部分线性单指标模型参数部分的统计推断

考虑部分线性单指标模型参数部分的统计推断问题.主要研究利用剖面最小二乘法（profile least-squares technique）估计模型的未知参数和函数,并利用该估计建立模型中参数部分的广义似然比（generalized likelihood ratio,GLR）检验统计量.在原假设条件下,文中新提出的GLR检验统计量渐近服从具有尺度常数（scaleconstant）与自由度独立于讨厌参数（nuisance parameters）的χ^2-分布,这一现象被称为Wilks现象.最后给出数字模拟与实际例子,验证文中所提出的检验方法.     

固定效应部分线性单指标面板模型的惩罚二次推断估计

单指标面板模型已广泛应用于各学科领域的研究中,其估计方法较为丰富,然而鲜有估计方法将个体内的相关性考虑在内.基于此,本文研究了一类个体内存在相关性的固定效应部分线性单指标面板模型,采用惩罚二次推断函数法和LSDV法相结合的方法对模型进行估计,证明了所得估计量的一致性和渐近正态性.Monte Carlo模拟结果显示其具有...     

单指标模型的统计推断

本文对单指标模型的统计推断方法进行了系统阐述,其中包括联系函数和指标系数的估计,经验似然,模型检验和变量选择等。本文的取材来自近二十年来的最新研究成果。     

单指标模型的统计推断

本文对单指标模型的统计推断方法进行了系统阐述,其中包括联系函数和指标系数的估计,经验似然,模型检验和变量选择等。本文的取材来自近二十年来的最新研究成果。     

部分线性模型基于参数信息的统计推断

针对部分线性模型提出了一种新的估计方法-Profile局部最小二乘估计,方法结合了非参数部分的参数信息.另外对于部分线性模型中非参数部分是否为某一参数函数的检验问题,基于比较原假设与备择假设下模型拟合的残差平方和的思想构造了检验统计量,并给出了计算检验p-值的精确方法和三阶矩χ2逼近方法.     

部分线性可加空间自回归模型在约束条件下的统计推断

本文主要研究了部分线性可加空间自回归模型在参数线性约束下的模型推断问题。结合sieve两阶段最小二乘法和拉格朗日乘子法,提出了模型参数和未知函数的约束估计,并在一定的正则条件下证明了估计的渐近性质。进一步,本文构造了检验参数约束条件的检验统计量,并证明在约束条件为真时,该检验统计量渐近服从卡方分布。最后,通过模拟展现本文所提出的估计和检验的性质。     

缺失数据下半参数变系数部分线性模型的统计推断

该文研究协变量随机缺失下半参数变系数部分线性模型的统计推断.利用逆概率加权最小二乘方法给出了模型中参数分量和非参数分量的估计,并证明了它们的渐近正态性.另外该文又提出了一个逆概率加权经验对数似然比统计量,并证明该统计量服从标准χ~2分布,从而构造了模型中参数分量的经验似然置信域.最后通过模拟研究和实例分析说明该文提出的方法具有较好的有限样本性质.     

m-目依误差下部分线性模型的经验似然统计推断

本文中,我们针对误差为m-相依序列的固定设计的部分线性模型,运用经验似然方法和分组经验似然方法,构造了回归参数的对数经验似然比检验统计量,并且证明了分组经验似然比检验统计量在参数取真值时是渐近地服从卡方分布的.模拟计算表明分组经验似然方法的有效性.     

半参数变系数部分线性模型的统计推断

本文在多种复杂数据下, 研究一类半参数变系数部分线性模型的统计推断理论和方法. 首先在纵向数据和测量误差数据等复杂数据下, 研究半参数变系数部分线性模型的经验似然推断问题, 分别提出分组的和纠偏的经验似然方法. 该方法可以有效地处理纵向数据的组内相关性给构造经验似然比函数所带来的困难. 其次在测量误差数据和缺失数据等复杂数据下, 研究模型的变量选择问题, 分别提出一个“纠偏” 的和基于借补值的变量选择方法. 该变量选择方法可以同时选择参数分量及非参数分量中的重要变量, 并且变量选择与回归系数的估计同时进行. 通过选择适当的惩罚参数, 证明该变量选择方法可以相合地识别出真实模型, 并且所得的正则估计具有oracle 性质.     

半相依部分线性可加回归模型的统计推断

受实际问题研究的启发, 为减少模型偏差, 提出了一类半相依部分线性可加的半参数回归模型. 这类半相依模型中, 响应变量与 一部分解释变量之间的关系是线性的, 与另一部分解释变量之间的关系未知但具有可加结构, 各方程的误差之间是相关的. 将级 数逼近法、最小二乘法和同期相关的估计结合起来, 提出了用于估计模型参数分量的加权半参数最小二乘估计量(WSLSEs), 和用于估 计模型非参数分量的加权级数逼近估计量(WSEs). 证明了这些加权的估计量比相应的不加权的估计量渐近有效, 并导出了相应的渐近正态性. 另外, 还讨论了利用这些估计量的渐近性质来对模型的参数及非参数分量作统计推断. 用大量的模拟实验考察 了所提出的方法在有限样本情况下的表现, 并对美国的一个关于妇女工资问题的全国纵向调查(NLS)数据集进行了统计分析.     

