响应变量随机缺失下的广义变系数模型的估计

在响应变量随机缺失时,利用拟似然方法给出了广义变系数模型中非参数函数系数的估计.研究了所得到的估计的渐近性质,求出了估计的渐近偏差与渐近方差,并进行模拟比较.     

缺失数据下的半参数变系数模型的借补估计

本文在响应变量随机缺失情形下讨论了半参数部分线性变系数模型的估计问题.首先采用局部线性方法估计系数函数,然后进一步估计常数系数.最后利用回归方法借补缺失的响应值,再用全部数据估计常数系数.本文进-步讨论了利用完整个体方法及借补方法求得的参数估计的渐近性质,并进行了模拟比较.     

缺失数据下广义变系数模型的均值借补估计

本文在响应变量随机缺失时,给出广义变系数模型中响应变量的2个均值拟似然借补估计。证明了它们具有渐近正态性,并进行了模拟研究。     

因变量缺失下部分线性变系数模型的稳健估计

本文讨论因变量缺失下部分线性变系数模型在误差项和解释变量都含有异常点时的稳健估计问题。首先用局部加权线性光滑方法得到非参数部分的稳健估计,然后再得到参数部分的估计,并证明参数和非参数估计量的渐近正态性。最后模拟研究有限样本下估计量的表现。     

半变系数模型PLS估计的渐近正态性

半变系数模型在统计建模中具有重要的应用．最近几年，人们提出了许多方法来估计其常系数和函数系数，但是估计的渐近性质还没有被系统的研究．本文介绍了半变系数模型的PLS估计，在Fan和Huang对常系数渐近性质研究的基础上，给出了函数系数的渐近正态性。     

带有缺失数据的广义半参数模型的均值借补估计

本文在响应变量随机缺失时, 给出了广义半参数模型中响应变量的2个均值拟似然借补估计.证明了它们具有渐近正态性, 给出了估计的渐近偏差与渐近方差, 并进行模拟比较.     

误差相关的半变系数模型的估计

本文在误差相关的情况下, 研究半变系数模型的估计, 通过改进PLS估计, 给出了函数系数和常数系数的估计, 证明了估计的渐近正态性; 最后, 模拟研究说明了所提方法的有效性.     

缺失数据下半参数变系数部分线性模型的统计推断

该文研究协变量随机缺失下半参数变系数部分线性模型的统计推断.利用逆概率加权最小二乘方法给出了模型中参数分量和非参数分量的估计,并证明了它们的渐近正态性.另外该文又提出了一个逆概率加权经验对数似然比统计量,并证明该统计量服从标准χ~2分布,从而构造了模型中参数分量的经验似然置信域.最后通过模拟研究和实例分析说明该文提出的方法具有较好的有限样本性质.     

半变系数模型的变窗宽和一步局部M-估计

讨论了半变系数模型的变窗宽一步局部M-估计.用一步局部M-估计给出了未知函数的估计,用平均法给出了未知参数的估计,并在其中嵌入一个变窗宽加以提高,得到了未知函数和未知参数的渐近正态性.     

删失数据下半变系数模型估计的渐近正态性

半变系数回归模型是变系数回归模型的有效推广,已获得了广泛的应用. 本文在响应变量随机删失下对其进行讨论,给出常系数和函数系数的估计, 并证明了该估计的渐近正态性.     

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.     

缺失数据下线性模型的半参数估计

通过比较参数方法和非参数方法对选择概率建模的优缺点,基于充分降维的思想提出了一种利用单指标模型对选择概率建模的半参数方法.基于逆概率加权方法和半参数方法,研究了缺失数据下线性模型的统计推断问题.建立的逆概率加权估计方程可以处理不同的数据缺失情形,给出了线性模型中兴趣参数的估计,并证明了它的渐近正态性.最后通过模拟研究说明提出的方法具有较好的有限样本性质.     

半参数空间变系数回归模型的Back-Fitting估计

针对半参数空间变系数回归模型给出了一种估计方法-后向拟合估计,该方法可得到模型中常值系数估计量的精确解析表达式,广泛的数值模拟表明所提出的估计方法对估计常值系数具有满意的精度和稳定性,最后,利用该方法分析了一个实际的例子.     

缺失数据下半参数单调回归模型的估计

研究了响应变量缺失情况下半参数单调回归模型的估计问题。利用嵌入核估计的方法得到了参数部分的估计,在此基础上构造了非参数部分的单调约束最小二乘估计。证明了参数估计的渐近分布为正态分布,得到了非参数部分估计的收敛速度。通过随机模拟研究了有限样本量下估计的表现。     

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。     

Auxiliary Variables in Multiple Imputation When Data Are Missing Not at Random

Most current implementations of multiple imputation (MI) assume that data are missing at random (MAR), but this assumption is generally untestable. We performed analyses to test the effects of auxiliary variables on MI when the data are missing not at random (MNAR) using simulated data and real data. In the analyses we varied (a) the correlation, (b) the level of missing data, (c) the pattern of missing data, and (d) sample size. Results showed that MI performed adequately without auxiliary variables but they also had a modest impact on bias in the real data and improved efficiency in both data sets. The results of this study suggest that, counter to the concern about the violation of the MAR assumption, MI appears to be quite robust to missing data that are MNAR in analytic situations such as the ones presented here. Further, results can be made even better via the use of auxiliary variables, particularly when efficiency is a primary concern.     

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.