多维广义线性模型拟极大似然估计的弱相合性

本文考虑多维广义线性模型的拟似然方程$\tsm^n_{i=1}X_i(y_i-\mu(X_i'\xb))=0$, 在一定条件下证明了此方程的解$\wh\xb_n$渐近存在, 并得到了其收敛速度, 即$\wh\xb_n-\xb_0=O_p({\underline{\xl}}_n^{-1/2})$, 其中$\xb_0$为参数$\xb$的真值, $\underline{\xl}_n$是方阵$S_n=\tsm^n_{i=1}X_iX_i'$的最小特征值。     

自适应设计广义线性回归多维拟似然估计的渐近正态性

本文研究了自适应设计下广义线性回归的拟似然方程∑ni=1xi(yi-μ(xi′β))=0,其中yi是q维向量,xi是p×q阶随机矩阵,在一定条件下证明了方程的解^βn具有渐进正态的性质.     

关于广义线性模型拟似然估计弱相合性的几个问题

基于响应变量一维时广义线性模型$\E(\,y\,|X)= \mu(X’\beta)$的拟似然方程$\sum_{i=1}^n X_i(y_i-\mu(X_i’\beta))=0$, 研究了其拟似然估计的弱相合性及其他性质. 在误差$\{e_i=Y_i-\mu(X_i’\beta_0),1\leqslant i\leqslant n\}$不相关及其他条件下, 证明了 $\hat{\beta}_n-\beta_0=O_p(\underline{\lambda}_n^{-1/2})$, 其中 $\hat{\beta}_n$为上述拟似然方程的一个解, β₀ 为参数 β的真值, $\underline{\lambda}_n$ 为矩阵$S_n=\sum_{i=1}^nX_iX_i’$的最小特征值. 进一步, 在误差独立且不含渐近退化子列及其他条件下, 证明了上述收敛速度是确切的. 此外, 平行于Drygas (1976)关于线性回归模型的一个经典结果, 证明了对于广义线性模型, 为保证拟似然估计的弱相合性的必要条件 是当$n\to\infty$时, $\,S_n^{-1}\to 0$.     

自适应设计广义线性模型极大拟似然估计的渐近性

在对Fisher信息矩阵的最小特征根最一般的假定,响应变量的矩条件尽可能弱和其它正则条件下,证明了自适应设计广义线性模型中极大拟似然估计的强相合性与渐近正态性,同时给出了强收敛速度.     

一类零膨胀广义线性模型极大似然估计的相合性与渐近正态性

讨论了响应变量为单参数指数族且在零点处膨胀的广义线性模型的大样本性质,对其参数进行了极大似然估计,给出了一些正则条件.基于所提出的正则条件,证明了模型参数极大似然估计的相合性与渐近正态性.     

广义线性回归拟似然估计的渐近正态性

研究了形如n∑i=1xi(yi-μ(xi′β))=0拟似然方程,在一定的条件下证明了拟似然估计βn的渐近正态性;并进一步证明了可用于β0大样本统计推断的渐近正态性结果．     

聚类抽样情形下基于广义线性模型的风险比估计

Liu等人在聚类抽样的情形下基于贝塔二项分布模型讨论了风险比的区间估计问题.本文以他们的研究为背景,建立了一类聚类抽样样本的广义线性模型,并采用拟似然方法导出相应的广义估计方程,从而获得风险比的直接估计.这种方法不需要假定分布的具体形式,因而比Liu等人的方法具有更好的适用性.最后在一定正则条件下证明了估计的相合性和渐近正态性质.     

广义线性模型中极大拟似然估计的渐近正态性与强相合性

在广义线性模型中,当λn→∞,supi≥1 E||ei||2+α<∞(对某个α>0), 且其他一些正则条件满足时,证明了极大拟似然估计(MQLE)是渐近正态的;进 一步假定 ,证明了MQLE是强相合的,其中λn(λn) 是∑i=1 nZiZiT的最小(最大)特征根,Zi是有界的p×q回归系数,ei=yi-Eyi,yi 是q×1响应变量．也讨论了设计阵Zi是自适应的情形．     

广义线性模型中极大拟似然估计的强收敛速度

在sup_{i ≥1}E||y_i||^2+α < ∞(对某个α > 0)和其它正则条件下, 证明了一般联系函数的多维广义线性模型拟似然估计的强相合性, 并得到了强收敛速度, 其中 y_i 是响应变量. 此结果是对文献中相应结果的改进.     

广义线性模型极大似然估计的强相合性与渐近正态性

本文研究了若干重要类型的离散响应变量广义线性模型,在sum from i=1 to n ZiZi'的最小特征根大于cnα(对某个c>0,α>0)等条件下证明了回归参数向量的极大似然估计的强相合性与渐近正态性,其中设计阵序列{||Zn||}可以为无界序列.     

