两样本半参数模型的经验欧氏似然估计

在本文中，我们证明了两样本半参数模型的经验欧氏似然估计的相合性和渐近正态性，也证明了两样本半参数模型的经验欧氏似然比统计量的渐近x2分布性，最后给出了两个例子．     

半参数模型的经验欧氏似然估计的大样本性质

本文证明了半参数模型的经验欧氏似然估计的强相合性和渐近正态性,还证明了经验欧氏似然比统计量的渐近x~2分布性,最后给出了几个例子。     

调整经验欧氏似然及其性质

经验(欧氏)似然是近年来非常流行的非参数统计方法之一,但其存在凸包限制和计算复杂等不足之处.针对此不足,CHEN等人(2008)给出调整经验似然.本文借助此想法,给出调整经验欧氏似然方法,进而讨论其相应的统计性质.理论结果显示,调整经验欧氏似然有与经验欧氏似然完全类似的性质;模拟结果显示,在某些情况下(如二维情况),调整经验(欧氏)似然所得的区间估计具有较好的覆盖率.此外,调整经验欧氏似然的思想和计算都比较简单.从实用角度看,具有较高的推广价值.     

平衡增加的经验欧氏似然

经验(欧氏)似然方法是近年来非常流行的一种非参数统计方法.针对经验(欧氏)似然的凸包限制和计算复杂问题,本文借助Emerson和Owen (2009)所提出的平衡增加思想对经验欧氏似然进行修正,得到了平衡增加的经验欧氏似然.随后论文从理论和模拟两个方面进行了研究.理论上给出了该方法与经验欧氏似然检验函数之间的联系,即在固定的样本量n下随着添加点位置的连续变化,检验方法可以从简单的均值增加经验欧氏似然变化到经验欧氏似然检验;模拟结果显示,适当选取调整因子,平衡增加的经验欧氏似然相对于(调整)经验欧氏似然而言,在大多数情况下,其分布更接近于对应的极限分布.     

非线性回归模型的经验似然诊断

经验似然方法已经被广泛用于线性模型和广义线性模型.本文基于经验似然方法对非线性回归模型进行统计诊断.首先得到模型参数的极大经验似然估计;其次基于经验似然研究了三种不同的影响曲率度量;最后通过一个实际例子,说明了诊断方法的有效性.     

Logistic回归模型的经验似然诊断

经验似然方法已经被广泛用于许多模型的统计推断.基于经验似然对Logistic回归模型进行统计诊断.首先给出模型的估计方程,进而得到模型参数的极大经验似然估计;其次,基于经验似然研究了三种不同的影响曲率;最后通过实例分析,说明了统计诊断方法的有效性.     

基于经验似然的部分线性模型的统计诊断

经验似然方法己经被广泛应用于许多模型的统计推断.本文基于经验似然对部分线性模型进行统计诊断.首先给出模型的估计方程,进而得到模型参数的极大经验似然估计;其次,基于经验似然研究了三种不同的影响曲率;最后通过随机模拟和实例分析,说明了统计诊断方法的有效性.     

核实数据下非线性EV模型中经验似然降维推断

本文研究了响应变量有误差的非线性模型.应用半参数降维技术构造未知参数的被估计经验似然及调整的经验似然,证明了所提出的被估计的经验对数似然与其调整的经验对数似然分别渐近于独立卡方变量加权和的分布与标准卡方分布,所得结果可用来构造未知参数的置信域.     

一种新的空间计量模型——部分线性可加自回归模型及其应用

本文提出一种新的空间计量模型,部分线性可加空间自回归模型。首先,引入样条逼近可加函数分量,然后利用截面拟似然的思想得到模型参数的估计;所提出的估计方法简单易行,且对误差分布的要求低。通过模拟研究,得到所提出估计方法的有限样本性质,模拟结果显示了所提出估计的有效性;最后,将估计方法应用到波士顿房屋数据进行统计分析,得到了较他人估计更好的结果。     

纵向数据下部分非线性模型的广义经验似然推断

本文研究了纵向数据下部分非线性模型中未知参数的置信域的构造.利用经验似然方法,构造了非线性函数中未知参数的广义对数经验似然比统计量,证明了其渐近于卡方分布.同时,得到了未知参数的最大经验似然估计,并证明了其渐近正态性.     

