响应变量缺失下可伸缩的模型平均估计

当响应变量缺失时,本文研究了线性模型的可伸缩的模型平均估计问题。基于逆概率加权方法和奇异值分解对原模型进行转换,所构建的模型平均估计最多只需要选择p个候选模型的权重。利用Jackknife准则选择权重,且权重之和不必限制为1。在一定的条件下证明了所提方法在实现最小二次损失意义下是渐近最优的,并通过数值模拟进一步验证了所提方法在预测效率和计算成本方面的优良性。

投入变量缺失系统DEA效率评价

针对投入变量缺失生产服务系统,提出一种基于DEA的相对效率评价方法。由于该系统的投入无法确知,首先需要依据产出对各决策单元(DMU)进行分组,并将其相对效率分解为组内效率与组间效率。对于组内效率,引入虚拟投入变量利用传统超效率DEA模型进行评价。而对于组间效率,则建立扩展的超效率DEA模型。最终以两类效率之积评价所有决策单元之间的相对效率。理论分析表明:投入缺失系统内决策单元有效的充要条件是其组内效率及其所在组的组间效率均有效。文章最后以基金项目评审为例进行实证分析,说明了本方法的合理性与可行性。

协变量缺失下集值映射多目标规划模型仿真

数据采集时产生的数据缺失对多目标规划结果有着直接影响,将其作为考量因素,构建一种基于协变量缺失的集值映射多目标规划模型。根据下层决策者的反应,完成上层决策者的最优决策制定,采用目标函数值集代替最优反应集,架构集值映射多目标规划问题的数学模型及对应约束条件,从模型参数与非参数两个角度,实现协变量缺失下的经验似然推断。依据不同缺失概率的经验似然检验效果、各层函数不同等级的函数评估次数以及由目标函数取得的相关指标数据等各研究成果可知,所建模型具有一定的有效性与显著的性能优越性,大幅缩减了函数评估次数,对决策变量维数有较强的鲁棒性,拥有广阔的发展前景。

协变量缺失下基于结构EM算法因果网模型选择

针对NSCOT数据,选用了结构EM算法对模型进行选择。经过具体的计算和分析得到结论,一个人的身体素质和运送到医院的时间都会对患者的生存产生直接的影响,而受伤的严重程度只对患者的生存产生间接的影响。

协变量缺失下变系数模型基于经验似然的加权分位数回归

在部分协变量随机缺失的变系数分位数回归模型中,提出回归参数的逆概率加权估计和基于经验似然的加权估计,并讨论了这两种估计的大样本性质.从渐近方差可见,基于经验似然的加权估计效率高于逆概率加权估计.

协变量缺失下基于诱导光滑方法的加权分位数回归

在部分协变量随机缺失机制下的分位数回归模型中,提出回归参数的诱导光滑加权估计及其渐近协方差估计,证明了诱导光滑加权估计和经验似然加权估计有相同的渐近协方差,且诱导光滑加权估计的渐近协方差估计也是相合的,并给出了诱导光滑加权估计及其渐近协方差估计的高效算法.模拟结果表明,新方法在有限样本下表现优良.

协变量缺失下加速失效时间模型基于经验似然的加权估计

在部分协变量数据缺失的加速失效时间模型中,提出了参数的逆概率加权(IPW)估计和基于经验似然的加权(ELW)估计,证明了这两种估计的大样本性质.结果表明,ELW估计计算简单,且对回归参数的估计效率高于IPW估计.

协变量缺失下变系数部分非线性模型的统计推断

本文研究协变量缺失下变系数部分非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.

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.

响应变量缺失下变系数模型的分位数回归

针对响应变量随机缺失情况下变系数分位数回归模型的非参数估计问题,提出了将B样条和逆概率加权相结合的估计方法。缺失数据在统计工作中难免会遇到,首先用logistic模型产生响应变量的缺失概率,然后对变系数模型的系数函数采用B样条逼近技术,利用缺失概率构建逆概率加权分位数回归的损失函数,得到模型的未知系数函数估计;在模拟研究中,将得到的估计与直接使用完全数据的估计方法进行对比,发现在响应变量随机缺失下,将B样条和逆概率加权相结合的变系数模型分位数回归在有限样本情况下表现良好,模拟研究结果表明该方法有效;最后将所研究的方法运用到挪威公共道路管理局收集的奥斯陆地区相关数据中,研究了空气中二氧化氮浓度与道路车流量和风速之间的关系,得出合理的结论,进一步证明了该方法的合理性。

响应变量缺失下部分线性模型的异方差检验

研究了响应变量缺失下部分线性模型的异方差检验问题。首先,利用回归借补的思想对随机缺失的数据进行补全;其次,把经验似然的方法引入到部分线性模型的异方差检验中来,构造经验似然比统计量,并证明了在零假设下该统计量渐近服从卡方分布;最后,利用R软件进行数值模拟。结果表明:该检验统计量在检验水平和功效上均具有良好的效果,证明了经验似然方法在异方差检验中是可行的。

响应变量缺失时偏线性测量误差模型的变量选择

考虑当响应变量缺失且协变量包含测量误差时偏线性模型的变量选择问题,提出了基于SCAD(smoothly clipped absolute deviation)惩罚最小二乘和STEE(smooth-threshold estimating equations)的两种变量选择方法.利用半参数回归替代估计来处理缺失的响应变量.通过选择合适的调整参数,且在一定的正则条件下,可以证明这两种变量选择方法具有渐进正态性和先知性.数值模拟研究进一步给出了估计的有限样本性质.

