贝叶斯潜变量倾向得分半联合模型研究与应用

本文提出了一种贝叶斯潜变量倾向得分半联合模型(BS＿LVM＿PSA),探讨了如何将潜变量纳入倾向得分分析,同时引入先验信息,利用半联合贝叶斯方法进行参数估计。通过两个数值模拟来测算BS＿LVM＿PSA在特定环境的性能,并将BS＿LVM＿PSA应用于实例数据。模拟研究显示:第一,潜变量能够降低预处理协变量测量误差,提高处理效应估计精度;第二,不同匹配方法下,贝叶斯方法相对于频率学派的处理效应估计精度更高;第三,在小样本中,贝叶斯方法相比非贝叶斯方法预测精度和稳定性更高;第四,有先验信息的处理效应估计精度高于无信息先验,且在适度的先验精度下,处理效应估计更加可靠。实例分析中,利用本文提出的BS＿LVM＿PSA研究了社区扶贫政策的减贫效应。     

固定效应时异系数广义空间自回归模型的估计与模拟

空间面板数据模型常呈现时异特征,现实经济现象中的空间关联多带有时异特性。基于此,本文构建固定效应时异系数广义空间自回归模型,首先采用拟极大似然(QML)方法估计模型并证明参数估计量的渐近性,其次依据贝叶斯(Bayes)公式推出参数后验分布并设计MCMC抽样,最后基于数值模拟比较两种方法在有限样本下的模拟情况,结合具体实例对比分析两种方法的实际估计效果。结果发现:一方面,两种方法的参数模拟均方误差都表现出随样本个体数目的增大而减小,表明增加观测个体数目能显著降低参数模拟偏差。另一方面,Bayes估计的均方误差都小于QML估计,说明Bayes估计比QML估计更可靠。     

非线性再生散度随机效应模型的贝叶斯分析

非线性再生散度随机效应模型是一类非常广泛的统计模型，包括了线性随机效应模型、非线性随机效应模型、广义线性随机效应模型和指数族非线性随机效应模型等．本文研究非线性再生散度随机效应模型的贝叶斯分析．通过视随机效应为缺失数据以及应用结合Gibbs抽样技术和Metropolis-Hastings算法（简称MH算法）的混合算法获得了模型参数与随机效应的同时贝叶斯估计．最后，用一个模拟研究和一个实际例子说明上述算法的可行眭．     

竞争风险下纵列持续数据随机效应模型的估计与模拟研究

本文论证竞争风险下纵列持续数据随机效应模型属于广义线性模型的范畴,推导出用于模型估计的等级似然函数,将等级似然估计的运用由单风险扩展到竞争风险,并进行了模拟研究。模拟结果表明,对于竞争风险下的随机效应模型,等级似然估计能够给出协变量系数相当精确的估计,克服了忽略异质性影响所导致的偏差;模拟研究还表明,本文提出的估计方法同样适用于区间观测数据。     

线性混合效应模型的正交经验似然推断

基于经验似然方法和QR分解技术, 对线性混合效应模型提出了一个基于正交经验似然的估计方法. 在一些正则条件下, 证明了所提出的经验对数似然比函数渐近服从卡方分布, 进而给出了模型固定效应的置信区间估计. 所提出估计过程不受模型随机效应的影响, 进而保证了所给出的估计是比较有效的. 一些数值模拟和实例分析进一步表明了所提出的估计方法是行之有效的.     

基于Halton序列的面板数据Biprobit模型估计及应用

在构建随机效应面板数据Biprobit模型和部分可观测Biprobit模型的基础上,采用基于Halton序列的模拟极大似然法估计这类模型的参数.相比于采用传统的数值积分公式处理似然函数中二重积分的方法,依赖于Monte Carlo积分的模拟极大似然法具有不依赖于积分节点选取的数值稳定性,且无需过多抽样就可以保证求解的精度.模拟实验结果说明了算法的有效性,对农户消费信贷约束的实证结果表明,不同抽样次数下参数估计结果并无明显差别,算法具有稳定性.     

含随机效应GCM中回归参数阵两步估计的计算及其无偏性

首先给出了含随机效应增长曲线模型中回归参数阵两步估计的一个较为简单的计算方法;然后给出了回归参数阵的可估函数的两步估计具有无偏性的一个基本结论,并证明了两种常见两步估计均具有无偏性;最后给出了一个牙齿生长数据的实例模拟.     

半参数混合效应模型中的估计及其强相合性

将Tao等(1999)提出的线性混合效应模型推广为半参数混合效应模型,给出了模型参数、回归函数和随机效应密度的估计,并研究了估计的强相合性及部分强相合速度.统计模拟表明我们给出的估计方法是可行的.     

线性混合效应模型中方差分量的估计

本文首先研究了含三个方差分量的线性混合随机效应模型改进的ANOVA估计, 此估计在均方损失下一致优于ANOVA估计. 由于这些方差估计取负值的概率大于零, 对得到的估计在某非负点采用截尾的方法得到非负估计是一种常用的方法. 对文章中提出的估计, 研究了此估计在某非负点截尾之后得到的估计在均方损失意义下优于截尾之前的估计的充分条件, 同时给出ANOVA估计在截尾之后优于它本身的充分条件, 而且将得到的结论推广到更一般的线性混合随机效应模型.     

ASV-T模型研究及其在中国创业板市场中的应用

本文提出了T分布的带杠杆效应的随机波动模型,该模型同时兼顾了股票市场的杠杆效应和厚尾效应,并对模型进行了统计结构分析,证明了模型的有效性,基于贝叶斯分析,给出了对ASV-T模型的MCMC估计方法,其中对参数采取Gibbs抽样。利用该模型,通过对中国创业板指数的实证研究,证明了ASV-T模型对创业板市场的回报和波动性特征有更好的拟合效果,并且模型能够较好地描述金融数据的杠杆效应和厚尾效应。