多层线性模型参数估计的MCEM算法

应用Monte Carlo EM(MCEM)算法给出了多层线性模型参数估计的新方法,解决了EM算法用于模型时积分计算困难的问题,并通过数值模拟将方法的估计结果与EM算法的进行比较,验证了方法的有效性和可行性.     

部分线性分位回归模型估计的MM算法

近年来,关于部分线性分位回归模型的估计方法的研究得到了较多的关注.但由于目标函数的非光滑性,估计程序的实现是比较具有挑战性的.文章将采用MM(Majorization Minimization)算法计算部分线性分位数回归模型的估计.其基本原理是首先找到目标函数的优化函数,然后借助优化函数的最小化过程,逐步迭代至目标函数的解.数值模拟和实证研究表明该算法具有较好的稳定性和较强的数值计算能力.     

中国上市公司总资产与营业收人关系的实证分析

企业将资产运用于生产经营活动,并由此赚取更多的资产,即产生公司的收入.因此企业资产与收入之间必定存在一定的相关关系.在对上市公司总资产与营业收入进行一般线性拟合的基础之上,采用分位回归模型对上市公司的总资产与营业收入的关系进行深入剖析.结果表明,传统的线性模型只能揭示出总资产与营业收入呈正相关关系,而分位回归方法能更好地看出,高分位点营业收入的企业在提高一定总资产时,会更能促进营业收入的增长.由于收集到的数据中存在离群点,在第5节讨论了线性分位回归模型的统计诊断,类比于一般线性模型的R square得到不同分位点上的R square.通过删除离群点的处理,得出分位回归模型比一般线性模型更加稳健,数据在高分位点的拟合效果更好一些.     

基于偏最小二乘路径模型的分位效应测度

对于偏最小二乘路径模型的效应分析,为了测度路径模型的分位效应,文章首先给出了偏最小二乘路径模型建模的具体过程.其次,基于潜变量得分与分位回归提出估计平滑分位效应的方法,给出了平滑分位效应的Bootstrap置信带的算法.最后,考虑顾客满意度的分位异质性,对满意度模型的分位效应进行分析.结论表明,该方法是对传统偏最小二乘路径模型的一种补充且可获得更有深度的决策信息.     

带税基的个人所得税分位回归预测模型

为了突破税收预测常用分析思路及方法的局限,更全面的反映数据全貌和回归信息,提出带税基的个人所得税分位回归预测模型.即以分位回归为基础模型,兼顾时间和税基因素,完成预测模型的构建,为预测领域提供一种新工具.利用1994-2014年的个人所得税和城镇居民人均可支配收入数据,以不带税基和带税基的模型为参照,比较所提出模型对2014年的预测效果,并给出2015年个人所得税的预测情况.研究发现,分位回归预测模型与线性回归模型揭示的变量间关系规律吻合,仍然保持较高的预测精度,对数据的展示更为详实,尤其在中段分位处,城镇居民人均可支配收入对个人所得税的影响表现的较为突出.     

非参数方法估计分位数模型的研究综述

目前国内对于线性分位数回归模型的研究及其应用正在火热进行中,而非参数计量方法由于其优越性也受到越来越多人的重视,但对于两种方法结合应用的相关研究才刚刚开始.对于目前国内外已有的以及正在发展中的非参数方法估计分位数回归模型做了一个综述,包括理论综述及实证应用综述,其中重点介绍了此方面研究的前沿理论:Li and Racine关于非参数估计条件累积分布函数(CDF)和分位函数的研究.通过介绍,希望对于我国非参数估计分位数回归模型方法的研究和应用有所裨益.     

贝叶斯复合分位回归的Gibbs抽样算法（英文）

大多数基于传统均值回归的建模方法都对非正态误差表现出不稳健的估计结果.和传统均值回归相比,复合分位回归(CQR)可以产生稳健的估计.基于一个复合反对称Laplace分布(CALD),我们建立了加权复合分位回归(WCQR)的贝叶斯分层模型.Gibbs抽样算法被发展用于WCQR的后验推断.最后,我们提供了一些模拟研究和一个实际数据分析来验证所提方法.     

