纵向可加部分线性测量误差模型的渐近估计

基于纵向数据,研究参数部分协变量含有测量误差的可加部分线性测量误差模型的估计问题,提出了用于模型估计的偏差修正的二次推断函数方法,得到参数部分的估计结果具有相合性、渐近正态性,非参数可加函数的估计结果达到最优收敛速度。数值模拟和实例数据分析结果显示,该模型估计方法在同等条件下要优于广义估计方程方法。理论和数值结果显示,偏差修正的二次推断函数可以有效地处理测量误差和个体内相关性,是一个有效的纵向数据和测量误差数据分析工具,具有一定的理论和应用价值。

部分线性变系数测量误差模型的约束Liu估计

本文考虑部分线性变系数测量误差模型的估计问题,同时考虑线性部分自变量存在多重共线性和线性部分存在约束条件时两种情形,基于校正的profile最小二乘技术与Liu估计方法,分别构造了未知参数分量的Liu估计和约束Liu估计,并研究了所提估计量的渐进性质。

非参数部分带测量误差的部分线性模型估计

许多微观经济数据存在着测量误差,忽视测量误差很可能会导致内生性问题而无法得到变量之间的真实关系。文章考虑非参数部分带测量误差的部分线性模型的估计,在解释变量存在另一个不精确度量的识别条件下,利用核估计、Fourier变换和特征函数方法建立非参数的两步估计。Monte Carlo模拟结果表明本文的估计表现良好,与忽略测量误差的核估计相比,本文提出的方法能更好地拟合非线性函数。实证结果表明,样本数据支持常见的对数线性模型设定形式。

纵向数据下可加偏线性测量误差模型的变量选择

文章基于纵向数据研究可加偏线性测量误差模型的模型选择,提出了一种用于模型估计和选择的惩罚二次推断函数方法。利用该方法得到的非零参数的估计是相合的、渐近正态的,可加函数的估计具有最优收敛速度。数值模拟结果显示,在有限样本情况下,该方法要优于基于LASSO惩罚函数的惩罚二次推断函数方法。

多元部分线性测量误差模型的B-样条估计(英文)

本文考虑多元部分线性测量误差模型的估计问题,得到了该模型参数修正的最小二乘估计和非参数函数的B-样条估计.同时,证明了参数估计量的渐近正态性,得到了非参数函数估计的最优收敛速度.

纵向数据部分线性测量误差模型的二次推断函数估计

基于纵向数据部分线性测量误差模型,研究了模型中兴趣参数部分回归系数的估计问题.首先采用B样条方法逼近模型中的非参数函数,然后提出修正的二次推断函数(QIF)方法对模型中参数部分的回归系数进行估计,所提方法可以提高估计的效率.在一定的正则条件下,证明了所得到的估计量具有相合性和渐近正态性.最后,通过模拟研究和实例分析验证了所提出估计方法的有限大样本性质.

部分线性变系数测量误差模型的随机约束估计

文章考虑部分线性变系数模型在线性部分自变量存在测量误差并且参数分量附加有随机约束条件时的估计问题。基于校正profile最小二乘估计和混合估计方法,提出了参数分量的校正profile混合估计,并且给出了所提估计量的渐近性质。利用数值模拟验证了所提估计方法的有效性。

部分线性测量误差模型中的估计问题（英文）

本文考虑了部分线性模型中非参数部分带有可加测量误差的估计问题.本文提出了两种估计方法,第一种是基于逆卷积的积分矩估计方法,给出该估计的强相合收敛性.第二种是基于模拟的估计方法,该方法避免了积分矩估计方法中的积分问题.最后本文用一些数值结果来说明估计方法的估计效果.

含测量误差的部分线性模型的发散参数估计(英文)

本文考虑了部分线性模型中,线性部分协变量含有测量误差,并且线性部分的参数随着样本量的增大而发散的估计问题.我们考虑了用可观测的替代变量来替代不可观察到的真实变量,这种替代变量的期望与真实变量存在线性关系.我们提出了估计方法,并研究了估计量的相合性与渐进正态性.此外,我们研究了发散参数的发散速度.我们通过模拟来说明该估计的实际效果.

纵向数据下非参数带测量误差的部分线性变系数模型的估计

本文研究纵向数据下非参数部分带有测量误差的部分线性变系数模型的估计.利用B样条函数近似模型中的变系数函数,构造偏差修正的二次推断函数,得到模型中未知参数和变系数函数的估计.证明变系数函数估计量的相合性和参数估计量的渐近正态性.数值模拟和实例分析结果表明所提估计方法在有限样本下的有效性.