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.     

部分线性模型的模态正交经验似然推断

本文考虑部分线性模型的有效经验似然统计推断问题.通过结合模态回归和正交投影技术,提出了一种模态经验似然统计推断过程.证明了提出的经验似然比函数渐近服从中心卡方分布,进而构造了模型参数的置信区间.所提出的估计方法可以对模型的参数分量和非参数分量分别估计,而互不影响,具有较好的稳健性和有效性.     

核实数据帮助下误差在反映线性模型经验似然降维推断

在核实数据帮助下, 考虑误差在反映线性模型. 半参数降维技术分别应用于定义β的渐近正态估计和β与其线性组合的被估计经验似然及调整经验似然. 我们分别证明被估计的经验对数似然及其调整的经验对数似然渐近于独立卡方变量加权和的分布及标准卡方分布.     

Panel Count Data模型参数的经验似然推断

对Panel Count Data的处理越来越受到人们的关注,Sun与Wei^([1-2])基于简单的半参数模型,提出了Panel Count Data的回归分析,并且给出了参数的估计方程。本文则基于经验似然的思想,讨论了上述Panel Count Data模型参数的置信域构造问题,特别仅通过经验似然置信区域给出了参数估计的方差阵估计,证明了估计的1/n相合性。基于Sun与Wei所给的数据,给出了参数置信区域的具体构造过程和结果。通过作图比较可以看出经验似然置信域要优于依据渐近正态性所构造的置信域。我们还依据所作出的经验似然置信域对参数估计的方差矩阵进行了估计,与用传统渐近正态性得到的矩阵较为接近。     

缺失数据下双重广义线性模型的经验似然推断

本文基于截面经验似然的方法,在响应变量随机缺失时,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.数据模拟中,在完全数据集,逆概率加权填补所得的数据集和未加权填补所得的数据集三种情形下,将经验似然方法与正态逼近方法相比较.结果表明在双重广义线性模型中,逆概率加权这一填补方法和经验似然方法是有效和可行的.     

缺失数据下含几何分布的对数线性模型的EM算法

本文研究缺失数据下对数线性模型参数的极大似然估计问题.通过Monte-Carlo EM算法去拟合所提出的模型.其中,在期望步中利用Metropolis-Hastings算法产生一个缺失数据的样本,在最大化步中利用Newton-Raphson迭代使似然函数最大化.最后,利用观测数据的Fisher信息得到参数极大似然估计的渐近方差和标准误差.     

非线性回归模型中的约束拟似然

在非线性回归模型中,拟得分函数是一类线性无偏估计函数中的最优者(GodambeandHeyde(1987),朱仲义(1996)),而由拟得分函数得到的拟似然估计在由线性无偏估计函数得到的估计类中具有渐近最优性(林路(1999)).本文则研究非线性回归模型中的有偏估计函数理论,构造了参数的约束拟似然估计,得到了约束拟似然的局部最优性,局部改进了拟似然估计,从而扩充了线性模型中的有偏估计理论.     

半函数线性模型的k近邻经验似然推断

将k近邻方法应用到经验似然方法中,并以此来研究函数型数据下,半函数部分线性模型的估计问题.通过构造参数分量的对数经验似然比函数,得到该经验对数似然比依分布收敛于χ2分布,同时给出了非参数部分的估计值和收敛速度,并给出了经验似然方法在模拟研究中的应用.     

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.     

一个简化的新Laplace AR(1)模型 参数估计及其渐近性质

研究了一个简化的新的Laplace AR(1)模型参数的条件最小二乘估计和最大拟似然估计,并讨论了它们的强相合性和渐近正态性.通过数值模拟和实际例子,说明了最大拟似然估计及模型的优越性.