广义函数型部分空间变系数模型估计与应用

针对函数型数据与空间数据嵌套融合的统计建模问题,提出了广义函数型部分空间变系数模型(GFPSVCMs),利用函数型主成分基函数和基于三角剖分的二元惩罚样条逼近该模型中的斜率函数和二元系数函数,采用最大化惩罚拟似然的方法实现模型参数估计,并给出了一种带惩罚的迭代重加权最小二乘迭代算法(GFPSVCMs-PIRLS)进行参数求解.数值模拟表明所提出的模型在不同设定下的表现出了良好的性能.实证分析部分,利用我国13个省份包含151个地市州的空气质量和日均气温数据分析了空气质量的影响因素,评估了所提出模型在空气质量研究领域中的应用价值和预测性能.

部分函数型线性变系数模型的序列相关检验

部分函数型线性变系数模型(PFLVCM)是近几年出现的一个比较灵活、应用广泛的新模型。在实际应用中,搜集到的经济和金融数据往往存在序列相关性。如果不考虑数据间的相关性直接对其进行建模,会影响模型中参数估计的精度和有效性。本文主要研究了PFLVCM中误差的序列相关性的检验问题,基于经验似然,把标量时间序列数据相关性检验的方法拓展到函数型数据中,提出了经验对数似然比检验统计量,并在零假设下得到了检验统计量的近似分布。通过蒙特卡洛数值模拟说明该统计量在有限样本下有良好的水平和功效。最后,把该方法用于检验美国商业用电消费数据是否有序列相关性,证明该统计量的有效性和实用性。

广义函数型部分变系数混合模型的估计

将广义变系数回归模型与广义函数型线性回归模型相结合,提出了一种新的模型——广义函数型部分变系数混合模型.基于函数型主成分基和B-样条基的方法,通过最大化拟似然函数得到了未知函数的估计,并在一定的正则条件下得到了各估计量的收敛速度及预测精度.通过数值模拟展现了模型的可行性和优越性,最后将所建模型应用到Tecator数据说明了模型的实用性.

部分函数型线性空间自回归模型的假设检验

本文提出了部分函数型线性空间自回归模型的空间效应以及参数效应的假设检验问题.首先利用函数型主成分分析方法估计斜率函数,利用广义矩估计方法估计参数.然后利用得到的相合估计,在原假设和备择假设下,构造了基于残差平方和的检验统计量,同时给出了此检验统计量的渐近性质.模拟结果表明在有限样本下,检验统计量具有良好表现.最后将部分函数型线性空间自回归模型的检验应用到一个关于经济增长的数据案例中,说明所提出的检验统计量的应用表现.