部分线性度量误差模型中的经验似然推断

部分线性度量误差模型(Partial linear measurement error model)是经典的部分线性模型的推广．在此模型中,我们假定解释变量含有度量误差．本文,我们把经验似然推广到部分线性度量误差模型,得到了非参数的Wilk's定理．我们的方法可以用来构建置信区间(域),也可以用来检验．数值模拟表明,我们的方法在构建的置信区间长度以及覆盖率方面有很好的结果．     

部分线性单指标模型的M-估计

单指标模型是一类非常重要的半参数回归模型,不仅可以降低数据维数,克服多元数据中的"维数祸根"问题,而且能抓住高维数据的主要特征.文章研究部分线性单指标模型的M-估计,利用B-样条近似技术逼近非参数函数,提出了获得模型中未知参数M-估计的方法,在一些正则条件下,研究了回归函数以及回归系数的M-估计的渐近性质.随机模拟结果表明了文中M-估计具有稳健性.     

NA误差下部分线性模型的经验似然推断

对于部分线性模型yi=βxi+g(ti)+ei,1≤i≤n,这里(xi,ti)是固定设计点,g是未知函数,ei是负相协(NA)随机误差,给出了回归系数的经验似然比统计量,并讨论了似然比统计量的极限分布,可构造参数的经验似然置信区间.     

固定效应部分线性单指标面板模型的惩罚经验似然估计

结合二次推断函数法、滤子法和经验似然估计法,为个体内存在相关性的部分线性单指标固定效应面板模型建立了惩罚经验似然估计法.在一些正则条件下,推导了模型估计量的大样本性质,证明了所提出的经验似然比渐近于卡方分布.进一步,用Monte Carlo模拟和真实数据分析评价了估计方法在有限样本下的表现.     

带终止事件纵向数据半参数部分线性单指标模型

在纵向研究中,我们常常会对一些非终止事件感兴趣,例如,与健康相关的生存质量.然而,死亡事件可能会在我们观测到这些感兴趣的变量之前发生,这种情况称之为截断数据.此外,每个个体的观察时间可能是不规律的,而且协变量对于感兴趣事件的影响也可能很复杂.本文提出了一个新的用于拟合被死亡截断的数据的半参数部分线性单指标模型,并用局部线性核方法近似非参数的连接函数,构造了参数部分的估计方程.本文证明了连接函数的局部线性核估计具有一致相合性,但收敛速度低于n~(1/2).为了消除这一低速收敛的影响,本文提出了一种数据分割的方法,证明了参数部分估计量的渐近正态性.本文通过一些数值模拟检验所提方法在有限样本下的表现,并分析了一组老年痴呆症的数据.     

线性回归模型的Bayes统计推断

Bayes方法虽融合了样本信息和先验信息，但利用的先验信息都是有历史经验和专家估计所得，因此可靠度不高。该文研究了正态线性回归模型：Y=Xβ＋e，e—N（0，σ^2。L），其中σ^2已知，β为未知参数向量，对传统的Bayes方法进行了改进，即把Bayes方法中的后验信息作为改进Bayes的无验信息并融合样本信息进行统计推断，在二次损失函数下得到了β的改进的Bayes估计。由于改进的Bayes方法的先验信息中有样本信息，因此其准确度比传统的Bayes方法准确度更高。     

多源异质大数据线性模型的分布式统计推断

本文考虑多源异质大数据下线性模型的分布式统计推断问题.首先,提出针对模型参数的通信有效的分布式聚合估计及算法,并在一些正则条件下证明所得到的估计量的最优性和渐近正态性.其次,针对模型中的异质性检验问题,给出了分布式检验方法.最后,通过数值模拟研究,对本文所提出估计和检验方法的优良性进行验证.     

纵向数据部分线性模型的广义经验似然推断

考虑纵向数据部分线性模型,针对纵向数据个体内的相关性特点,通过引入估计的作业协方差矩阵,构造了模型中未知参数的三种经验对数似然比统计量.在适当条件下,证明了所提出的统计量依分布收敛于χ~2分布,所得结果可以构造未知参数的置信域.最后通过模拟研究对所提方法进行了说明.     

纵向数据下部分线性模型的经验似然推断

考虑纵向数据下部分线性模型,研究了回归系数和基准函数的经验似然推断,证明了所提出的经验对数似然比渐近于卡方分布,由此构造了相应兴趣参数的置信域和区间. 此外,利用经验似然比函数得到了回归系数和基准函数的最大经验似然估计,并且证明了所得估计量的渐近正态性.模拟研究比较了经验似然与正态逼近方法的有限样本性质,并进行了案例分析.