因变量缺失下变系数部分线性测量误差模型的变量选择

主要研究因变量存在缺失且协变量部分包含测量误差情形下,如何对变系数部分线性模型同时进行参数估计和变量选择.我们利用插补方法来处理缺失数据,并结合修正的profile最小二乘估计和SCAD惩罚对参数进行估计和变量选择.并且证明所得的估计具有渐近正态性和Oracle性质.通过数值模拟进一步研究所得估计的有限样本性质.     

协变量含误差下广义线性模型的SEE变量选择

利用一些辅助信息作为工具变量并结合光滑门限估计方程(SEE)方法,针对协变量含有测量误差广义线性模型提出一个工具变量类型的变量选择方法.该方法可以在估计模型中非零回归系数的同时,剔除模型中不显著的协变量,从而达到变量选择的目的.另外,该变量选择过程不需要求解任何凸优化问题,从而具有较强的适应性并且在实际应用比较容易计算.理论证明该变量选择方法是相合的,并且对非零回归系数的估计达到了最优的参数收敛速度.数值模拟结果表明所提出的变量选择方法可以有效地消除测量误差对估计精度的影响,并且具有较好的有限样本性质.     

高维部分线性模型的变量选择和估计

考虑高维部分线性模型,提出了同时进行变量选择和估计兴趣参数的变量选择方法.将Dantzig变量选择应用到线性部分及非参数部分的各阶导数,从而获得参数和非参数部分的估计,且参数部分的估计具有稀疏性,证明了估计的非渐近理论界.最后,模拟研究了有限样本的性质.     

响应变量缺失下部分线性EV模型的异方差检验

本文主要考虑响应变量缺失下部分线性EV模型的异方差检验问题.首先,利用完全观测到的数据对模型的未知参数和光滑函数进行估计,在此基础上利用回归借补的方法补齐缺失数据.然后,建立了对模型的随机误差进行异方差检验的经验似然比统计量,并证明该统计量渐近服从卡方分布.最后,通过数值模拟研究了检验在不同缺失概率下的有限样本性质,并在实例分析中利用部分线性EV模型对缺失数据进行了异方差检验.     

响应变量删失情况下线性模型的FIC模型选择和模型平均

本文给出了响应变量随机右删失情况下线性模型的FIC (focused information criterion) 模型选择方法和光滑FIC 模型平均估计方法, 证明了兴趣参数的FIC 模型选择估计和光滑FIC 模型平均估计的渐近正态性, 通过随机模拟研究了估计的有限样本性质, 模拟结果显示, 从均方误差和一定置信水平置信区间的经验覆盖概率看, 兴趣参数的光滑FIC 模型平均估计均优于FIC, AIC (Akaikeinformation criterion) 和BIC (Bayesian information citerion) 等模型选择估计; 而FIC 模型选择估计与AIC 和BIC 等模型选择估计相比, 也表现出了一定的优越性. 通过分析原发性胆汁性肝硬化数据集, 说明了本文方法在实际问题中的应用.     

单调缺失机制下高维纵向线性回归模型的变量选择

在响应变量带有单调缺失的情形下考虑高维纵向线性回归模型的变量选择.主要基于逆概率加权广义估计方程提出了一种自动的变量选择方法,该方法不使用现有的惩罚函数,不涉及惩罚函数非凸最优化的问题,并且可以自动地剔除零回归系数,同时得到非零回归系数的估计.在一定正则条件下,证明了该变量选择方法具有Oracle性质.最后,通过模拟研究验证了所提出方法的有限样本性质.     

协变量随机缺失下线性模型的经验似然推断及其应用

考虑协变量带有缺失的线性模型,提出了加权的经验似然方法和借补的经验似然方法,证明了所提出的经验对数似然比渐近于χ~2分布,由此构造回归系数的置信域。模拟研究了所提出方法的有限样本性质,并进行了实例分析。     

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.     

因变量缺失下部分线性变系数变量含误差模型的估计

该文主要考虑部分线性变系数模型在自变量含有测量误差以及因变量存在缺失情形下的估计问题.基于Profile最小二乘技术,针对参数分量和非参数分量提出了多种估计方法.第一种估计方法只利用了完整观测数据,而第二种和第三种估计方法分别利用了插补技术和替代技术.参数分量的所有估计被证明是渐近正态的,非参数分量的所有估计被证明和一般非参数回归函数的估计具有相同的收敛速度.对于因变量的均值,构造了两类估计并证明了它们的渐近正态性.最后,通过数值模拟验证了所提方法.     