部分函数型线性可加分位数回归模型

文章结合可加分位数回归模型和函数型线性分位数回归模型,提出了部分函数型线性可加分位数回归模型.我们采用函数型主成分基函数逼近斜率函数,B-样条基函数逼近可加函数,提出了模型的估计方法;在一些基本的假设条件下,给出了斜率函数估计和可加函数估计的收敛速度;最后通过模拟计算和应用实例表明了所提方法的有效性.     

模型平均方法及应用专辑序言

正模型平均方法是当今国际统计学和计量经济学研究的热点之一,具有十分广泛的应用价值,最近十几年已取得重要进展.为了推动模型平均方法在国内的研究,展示它在理论及应用方面的最新进展,扩大其影响力,促进同行之间的交流与合作,我们组织了模型平均方法及其应用的专辑.本专辑共包括14篇论文,分两期出版,其中理论研究的论文涉及了广义线性模型、分位回归模型、空间回归模型、函数型回归模型和异方差模型等多种不同的复杂统计模型,对     

可加模型的无交叉分位回归曲线与房价问题研究

高维数据分析是当前研究的热点话题,而在对其进行分析时,非参数方法由于其灵活,无需对模型进行假定,得到了广泛的发展和认可。其中可加模型不仅能够有效地对变量进行降维,避免"维数灾难"的发生;而且能够得到各个变量的边际效应,具有很好的解释性。为了得到更加稳健的估计量,本文考虑利用分位回归方法对可加模型进行估计。分位回归方法由于其能够全面地刻画因变量在各个分位点上的变化趋势,并不受误差分布的限制,使得该方法具有更广泛的应用性。本文综合考虑以上优势,提出局部线性最小化检验函数估计方法和局部线性双核估计方法对可加模型进行估计。并且该方法能够有效地避免可加模型分位回归曲线的交叉问题.蒙特卡洛结果显示,与传统的均值估计法相比,不论误差分布的形式,我们提出的方法更具有优越性。用北京市二手房房价数据进行实证分析,进一步验证了本文提出的估计方法。     

基于变系数模型的自适应分位回归方法

提出了变系数模型条件分位估计的一种新方法.变系数模型已经成为经济学、流行病学、纵向数据和医学领域处理高维数据的有力工具.该模型有助于探测数据的动态特征、降低模型偏差、避免高维灾难,同时便于解释.尽管关于变系数模型条件均值的估计已经有很多文章,但关于变系数模型条件分位的估计方面的文章相对较少.文中提出了一种有效的适应性分位回归方法来诊断出齐性邻域,进行局部自适应窗宽选择和局部线性逼近,同时给出了估计量的风险界和最优窗宽的自动选择准则.模拟研究说明了所提出估计方法的效果.     

多元线性回归模型参数估计的递推算法及误差分析

讨论新增数据信息对多元线性回归模型的修正原理,给出不断加入新增数据信息的多元线性回归模型参数估计值的一种递推算法.利用影响因子的概念来刻画新增信息对预测误差的影响,并给出了算法和应用实例.     

空间分位自回归模型的EM估计

基于EM算法对空间分位自回归模型提出了一种新的参数估计方法,通过构造一个集中Q函数,简化了M步中空间滞后参数的估计.与已有的ELQR和ⅣQR方法相比,方法计算简单,蒙特卡洛模拟结果表现较好.     

超高维部分线性模型的PGFR变量筛选

本文考虑超高维部分线性模型,其中线性部分的维数p大于样本量n,且维数p随着样本量n呈指数阶增长.首先,利用半参数回归的profile方法,把超高维部分线性模型转化成超高维线性模型.其次,为了对高维线性分量进行有效的变量筛选,考虑到协变量之间的相关性,结合贪婪算法和向前回归变量筛选方法,针对部分线性模型,提出了profile贪婪向前回归(PGFR)变量筛选方法.在一定正则条件下,证明了所提PGFR方法具有筛选相合性.为了确定所选模型是否能够依概率趋于1包含真实模型,进一步提出了BIC准则.最后,通过模拟研究和实例分析验证了PGFR方法在有限样本下的完成情况.     

