基于辅助信息的分层排序集抽样及调查费用分析

辅助信息在改进和完善抽样设计、提高抽样估计精度和节省抽样费用等方面具有重要作用,鉴于此,基于分层排序集样本建立了总体均值的比率估计量,同时考虑估计精度和调查费用两个方面,证明了抽样方案的优良性.最后,通过实例进一步分析,结果表明,在给定的估计精度下,分层排序集抽样方法可以有效降低抽样调查费用.     

基于辅助信息的分层排序集抽样及调查费用分析北大核心

辅助信息在改进和完善抽样设计、提高抽样估计精度和节省抽样费用等方面具有重要作用,鉴于此,基于分层排序集样本建立了总体均值的比率估计量,同时考虑估计精度和调查费用两个方面,证明了抽样方案的优良性.最后,通过实例进一步分析,结果表明,在给定的估计精度下,分层排序集抽样方法可以有效降低抽样调查费用.     

排序集抽样下指数分布参数的最优线性无偏估计

排序集抽样方法适用于样本测量困难但排序容易的场合,其样本包含了次序信息.指数分布在寿命试验中占有非常重要的地位,为了提高指数分布参数的估计效率,本文提出了排序集抽样下参数的最优线性无偏估计量,计算了新估计量的方差,证明了其具有渐近正态性.相对效率和模拟效率的研究结果表明:新估计量的估计效率不仅高于简单随机抽样下一致最小方差无偏估计量,也高于排序集抽样下样本均值和修正极大似然估计量.最后,将推荐方法应用到转移性肾癌的临床研究中,从而验证该方法的有效性.     

基于中位数排序集抽样的非参数估计

本文提出中位数排序集抽样下总体中位数的非参数估计,证明了这种估计具有强相合性和渐近正态性,并系统验证了新估计量的功效一致优于排序集抽样下和简单随机抽样下总体中位数的估计量。最后,我们对针叶树的一组真实数据进行了实际应用。     

空间混合效应随机前沿模型估计方法研究

在经典随机前沿模型中引入随机效应和空间效应,构建了空间混合效应随机前沿模型。模型考虑了生产单元技术水平的异质性并且可以有效避免忽略内生性问题导致的有偏且不一致估计量,适用性更佳。使用贝叶斯方法估计模型,核心在于推导未知参数的后验分布以及MCMC抽样。相比于其他估计方法,贝叶斯方法简单直观且精度较高,更适合复杂模型的估计。数值模拟结果显示:①贝叶斯估计的精度较高。增加样本容量有助于提高精度。②忽略随机效应,估计精度偏低。数值模拟表明文中模型和方法有存在必要性。     

一种新的中位数排序集抽样下的对总体均值的Horvitz-Thompson估计

排序集抽样(RSS)是一种著名的抽样技术,它有许多变体,中位数排序集抽样(MRSS)就是其中一种.与简单随机抽样(SRS)相比,RSS在估计总体均值方面具有优势.然而,RSS及其变体的局限性在于,当给定样本大小n时,抽样过程中每次SRS的规模m只能是n或者n的因子.介绍了一种改进的中位数排序集抽样方法MRSS(m),它比原方法在抽样过程上有更多的选择.实验表明,采用新的抽样方法MRSS(m),可以提高Horvitz-Thompson(HT)估计量的估计效率,同时还降低了抽样成本.     

模型辅助条件下广义最优回归抽样估计方法研究

在抽样估计中,当超总体模型为非线性形式时,广义回归估计量和最优估计量的估计效果均有待提高,而非参数回归估计量虽然能在一定程度上提高估计精度,但需要获得全部总体单位的辅助变量值,这在实际调查中往往难以满足。本文基于传统的广义回归估计量和最优估计量,借鉴非参数回归中局部多项式的估计思想,对原始辅助变量信息进行扩展,得到原始辅助变量多次方形式的新辅助变量,进而研究提出广义最优回归估计量。该估计量可以克服广义回归估计量、最优估计量和非参数回归估计量的缺陷,并证明其满足渐近无偏性和一致性。在不同超总体模型下,通过数值模拟方法比较了各类回归抽样估计方法的估计效果,模拟结果显示:在线性模型下,除了π估计量的精度较差,其余各类估计量的估计精度基本相同;但在非线性模型下,最优估计量和广义回归估计量的估计精度明显下降,而广义最优回归估计量和非参数的局部多项式回归估计量的估计精度都较好。     

基于广义回归估计的校准加权设计效应模型研究

校准是最常用的加权调整方法,然而传统加权调整设计效应模型只考虑有差异权数导致的精度损失,忽略使用辅助信息后的精度改进,因此应用于设计效应计算时存在一定的缺陷。本文在Spencer模型的基础上进行拓展,引入反映辅助变量和调查变量相关关系的广义回归估计量,构建了校准加权设计效应的一般模型。数值分析结果显示,校准加权设计效应模型的效果优于传统加权调整设计效应模型;尤其在调查变量与辅助变量高度相关的情形下,校准加权设计效应模型能够准确地估计出不等概率抽样设计和校准调整的综合效率。     

优良抽样设计下总体均值的比率估计

当研究目标的实际测量具有不可修复的破坏性或耗资巨大时,有效的抽样设计将是一项重要的研究课题.在统计推断方面,排序集抽样被视为一种更为有效的收集数据的方式.极值排序集抽样(ERSS)是一种改进的排序集抽样.文章在ERSS下研究了总体均值的比率估计.以正态分布为例,比较了简单随机抽样和ERSS下比率估计的相对效率.数值结果表明ERSS下的比率估计优于简单随机抽样下的比率估计.     