部分线性测量误差模型的模拟—推断估计

该文研究了部分线性测量误差模型,即无法直接观测非参数部分协变量,只能得到其替代变量的模型.利用局部线性估计并结合模拟-推断的方法(SIMEX)得到参数及非参数的估计,并在适当的条件下,得到了所提估计量的渐近偏差及方差.将该文提出的模拟-推断方法与Liang(2000)的估计方法比较,表明模拟-推断法在处理测量误差问题上的有效性.值得一提的是,模拟-推断方法不需要对非参数部分协变量的分布提出假设.

删失部分线性可加模型的复合分位数回归及应用

本文针对一种具有广泛适用性的半参数模型,部分线性可加模型,研究其响应变量存在删失数据时模型系数和非参数函数的估计.对此,提出了一种基于数据增广的复合分位数回归估计方法.该方法利用分位数回归和分布函数之间的联系,构造插补数据集,并通过迭代采用复合分位数回归得到最终的估计值.所提方法放宽了对模型的假设,不但对迭代初始值的要求很低,还允许响应变量同时存在多种类型的删失,具有一定的普适性.数值模拟表明所提方法可以较为准确地估计出删失部分线性可加模型的系数和非参数函数.实证研究中,本文选取了北京市空气质量数据,测度了PM10浓度、CO浓度、温度、气压以及露点对PM2.5浓度的影响.结果显示,部分线性可加模型的复合分位数回归可以较好地从线性和非线性关系两个角度来刻画这些因素对PM2.5浓度的影响,并且所提方法在删失数据的处理上表现良好.

部分线性可加模型的随机约束Liu估计

研究了部分线性可加模型在参数部分附加有随机约束条件且存在多重共线性时的估计问题.文中基于Profile最小二乘方法、混合回归估计和Liu估计方法,提出了参数分量的Profile混合Liu估计,给出了估计量的偏和方差,并讨论了其渐近分布.

部分线性可加模型的众数回归与变量选择

基于众数回归对部分线性可加模型提出一种变量选择方法.利用B样条基函数逼近非参函数,自适应LASSO惩罚函数实现参数和非参函数的同时变量选择,在适当的条件下证明变量选择方法具有Oracle性质,给出变量选择的EM算法,数值模拟结果检验了变量选择方法的有效性.

半参可加部分线性EV模型中参数的经验似然比检验

考虑半参可加部分线性EV模型中参数部分的检验问题，提出了经验似然比检验统计量，得到了原假设成立下统计量的渐近卡方分布，方便使用．

因变量缺失下部分线性可加模型的估计和检验（英文）

本文研究部分线性可加模型在因变量存在缺失情形下的统计推断问题.首先基于完整数据方法提出了参数分量的Profile最小二乘估计并证明估计量的渐近正态性.为了给出参数分量的区间估计,构造了渐近分布为卡方分布的经验似然统计量.为了检验参数分量的线性约束条件,构造了调整的广义似然比检验统计量,当原假设成立时其渐近分布为卡方分布,从而将广义似然比检验推广到了缺失数据情形.最后通过数值模拟验证所提方法的有效性.

半参数测量误差模型的岭估计

本文主要讨论了半参数测量误差模型当线性部分的协变量存在共线性时的估计问题,基于校正profile最小二乘法构造了参数分量的岭估计,并在约束条件下构造了参数分量的约束岭估计。

部分线性可加模型的随机约束岭估计

本文研究了部分线性可加模型这类半参数模型在线性部分自变量存在多重共线性,同时还附加有随机约束条件时的估计问题。基于针对半参数模型的Profile最小二乘技术,处理多重共线性问题的岭估计方法以及针对随机约束的混合估计技术,构造了参数分量的随机约束岭估计,给出了估计量的偏与协方差,并给出了所提估计量的渐近性质。最后通过数值模拟验证了所提估计方法的表现。

基于滑动窗口的区间值部分可加线性模型的宏观经济预测

针对区间型数据,文章在部分线性模型的基础上结合可加模型并引入滑动窗口模型,提出了基于滑动窗口的中点、极差部分可加线性模型,融合了半参数回归和滑动窗口模型的优点,同时又避免了维数灾难。依据交叉熵准则确定了滑动窗口的期数,并基于最小二乘法及核估计方法给出了模型参数和未知函数估计的迭代算法。在实证分析中,通过引入若干金融指标,对宏观经济进行预测。结果表明,改进模型优于传统回归模型。

部分线性可加模型的约束估计

文章讨论部分线性模型在约束情况下的估计问题.在一般的线性约束条件下利用两种方法构造参数分量的约束估计;当参数部分附加随机约束条件时,依据混合估计方法与Profile最小二乘方法,构造参数分量的随机约束估计;讨论一般约束估计和随机约束估计的关系.