贝叶斯潜变量倾向得分半联合模型研究与应用

本文提出了一种贝叶斯潜变量倾向得分半联合模型(BS_LVM_PSA),探讨了如何将潜变量纳入倾向得分分析,同时引入先验信息,利用半联合贝叶斯方法进行参数估计。通过两个数值模拟来测算BS_LVM_PSA在特定环境的性能,并将BS_LVM_PSA应用于实例数据。模拟研究显示:第一,潜变量能够降低预处理协变量测量误差,提高处理效应估计精度;第二,不同匹配方法下,贝叶斯方法相对于频率学派的处理效应估计精度更高;第三,在小样本中,贝叶斯方法相比非贝叶斯方法预测精度和稳定性更高;第四,有先验信息的处理效应估计精度高于无信息先验,且在适度的先验精度下,处理效应估计更加可靠。实例分析中,利用本文提出的BS_LVM_PSA研究了社区扶贫政策的减贫效应。

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.