线性模型误差方差的经验似然估计

本文应用经验似然方法得到了线性模型误差方差的一类新的估计,证明了估计的渐近分布为正态分布且渐近方差不超过常用的误差方差估计的渐近方差,同时给出了渐近方差的显式表达.     

数据缺失情形线性回归模型中误差方差的经验似然估计

在随机缺失(MAR)机制下利用经验似然方法构造了线性回归模型中误差方差的估计.并在一定条件下,证明了该估计的渐近正态性,由此得出当误差的分布不对称时,该估计的渐近方差比常用估计的渐近方差小.     

相协误差下部分线性模型的经验似然推断（英文）

在平稳相协误差下,本文采用分组经验似然方法构造部分线性模型回归系数的置信区域,证明了分组经验似然比统计量渐近卡方分布,该结果可用于构造回归系数的经验似然置信域.进一步地,我们还在有限样本情形做了数值模拟研究.     

线性度量误差模型的极大经验似然估计

本文将自变量的测量误差考虑到线性模型中,提出了线性度量误差模型参数的极大经验似然估计,在一定条件下,证明了所得到的未知参数的估计具有渐进正态性,并通过数值模拟,说明了该方法的可行性。     

线性相关模型中误差方差的经验似然估计及其Bootstrap

该文利用经验似然方法，对线性相关模型中误差方差的传统最小二乘型估计进行修正，得到的修正估计其渐近方差比传统估计的更小．同时，我们还讨论了修正估计的Bootstrap逼近问题．关键词##4相关模型;;误差方差;;最小二乘;;经验似然;;Bootstrap．     

部分线性变量含误差模型的经验似然估计

本文把经验似然方法推广到部分线性变量含误差模型 ,得到了Wilks定理的非参数形式 ,定理用来构造参数向量的渐近置信区间 .结果与WangandJing (1 999)对一般部分线性模型的经验似然结果加以比较 ,并且与正态逼近法得到的结果也作了比较 .     

强混合样本下部分线性模型的经验似然推断（英文）

本文研究强混合样本下部分线性模型的经验似然推断,将分块技术应用到经验似然方法中,证明部分线性模型的参数β的对数经验似然比统计量的渐近分布为卡方分布,由此构造强混合样本下β的经验似然置信区间.在有限样本情况下给出数值模拟结果.     

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．     

线性约束下异方差回归模型参数的极大似然估计

运用参数的极大似然估计法,给出在线性约束条件Hβ=C下异方差回归模型参数β和λ的极大似然估计,并讨论了估计参数的性质和模型的残差.利用得到的结论对线性约束下异方差回归模型的进一步研究和应用具有一定的理论和实际价值.     

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.     

平稳自回归模型的经验似然检验（英文）

这篇文章中,我们对平稳短记忆时间序列模型中的参数假设检验运用经验似然方法,在实际中,我们可能不仅关心所有参数的显著性而且更关心模型中的某一部分参数是否存在,因而我们除了建立检验所有参数的统计量,还建立了检验部分参数显著与否的统计量,这些统计量被证实都渐近服从卡方分布,另外,我们的模拟研究了检验的势函数并证实了提出的检验程序的有效性.     

高维线性模型中的经验似然

研究高维线性模型中的经验似然推断．当协变量的维数随样本量增加时,常规的经验似然推断失效．在适当的正则条件下,对修正的经验似然比统计量给出了渐近分布理论．     

线性模型误差方差估计的Bootstrap逼近

<正> §1.引言 1979年,Efron为估计基于独立观测值的统计量的分布,提出了一种很一般的重新抽样程序,称为Bootstrap:以一样本情形为例,设从分布F完全未知的总体中抽得大小为n的简单随机样本X_i=x_i,i=1,…,n.记X=(X_1,…,X_n),x=(x_1,…,x_n),它们分别表示随机样本及其特定的观测值.今给定一个随机变量R(X,F),它可能不仅依赖于X而且依赖于未知分布F.问题是要根据观测数据x去估计R的抽样分布。     

半参数变系数异方差部分线性模型下的经验似然

Consider the semiparametric varying-coefficient heteroscedastic partially linear model Y i = Xτiβ + Zτiα(Ti) + σiei,1 ≤ i ≤ n,where σ 2 i = f(Ui),β is a p × 1 column vector of unknown parameter,(Xi,Zi,Ti,Ui) are random design points,Y i are the response variables,α(·) is a q-dimensional vector of unknown functions,e i are random errors.For both cases that f(·) is known and unknown,we propose the empirical log-likelihood ratio statistics for the parameter β.For each case,a nonparametric version of Wilks’ theorem is derived.The results are then used to construct confidence regions of the parameter.Simulation studies are carried out to assess the performance of the empirical likelihood method.     

线性模型中误差方差估计的非一致性估计

<正> 考虑线性模型 Y_((n))=X_nβ+e_((n)),n=1,2,…其中X_n=(xij)为n×p阶已知矩阵,rank X_n=r_n,为未知的待估参数向量,e_((n))=为独立的试验误差,满足条件     

部分函数线性模型的经验似然推断

本文考虑部分函数线性回归模型,研究了回归系数的经验似然推断,证明了所提出的经验对数似然比渐近于χ~2分布,此结果可以用来构造了相应兴趣参数的置信域.另外,本文也给出了系数函数的极大经验似然估计,并在适当条件下给出了所提出估计量的收敛速度.仅就置信域精度及其覆盖概率大小方面,通过模拟研究和实例分析比较了经验似然方法与最小二乘方法的优劣.     

双重广义线性模型的经验似然推断

基于截面经验似然方法,将双重广义线性模型的拟似然估计方程作为截面经验似然比函数的约束条件,构造了均值模型和散度模型未知参数的置信区间.最后通过数据模拟,将该方法与正态逼近方法比较,说明了该方法是有效和可行的.     

广义线性模型参数的自适应拟似然估计

对广义线性模型参数的一种拟似然估计的理论给予了彻底的处理. 在该估计中,响应变量的未知的协方差阵是通过样本去估计的.证明了所定义的估计量具有下述意义上的渐近有效性：当样本量n→∞时, 该估计有渐近正态性,且其极限分布的协方差阵重合于当响应变量的协方差阵完全已知时,拟似然估计的极限分布的协方差阵.     

线性模型中误差方差估计的相合性

本文研究在条件(1.2)(其中e₁,e₂,…,假定有不同的分布)之下,估计σ²(n)的大样本性质,得到了:
1.σ²(n)为σ²的弱相合估计的必要条件;
2.σ²(n)为σ²的强相合估计的必要条件和充分条件,二者差别不大(有可能,必要条件也是充分条件)。