响应变量缺失的半参数 EV 模型估计的渐近正态性

本文重点研究半参数模型中估计量的性质,根据实际情况特别考虑了缺失数据和测量误差的影响。 缺失数据采用三种不同的方法处理:直接删除法、插值填补法和回归插值法。同时,得到了斜率参数和非参数变量的相应估计量。在合适的条件下,我们深入研究了这些估计量的渐近正态性,为未知参数和函数的置信区间的构建提供了基础。此外,在不同的样本量和缺失概率下也对理论结果进行了数值模拟,其结果与理论结果一致。

响应变量缺失下变系数部分非线性模型的统计推断

本论文考虑响应变量缺失下变系数部分非线性模型的统计推断,我们采用完全数据方法下的轮廓非线性最小二乘来估计未知参数和非参函数,同时建立了估计量的渐近正态性。

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.

协变量缺失下部分线性模型的模型选择和模型平均

本文研究了协变量随机缺失下部分线性模型的模型选择和模型平均问题.首先利用逆概率加权方法得出了线性回归系数和非参数函数的估计,并在局部误设定框架下证明了线性回归系数估计量的渐近正态性.然后构造了兴趣参数的兴趣信息准则和频数模型平均估计量,并根据该模型平均估计量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.模拟研究和实例分析分别说明了本方法的优越性和实用性.

协变量数据缺失情形下的参数估计方法

在抽样调查活动中,如何对含缺失的数据集进行总体参数估计是一个热点话题。目前已有方法主要针对因变量数据缺失的情形,对协变量缺失的情况研究较少。文章在协变量数据缺失机制为MAR或NMAR的情形下,介绍了几种协变量缺失情形下参数估计的方法,包括多重插补法、Bayes法、EM极大似然估计法,尝试将EM算法、Gibbs抽样法、数据扩充算法等统计计算方法引入协变量缺失情形下的参数估计问题。并通过数值模拟,对几种方法进行比较。

解决多中心药品安全性研究中变量丰度不同的策略及应用概述

当药品上市后安全性研究所关注的不良结局事件较为罕见时,开展多中心研究是解决此问题的必要措施。但多中心研究常受困于不同中心变量丰富程度不同的问题,尤其是分中心关键变量的完全缺失,导致研究无法在调整混杂时充分利用各中心的全部信息。近年提出的倾向性评分校正和迁移学习是处理分中心某些变量完全缺失的可用策略,其中倾向性评分校正已应用于药物流行病学领域,但尚未见迁移学习在该领域的报道。本文将概述两种方法的特点及应用,并重点梳理可用于解决此类问题的几类迁移学习方法,为迁移学习在多中心药品安全性评价的深入研究提供参考。

协变量存在缺失的因果效应稳健估计

文章借助逆概加权方法作用于影响函数,给出协变量存在缺失时倾向评分的估计方法。同时,针对现实研究中倾向评分取值可能接近0或1的情况,应用倾向评分扩展加权给出因果效应的估计。特别是推广Hirano(2003)的方法,导出其因果效应的渐近方差。模拟结果表明,提出的方法估计出的方差与样本方差接近,并且得到的因果效应优于传统方法,具有较小的Bias与MSE。

基于缺失变量估计误差的工业过程监测方法

传统主元分析(principal component analysis, PCA)算法在实施投影变换挖掘潜在特征成分时,不同投影变换方向对原始数据不同测量变量赋予了不同的权重值。而从故障检测的角度出发,各个测量变量的重要性程度是等同的。因此,传统PCA方法的过程监测性能还有待商榷。为克服这一缺陷,借鉴基于机理模型故障检测方法生成误差的思路,提出一种基于缺失变量估计误差的工业过程监测方法。首先,通过逐一假设每个测量变量缺失后,利用PCA模型中处理缺失变量的迭代算法(iterativealgorithm,IA)推测出相应缺失变量的估计值。然后,以缺失变量的实际值与估计值之间的误差作为被监测对象实施在线故障检测。通过逐一假设变量缺失的方式,等同地对待了每个测量变量。而利用误差实施监测则可以在缺失变量前提下,通过监测误差的变化反映出该缺失变量对PCA模型中特征成分的影响程度。最后,通过在TE过程上的对比验证了该方法的优越性与可行性。