变系数模型中的逐元B-Spline估计法

给出了一种用于估计变系数模型中未知函数的逐元B-Spline方法,建立了估计量的局部渐近偏差,方差和渐近正态分布,开发了一种快速选择估计量窗宽的方法,通过Monte Carlo模拟研究了估计量的有限样本性质.     

变系数模型中的逐元估计法

提出了一种叫做逐元估计法的方法用来估计变系数模型中的未知函数和它们的导数,构造了一种快速选择估计量窗宽和快速计算大量估计点的方法,推导了估计量的渐近正态性.通过Monte Carlo模拟研究了估计量的有限样本性质.     

纵向数据变系数模型中的减元估计法

纵向数据变系数模型常应用于传染病学、生物医学和环境科学等领域. 本文提出了一种称为减元估计法的方法来估计模型中的未知函数和它们的导数. 减元估计法既适用于系数函数具有相同光滑度的情形, 也适用于系数函数具有不同光滑度的情形; 既适用于变量不依赖于时间的情形, 也适用于变量依赖于时间的情形. 给出了一般条件下估计量的局部渐近偏差、方差和渐近正态性, 并且渐近性结果显示: 当系数函数具有不同的光滑度时, 减元估计量的渐近方差比现有方法得到的估计量的渐近方差要少. 本文还通过 Monte Carlo 模拟研究了估计量的有限样本性质.     

半变系数模型PLS估计的渐近正态性

半变系数模型在统计建模中具有重要的应用．最近几年，人们提出了许多方法来估计其常系数和函数系数，但是估计的渐近性质还没有被系统的研究．本文介绍了半变系数模型的PLS估计，在Fan和Huang对常系数渐近性质研究的基础上，给出了函数系数的渐近正态性。     

空间数据变系数回归中的B-spline估计法

本文借助B—spline函数逼近开发了一种整体估计程序,用以估计变系数回归中的未知系数函数．在较弱假设条件下,建立了未知函数B—spline估计量的整体收敛速度,渐近性结果显示B-spline估计量达到了最优收敛速度,并推导了未知函数B—spline估计量的渐近分布．本文还给出了一种光滑参数选择方法,通过Monte Carlo模拟研究了估计量的有限样本性质,并用文中提出的方法分析了1980年美国总统选举投票数据．     

变系数模型中的一步估计法

提出一步估计方法用以估计变系数模型中具有不同光滑度的未知函数. 在这一方法中, 不同阶的多项式用来逼近不同光滑度的未知函数. 由于只使用一次极小化, 所需计算量要比现有的两步方法少得多. 一步估计量被证明达到了最优收敛速度, 而且, 这一性质是在比两步估计法更弱的条件下得到的. 更重要的是, 由于只执行一次极小化, 估计量的所有渐近性质, 不仅是渐近偏差、方差, 而且渐近分布都能推出. 渐近分布将在统计推断中起着重要作用.     

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.     

纵向数据变系数回归模型小波估计的渐近性质

考虑纵向数据下的变系数回归模型y_(ij)=x_(ij)~Tθ(t_(ij))+e_(ij)i=1,2,…,n j=1,2,…,m.利用小波光滑和加权最小二乘方法,分别研究了模型中未知参数θ(·)的小波估计θ(·)和误差方差σ~2的小波估计σ~2,在适当的条件下,证明了θ的强相合性,强相合速度,并得到θ和σ~2的渐近正态性.     

变系数模型小波估计的渐近性

变系数模型是线性模型的有用推广,它允许回归系数是某个变量的函数,近年来在统计分析中得到广泛的应用.文中研究回归变量都是随机时的变系数模型,提出运用小波的方法估计变系数模型中的函数系数,并在较弱的条件下得到了变系数模型小波估计的渐近正态性.     

变系数模型的小波估计

变系数模型是近年来文献中经常出现的一种统计模型.本文主要研究了变系数模型的估计问题,提出运用小波的方法估计变系数模型中的系数函数,小波估计的优点是避免了象核估计、光滑样条等传统的变系数模型估计方法对系数函数光滑性的一些严格限制. 并且,我们还得到了小波估计的收敛速度和渐近正态性.模拟研究表明变系数模型的小波估计有很好的估计效果.     