基于改进ICA模型的高维波动率估计

本文对IC-GARCH模型进行改进,放宽了ICA关于独立成分是IID的假设,考虑独立成分为ARMA模型的平稳过程,提出了基于自相关结构的IC-GARCH估计方法,并给出了估计量的理论性质和计算效率较高的迭代估计算法。最后,对改进方法进行了模拟和实证分析,结果表明本文提出的模型能够使多元GARCH模型应用于高维金融数据,并大大提高了金融资产收益波动率的估计精度。     

以多辅助指标线性组合为辅助信息的比估计法

本文以提高估计量的精度为目的,把多个辅助变量适当加权构造了一个单辅助变量,利用构造的单辅助指标定义了一个新的比估计量,从理论上研究了这种辅助指标组合中权w_k的选取方法.并将这种新构造的比估计量与单辅助指标比估计量、Srivastava及B.Kiregyera链式比估计量在精度上进行了数值比较,结果表明:这种新的多辅助指标组合比估计在精度上要优于以上几种比估计.     

部分线性变系数模型改进的加权混合Profile-Liu估计

研究半参数部分线性变系数模型的有偏估计,当回归模型参数部分自变量存在多重共线性时,在随机线性约束条件下,融合Profile最小二乘估计、加权混合估计和Liu估计构造回归模型参数分量改进的加权混合Profile-Liu估计,并在一定正则条件下证明估计量的渐近性质,最后利用蒙特卡洛数值模拟验证所提出估计量的有限样本表现性.     

基于混合地理加权Fay-Herriot模型的小域估计

作为一类区域层次模型, Fay-Herriot模型在小域估计中已经得到广泛的应用,这类模型假定各区域的直接估计是空间不相关的.很多情况下这个假定是不成立的,因此一些考虑空间效应的Fay-Herriot模型被提出.本文基于混合地理加权回归模型提出一类新的Fay-Herriot模型用以刻画空间非平稳性,基于提出的模型,给出小域目标参数的经验最佳线性无偏预测估计量,并研究了该估计量的均方误差.最后通过数值模拟验证了所提方法的有效性.     

双因素误差成分的空间面板模型的参数估计

本文构造了比较一般化的双因素误差成分结构的空间面板数据模型,其中误差成分的设定为个体效应也存在空间相关性.基于广义矩估计方法,通过构造最优的工具变量,寻找合适的矩条件组和权重矩阵,讨论了模型的参数估计问题,并证明了估计量的相合性.通过随机模拟分析估计量的有限样本性质,结果表明加权矩估计量的渐近效果优于未加权矩估计量,并且模型参数的可行的广义二阶段最小二乘估计量的估计效果很好.     

半变系数模型的Back-Fitting估计

针对半变系数回归模型给出了一种后向拟合方法,该方法可得到模型中常值系数估计量的精确表达式;同时给出了实验设计方法和数值模拟结果,用于验证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.     

排序集抽样下指数分布的产品可靠度研究

为了提高指数分布产品可靠度的估计效率,研究了基于排序集抽样方法的极大似然估计量(Maximum likelihood estimator,MLE),证明了新MLE具有存在性、唯一性和渐近正态性,并通过排序集样本的Fisher信息得到MLE的渐近方差。针对似然方程没有显式解的问题,利用部分期望法对MLE进行修正,并给出其具体表达式。渐近相对效率和模拟相对效率的研究结果表明:排序集抽样下MLE和修正MLE的估计效率都一致高于简单随机抽样下MLE。最后,将推荐方法应用到转移性肾癌的临床研究中。     

基于双系统估计量的人口普查净误差估计

针对中国和其他许多国家在使用双系统估计量时所存在的未对总体人口事后分层和未估计小区域净误差等诸多问题,从理论和实际操作层面构造基于捕获-再捕获模型的双系统估计量及合成双系统估计量.采用数理模型分析技术和抽样推断方法,研究双系统估计量,双系统估计量的抽样方差估计,以及小区域的净误差估计.研究结果表明:双系统估计量须在事后...     

基于部分线性变系数空间误差模型的网络结构缺失数据借补估计

文章采用空间误差模型刻画个体之间的网络结构关系,讨论响应变量随机缺失时部分线性变系数空间误差模型的估计和借补问题.首先,利用矩阵分块和截面似然技术构建了参数估计量,并证明了参数估计量的渐近分布和未知系数函数估计量的收敛速度.其次基于部分线性变系数模型,提出了带有空间网络结构的缺失数据的借补方法.最后,通过蒙特卡洛模拟研究了估计量的有限样本性质,并将该方法应用于QQ数据集分析.     

产品可靠寿命的最优排序集挑选设计

针对产品可靠寿命的估计问题,构造了基于排序集挑选样本的非参数估计量,证明了该估计量具有强相合性和渐近正态性。针对不同的可靠寿命,具体给出了使得估计效率达到最大的最优挑选抽样设计。最后,渐近相对效率和实际应用的研究结果表明:最优挑选设计的抽样效率高于简单随机抽样。     

固定效应面板数据部分线性模型的加权截面LSDV估计(英文)

本文考虑误差为自回归过程的固定效应面板数据部分线性回归模型的估计.对于固定效应短时间序列面板数据,通常使用的自回归误差结构拟合方法不能得到一个一致的自回归系数估计量.因此本文提出一个替代估计并证明所提出的自回归系数估计是一致的,且该方法在任何阶的自回归误差下都是可行的.进一步,通过结合B样条近似,截面最小二乘虚拟变量(LSDV)技术和自回归误差结构的一致估计,本文使用加权截面LSDV估计参数部分和加权B样条(BS)估计非参数部分,所得到的加权截面LSDV估计量被证明是渐近正态的,且比可忽略误差的自回归结构模型更渐近有效.另外,加权BS估计量被推导出具有渐近偏差和渐近正态性.模拟研究和实际例子相应地说明了所估计程序的有限样本性.