响应变量随机缺失下变系数模型的变量选择

In this paper,we present a variable selection procedure by combining basis function approximations with penalized estimating equations for varying-coefficient models with missing response at random.With appropriate selection of the tuning parameters,we establish the consistency of the variable selection procedure and the optimal convergence rate of the regularized estimators.A simulation study is undertaken to assess the finite sample performance of the proposed variable selection procedure.     

因变量缺失下线性变量含误差模型的估计

主要考虑线性模型在自变量测量含误差以及因变量缺失情况下的估计问题.对于模型中的回归系数,我们基于最小二乘方法提出了两类估计,其中一类估计只由完整观测数据构成,而另外一类估计利用的则是利用简单插补方法构造的完整数据.证明了这两类估计是渐近正态性的.     

因变量缺失下部分线性可加模型的估计和检验

本文研究部分线性可加模型在因变量存在缺失情形下的统计推断问题. 首先基于完整数据方法提出了参数分量的Profile 最小二乘估计并证明估计量的渐近正态性. 为了给出参数分量的区间估计,构造了渐近分布为卡方分布的经验似然统计量. 为了检验参数分量的线性约束条件, 构造了调整的广义似然比检验统计量, 当原假设成立时其渐近分布为卡方分布,从而将广义似然比检验推广到了缺失数据情形. 最后通过数值模拟验证所提方法的有效性.     

工具变量线性回归模型的平均估计

针对工具变量线性回归模型的未知参数研究了模型平均框架,该框架能同时适用于独立数据和相依数据.在这一框架下,文章推导了模型平均估计的渐近分布,构造了一个覆盖真实参数的概率趋于预定水平的置信区间,并证明了该置信区间与基于全模型的置信区间渐近等价.最后,文章还进行了模型研究,以考察模型平均估计在有限样本下的表现.     

部分函数线性模型的模型平均方法

部分函数线性模型是一种被广泛研究和应用的模型,其响应变量与一般的随机变量有关,也与函数型的随机变量有关.文章首先利用传统的谱分解方法来表示协方差函数,将部分函数线性模型的函数部分线性化,其次基于Hansen (2007)的Mallows模型平均方法,提出了该模型下的最优权重的选择准则,并证明了模型平均估计量的渐近最优性,此外还考虑了候选模型为两个特殊模型的情况下的模型平均估计量的渐近最优性.最后,进行了模拟研究,并对肉类和玉米样本的近红外反射光谱数据集进行分析,均表明所提出的模型平均方法是有效的.     

纵向数据下线性EV模型的变量选择

本文考虑了纵向数据线性EV模型的变量选择.基于二次推断函数方法和压缩方法的思想提出了一种新的偏差校正的变量选择方法.在选择适当的调整参数下,我们证明了所得到的估计量的相合性和渐近正态性.最后通过模拟研究验证了所提出的变量选择方法的有限样本性质.     

响应变量存在缺失时部分线性模型的经验似然推断

考虑响应变量带有缺失的部分线性模型,采用借补的思想,研究了参数部分和非参数部分的经验似然推断,证明了所提出的经验对数似然比统计量依分布收敛到χ2分布,由此构造参数部分和函数部分的置信域和逐点置信区间.对参数部分,模拟比较了经验似然与正态逼近方法;对函数部分,模拟了函数的逐点置信区间.     

协变量区间删失时线性模型的参数估计

本文研究了当协变量为区间数据时的线性模型，通过构造区间数据变量的条件均值，得到了回归参数的估计，当协变量的分布已知时，证明了估计的无偏性与强相合性．时协变量的分布未知的情形也作了讨论．文中还作了若干模拟计算，从模拟的结果不难发现，利用本文提出的方法所获得的估计简便且具有较高的精度．     

删失数据下变系数部分线性模型的经验似然变量选择

In this paper, we consider the variable selection for the parametric components of varying coefficient partially linear models with censored data. By constructing a penalized auxiliary vector ingeniously, we propose an empirical likelihood based variable selection procedure, and show that it is consistent and satisfies the sparsity. The simulation studies show that the proposed variable selection method is workable.     

响应变量随机缺失下变系数部分线性模型的借补经验似然推断

考虑响应变量随机缺失下的变系数部分线性模型的估计问题,利用构造基于借补值的辅助随机向量,给出了参数分量的借补经验对数似然比函数.证明了其渐近服从标准卡方分布,进而给出了参数分量的置信域.