带固定效应面板数据空间误差模型的分位回归估计

本文研究了含有个体固定效应的面板数据空间误差模型,基于工具变量法给出了估计模型未知参数的分位回归方法.随机模拟结果显示,工具变量分位回归估计是处理空间面板数据的有效手段,且明显优于均值回归方法.     

条件分位中的分层线性回归模型

由于分位回归具有很多优点, 近年来它逐渐成了线性和非线性响应模型综合性的统计分析方法，但是它却不能有效地处理具有分层结构的实际数据. 然而，在现实生活中具有这种结构的数据是一种普遍现象.忽略数据的这种结构会冒很大的风险, 甚至让传统意义下的统计分析方法失效; 另一方面, 尽管分层模型考虑到了数据的这种结构, 但它实际上就是均值回归, 所以不可能全面刻画给定高维解释变量条件下的响应变量的条件分布问题. 另外, 它估计出来的系数向量(边际效应)对于响应变量中的离群点很敏感. 本文基于Gauss-Seidel 迭代法, 提出了一种新的算法, 该算法充分利用了分位回归和分层模型二者的优点, 创造性地解决了前面所提出的问题.在理论方面, 我们还考虑了新方法的渐近性质, 得出了简单条件下n^1/2收敛速度和渐近正态性. 最后, 将我们的新方法用到一个典型的具有分层结构的实际教育数据上去, 并且介绍如何解释所得的结果.     

基于模糊积分的金融数据建模方法

以非可加模糊测度代替经典可加测度,基于模糊积分建立非线性回归模型是新近出现的数据建模方法.该方法充分考虑自变量因素之间的信息熔合(含协同或冲突)作用.本文完整地给出了适用于实数范围内的基于模糊积分(含Choquet积分和(S)ipo(s)积分)的多元非线性回归模型转化为普通线性回归模型的非线性转换方法及其简化算法.并将该方法应用于金融市场数据分析,结果表明效果较之普通多元线性回归有大的提高,且方法简便容易应用.     

半参数空间分位回归模型的估计与变量选择

对于高维空间数据,利用半参数空间自回归进行建模,模型中会同时存在内生性、非线性、变量过多等问题。本文研究半参数空间分位回归模型,提出了新的估计程序:首先利用样条基函数,对模型中未知平滑函数进行逼近,解决非线性问题;然后运用特征向量空间滤波,将空间滞后因子转化为空间代理变量的线性组合,有效解决了内生性问题;利用再中心化影响函数,进行无条件分位回归建模,能够刻画不同分位水平下变量之间的关系;最后引入自适应Lasso惩罚,对高维线性部分进行变量选择,得到系数的稀疏估计,有效增强了模型的可解释性。数值模拟中对参数作不同的设置,展现了本文提出方法的有效性。最后,利用半参数空间分位回归模型分析了住房销售价格数据集。     

二元选择分位回归的自适应LASSO改进

为避免模型出现过拟合,将自适应LASSO变量选择方法引入二元选择分位回归模型,利用贝叶斯方法构建Gibbs抽样算法并在抽样中设置不影响预测结果的约束条件‖β‖=1以提高抽样值的稳定性.通过数值模拟,表明改进的模型有更为良好的参数估计效率、变量选择功能和分类能力.     

Switching Control of Nonlinear Systems Based on the Quasi-ARX Model and the SVR Algorithm北大核心CSCD

该文基于改进的含有外部输入项的准线性自回归(准ARX)径向基函数(RBF)网络模型和支持向量回归(SVR)算法,提出了一种非线性切换控制方法.改进的准ARX模型非线性部分采用RBF网络.控制系统设计过程分为三个部分:首先,利用聚类方法确定模型的非线性参数;然后,采用线性SVR算法来解决控制系统的鲁棒性问题;接下来,基于控制误差给出切换判定函数,确定切换律给出控制序列.最后通过数值仿真验证了该方法的有效性.