Asymptotic Properties of the Maximum Likelihood Estimate in Generalized Linear Models with Stochastic Regressors

For generalized linear models （GLM）, in case the regressors are stochastic and have different distributions, the asymptotic properties of the maximum likelihood estimate （MLE） β^n of the parameters are studied. Under reasonable conditions, we prove the weak, strong consistency and asymptotic normality of β^n     

广义线性模型中方差函数的非参数估计

本文提出了$\sigma(u)$的一种改进的估计$\wh\sigma_n(u)$, 在一定的条件下证明了$\sup\limits_{u}|\wh\sigma_n(u)-\sigma(u)|$相对于[1]中的估计以更快的速度依概率收敛于0, 并修正了定义区间.     

广义线性模型中方差函数的非参数估计

本文提出了$\sigma(u)$的一种改进的估计$\wh\sigma_n(u)$, 在一定的条件下证明了$\sup\limits_{u}|\wh\sigma_n(u)-\sigma(u)|$相对于[1]中的估计以更快的速度依概率收敛于0, 并修正了定义区间.     

线性约束下部分线性模型中估计的渐近性质

考虑回归模型yi=x′iβ+ g(ti) + ei, 0 ≤i ≤nr=Rβ其中(xi,ti)是固定非随机设计点列,xi=(xi1,…,xip)′,β=(β1,…,βp)′(p 1) ,g是定义在[0 ,1]上的未知函数,β是未知待估参数,0≤ ti≤1i,ei 是i.i.d随机误差,且Eei=0 ,Ee2i=σ2 <∞.r是一个J维向量,R是一个J* p列满秩矩阵,基于g的估计取一个非参数权估计,本文讨论了在线性约束下β的最小二乘估计的相合性及渐近正态性.     

半参数广义线性混合效应模型的估计及其渐近性质

半参数广义线性混合效应模型在心理学、生物育种、医学等领域有广泛的应用. Zhang(1998)用最大惩罚似然函数的方法(MPLE)对模型的参数和非参数部分进行了估计, 而Zhang (1998) MPLE方法只适用于正态数据模型. 对于泊松等常用的模型, 常的方法是将随机效应看作缺失数据, 再引入EM算法. 本文基于McCulloch 1997)提出的MCNR算法, 此算法推广到半参数广义线性混合效应模型中并得到相应的估计算法. 于非参数部分, 本文采用P样条拟合并利用GCV方法选取光滑参数, 时证明了所得估计的相合性和渐近正态性. 最后, 过模拟和实例与其它算法作比较验证本文估计方法的有效性.     

多元部分线性模型的几个渐近性质(英文)

The paper considers a multivariate partially linear model under independent errors,and investigates the asymptotic bias and variance-covariance for parametric component βand nonparametric component F（·）by the GJS estimator and Kernel estimation.     

Large-Sample Theory for Generalized Linear Models with Non-natural Link and Random Variates

For generalized linear models （GLM）, in the ease that the regressors are stochastie and have different distributions and the observations of the responses may have different dimcnsionality, the asyinptotic theory of the maximum likelihood estimate （MLE） of the parameters are studied under the assumption of a non-natural link funetion,     

纵向数据下部分线性模型的渐近性质

纵向数据是在实际应用中很常见的一种数据类型,在解决实际问题时建立纵向数据模型,进行统计分析很实用。本文研究一类重要的纵向数据下部分线性回归模型,所分析的纵向数据是随机观测而得到的,根据纵向数据的特性构造模型中未知参数分量和未知函数的估计量,进而研究了估计量的渐近性质,通过实例分析,证实了该方法的有效性和可操作性,有很好的使用价值。     

Covariate Selection in High-Dimensional Generalized Linear Models With Measurement Error

In many problems involving generalized linear models, the covariates are subject to measurement error. When the number of covariates p exceeds the sample size n, regularized methods like the lasso or Dantzig selector are required. Several recent papers have studied methods which correct for measurement error in the lasso or Dantzig selector for linear models in the p > n setting. We study a correction for generalized linear models, based on Rosenbaum and Tsybakov’s matrix uncertainty selector. By not requiring an estimate of the measurement error covariance matrix, this generalized matrix uncertainty selector has a great practical advantage in problems involving high-dimensional data. We further derive an alternative method based on the lasso, and develop efficient algorithms for both methods. In our simulation studies of logistic and Poisson regression with measurement error, the proposed methods outperform the standard lasso and Dantzig selector with respect to covariate selection, by reducing the number of false positives considerably. We also consider classification of patients on the basis of gene expression data with noisy measurements. Supplementary materials for this article are available online.