们利用动态组合时间域与状态域信息提出一个新的组合估计量.我们发现所提组合估计量能有效估计扩散模型的扩散系数,正如在本文中模拟所示.在一定的条件下,建立了估计量的渐进正态性,并证明了时间域估计量与状态域估计量是渐进独立的.大量的模拟展示了所提组合估计量优于单域估计量,也优于本文所提估计量.     

部分线性变系数模型改进的加权混合Profile-Liu估计

研究半参数部分线性变系数模型的有偏估计,当回归模型参数部分自变量存在多重共线性时,在随机线性约束条件下,融合Profile最小二乘估计、加权混合估计和Liu估计构造回归模型参数分量改进的加权混合Profile-Liu估计,并在一定正则条件下证明估计量的渐近性质,最后利用蒙特卡洛数值模拟验证所提出估计量的有限样本表现性.     

部分线性自回归模型中回归函数的半参数估计（英文）

本文主要研究具有一阶自回归误差的三阶部分线性自回归模型中回归函数的半参数估计问题.假定回归函数来自某个参数分布族,利用条件最小二乘法得到参数估计量,再结合非参数核函数进行调整,给出回归函数的半参数估计量.并在一定条件下,证明了估计量具有相合性.最后,通过模拟研究验证了此方法的有效性.     

空间非参回归的变量选择

空间变系数回归模型是空间线性回归模型的重要推广,在实际中有广泛的应用.然而,这个模型的变量选择问题还没有解决.本文通过一般的M型损失函数将均值回归、中位数回归、分位数回归和稳健均值回归纳入同一框架下,然后基于B样条近似,提出一个能够同时进行变量选择和函数系数估计的自适应组内(adaptive group)L_r(r≥1)范数惩罚的M型估计量.新方法有几个显著的特点:(1)对异常点和重尾分布稳健;(2)能够兼容异方差性,允许显著变量集合随所考虑的分位点不同而变化;(3)兼顾了估计量的有效性和稳健性.在较弱假设条件下,建立了变量选择的oracle性质.随机模拟和实例分析验证了所提方法在有限样本时的表现.