非线性半参数回归模型的最大经验似然估计

对于非线性半参数回归模型的估计问题,利用经验似然方法,给出了回归系数,光滑函数以及误差方差的最大经验似然估计.在一定条件下证明了所得估计量的渐近正态性和相合性.     

变系数ARCH-M模型的ARCH效应检验

本文考虑变系数ARCH—M模型,构造了非参数部分和参数部分的截面似然估计。基于估计的渐近性质,构造了Wald检验统计量来检验模型是否具有条件异方差性。数值模拟结果表明,所构造的估计和Wald统计量具有良好的有限样本性质。     

部分线性混合效应模型中方差分量的稳健估计

部分线性混合效应模型中方差分量是我们感兴趣的参数, 文献中已经给出许多估计方法. 但是其中很多方法都可以归结为广义估计方程方法(GEE), 如: 最大似然估计(MLE), 约束最大似然估计(REMLE)等, 而GEE方法对异常点很敏感. 本文提出一组关于部分线性混合效应模型(PLMM)中均值和方差分量的稳健估计方程, 对均值和方差分量同时进行稳健估计; 并进行了随机模拟考察所提出稳健估计的有效性, 最后通过两个实例, 说明了所提方法的可行性.     

最大似然估计的一个推广

我们常常会遇到最大似然估计不存在的情况,这种情况以在非正态回归模型中最为典型。当参数向量不能被估计时,人们对参数向量的线性函数的估计饶有兴趣。本文给出了这些线性函数的广义最大似然估计的定义,讨论了它的性质,并得到了利用投影变换确定具有有限广义最大似然估计的线性函数的方法。最后,通过几个常见的定性资料统计模型的实例,展现了求广义最大似然估计的实施过程。     

异方差的线性混合模型的参数估计

本文研究既含有固定效应又含有随机效应的线性混合模型,在随机效应的方差不同即异方差情况下,即考虑方差受外界因素的影响,如温度、湿度等,我们称之为协变量,在有协变量情况下对方差建立对数线性模型,运用最大似然估计讨论了固定效应的估计和随机效应的预测,并且用约束最大似然(REML)方法研究对数线性模型中参数和随机误差中参数(离差参数)的估计,并讨论估计量的性质及离差参数估计量的渐近正态性。     

序约束下ARCH(0,2)模型参数估计与检验

本文研究了平稳ARCH（0，2）模型未知参数α的极大似然估计及有序约束时α的极大似然估计的渐近性质，给出了参数序关系（α1≥α2）的检验方法，并得出了似然比检验统计量的渐近分布。用二次规划的算法，给出求各种情况下参数α的极大似然估计的数值算法。     

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．     

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.     

平衡随机模型中方差分量的非负估计

众所周知, 对于平衡随机模型, 方差分量的方差分析估计为一致最小方差无偏估计. 本文基于方差分量的方差分析估计, 构造了一个二次不变估计类, 它包含了一些常用重要估计. 证明了该估计类在一定条件下在均方误差意义下一致优于方差分析估计, 并在此估计类基础上, 给出了方差分量的两种非负估计, 它们在均方误差意义下分别一致优于方差分析估计和限制极大似然估计, 且有显式解、容易计算.     

有限混合Laplace分布回归模型局部估计的EM算法

本文研究了一类有限混合Laplace分布回归模型的局部极大似然估计问题. 利用核回归方法和最大化局部加权似然函数的EM算法, 获得了参数函数的局部极大似然估计量, 并讨论了它们的渐近偏差, 渐近方差和渐近正态性. 推广了有限混合回归模型下局部非参数估计的结果.