纵向数据下变系数测量误差模型的渐近估计

本文主要研究纵向数据下变系数测量误差模型的估计问题.利用B样条方法逼近模型中未知的变系数,构造关于B样条系数的二次推断函数来处理未知的个体内相关和测量误差,得到变系数的二次推断函数估计,建立估计方法和结果的渐近性质.数值模拟结果显示本文提出的估计方法具有一定的实用价值.     

部分线性变系数模型中误差方差的估计

作为部分线性模型与变系数模型的推广,部分线性变系数模型是一类在建模中应用非常广泛的模型.本文基于Profile最小二乘方法给出了模型中误差方差的估计并证明了该估计的渐近正态性.最后通过数值模拟验证了我们所提估计方法的有效性.     

Kernel Smoothing Estimation for Varying Coefficient EV Models with Longitudinal Data

Varying coefficient EV models with longitudinal data are considered. The local bias-corrected kernel estimators for the unknown coefficient functions are proposed. It is shown that the proposed estimators are asymptotically normal under some suitable conditions, and hence it can be used to construct the pointwise confidence regions of the coefficient functions. The finite-sample properties of the proposed procedures are studied through a simulation study.     

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。.     

内生性协变量下广义变系数模型的工具变量估计

在模型的部分协变量为内生性协变量的情况下,考虑广义变系数模型的一类估计问题.通过结合基函数逼近和一些辅助变量信息,提出了一个基于工具变量的估计过程.并得到了估计的相合性和收敛速度等渐近性质.所提出的估计方法可以有效地消除协变量的内生性对估计精度的影响,并且具有较好的有限样本性质.     

CPI权重估计:基于约束变系数模型

居民消费价格指数编制中所采用的权重是近年来人们争论的热点之一,但目前权重的具体数值还没有权威发布.采用带约束变系数模型对2001年至2010年间我国CPI编制中采用的八大类权重进行了估计.相对于没有约束的估计,带约束条件的估计结果更加合理.结果揭示了权重的调整变化情况,同时也反映了近十年来我国居民消费结构的变化.     

系数函数光滑度互不相同的变系数模型的一步估计法

该文提出了一种一步估计方法用以估计变系数模型中具有互不相同光滑度的未知函数, 所有未知函数和它们的导数的估计量由 一次极小化得到. 给出了估计量的渐近性质, 包括渐近偏差、方差和渐近分布, 一步估计量被证明达到了最优收敛速度.     

响应变量缺失下变系数部分线性测量误差模型的约束估计

当响应变量缺失、协变量具有测量误差,且模型参数部分有附加的线性约束时,主要研究一类变系数部分线性模型的统计推断问题.利用借补技术来补全缺失数据,并借助修正的profile最小二乘估计得到了模型参数分量和非参数分量的借补约束估计,并证明了参数分量的估计满足渐近正态性,同时非参数分量的估计与通常的非参数回归函数的估计具有相同的收敛速度.其次利用profile拉格朗日乘子检验对模型参数的约束条件进行检验,并证明了给出的检验统计量在原假设成立时渐近地服从标准卡方分布.数值模拟进一步表明对缺失数据进行借补可以有效地提高参数估计和假设检验的效率.     

Local Weighted Composite Quantile Estimating for Varying Coefficient Models

A generalization of classical linear models is varying coefficient models, which offer a flexible approach to modeling nonlinearity between covariates. A method of local weighted composite quantile regression is suggested to estimate the coefficient functions. The local Bahadur representation of the local estimator is derived and the asymptotic normality of the resulting estimator is established. Comparing to the local least squares estimator, the asymptotic relative efficiency is examined for the local weighted composite quantile estimator. Both theoretical analysis and numerical simulations reveal that the local weighted composite quantile estimator can obtain more efficient than the local least squares estimator for various non-normal errors. In the normal error case, the local weighted composite quantile estimator is almost as efficient as the local least squares estimator. Monte Carlo results are consistent with our theoretical findings. An empirical application demonstrates the potential of the proposed method.