因变量缺失下部分线性变系数变量含误差模型的估计

该文主要考虑部分线性变系数模型在自变量含有测量误差以及因变量存在缺失情形下的估计问题.基于Profile最小二乘技术,针对参数分量和非参数分量提出了多种估计方法.第一种估计方法只利用了完整观测数据,而第二种和第三种估计方法分别利用了插补技术和替代技术.参数分量的所有估计被证明是渐近正态的,非参数分量的所有估计被证明和一般非参数回归函数的估计具有相同的收敛速度.对于因变量的均值,构造了两类估计并证明了它们的渐近正态性.最后,通过数值模拟验证了所提方法.

基于网点观测的变量不全含误差的部分线性函数关系模型

对一类基于网点观测的部分线性变量含误差模型进行了研究,解释变量为(xτ,μτ,t)τ,其中x带有观测误差,而μ,t不含误差为真实值,文中用最小二乘原理给出了未知参数的估计,并利用一阶样条方法给出了未知函数的估计．在较弱的条件下证明了估计量的强相合性。给出了a．s．收敛速度．

部分线性变量含误差的网格数据模型的估计

针对网格数据构建了部分线性变量含误差模型。在部分线性变量含误差的网格数据模型解释变量为固定设计的情形下,分别在单向维度观测样本容量趋于无穷和两个维度观测样本容量同时趋于无穷时对模型线性部分的未知参数、误差方差和非线性部分的未知函数进行了大样本统计推断研究。对模型线性部分未知参数和误差方差的改进的最小二乘估计量,在较弱的条件下推出估计量具有强相合性并得到收敛速度;对模型非线性部分未知函数的样条函数估计量,在一定的条件下证明了其具有强相合性并得到其收敛速度。在一定的正则条件下,分别对单向维度观测样本容量趋于无穷和两个维度观测样本容量同时趋于无穷的两种情形证明了模型线性部分未知参数和误差方差的估计量服从渐近正态分布,并对每种情形给出了渐近方差的表达式。

部分变量误差模型的整体抗差最小二乘估计

部分变量误差模型(partial EIV model)的加权整体最小二乘(weighted total least-squares,WTLS)估计不具备抵御粗差的能力。鉴于粗差可能同时出现在观测值和系数矩阵中,本文在提出部分变量误差模型WTLS估计的两步迭代解法的基础上,运用抗差M估计的等价权方法,发展了一种整体抗差最小二乘(TRLS)估计方法,并采用一致最大功效统计量确定降权因子。针对WTLS估计两步迭代解法的特点,设计了两个不同的降权方案:第1个方案是在估计系数矩阵元素时,不对观测值降权,仅对系数矩阵降权;第2个方案是在估计系数矩阵元素时,既对系数矩阵降权,同时也对观测值降权。通过对模拟2D仿射变换和线性拟合实例进行计算和分析,结果表明第1方案优于第2方案,并且优于基于残差和验后单位权方差的抗差估计和现有的变量误差模型抗差估计。

一类半参数变量含误差回归模型的小波估计

研究了一类解释变量为(x,T)的半参数变量含误差模型,其中,x∈Rp为非随机解释变量,T∈R1为随机解释变量.通过应用小波估计法和全最小二乘法得出了未知参数和未知函数的估计,在一般的条件下,证明了估计的强相合性.

一种基于PEIV模型的GNSS高程拟合解法

采用二次曲面函数拟合全球卫星导航系统(GNSS)高程时,系数矩阵中含有观测坐标,所以系数矩阵同样存在误差,故采用总体最小二乘拟合GNSS高程更加合理。但系数矩阵不同位置有相同的元素,为保证这些相同元素有相同的改正数,本文提出了基于部分变量含误差(PEIV)模型的GNSS高程拟合解法,该方法可以保证相同元素的改正数一致。最后通过模拟算例和实例算例分析发现,本文解法与加权总体最小二乘(WTLS)解算结果一致,验证了本文解法的可行性。

一类误差不独立的变量含误差模型

对一类不独立变量含误差模型进行了探讨,建立了相应的模型,用极大似然方法给出了参数的估计;考虑了此模型的实例应用,并从相对偏差上将独立变量含误差模型与不独立变量含误差模型的结果进行比较,揭示了不独立EIV模型的先进性与较好的预测精度.

协变量含误差下广义线性模型的SEE变量选择

利用一些辅助信息作为工具变量并结合光滑门限估计方程(SEE)方法,针对协变量含有测量误差广义线性模型提出一个工具变量类型的变量选择方法.该方法可以在估计模型中非零回归系数的同时,剔除模型中不显著的协变量,从而达到变量选择的目的.另外,该变量选择过程不需要求解任何凸优化问题,从而具有较强的适应性并且在实际应用比较容易计算.理论证明该变量选择方法是相合的,并且对非零回归系数的估计达到了最优的参数收敛速度.数值模拟结果表明所提出的变量选择方法可以有效地消除测量误差对估计精度的影响,并且具有较好的有限样本性质.

基于变量含误差模型估计基础矩阵

估计基础矩阵是计算机视觉中的重要研究问题。本文提出了一种基于变量含误差(EV)模型的非线性估计方法。建立EV模型之后,本文采用非线性目标函数,并同时估计模型参数与测量误差。此外本文方法还考虑了规范化图像坐标和基础矩阵秩为2的约束。模拟数据和真实图像的实验结果表明,本文方法显著提高了估计基础矩阵的精度。

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.

部分变量误差模型的极大似然估计

针对变量误差模型系数矩阵含有常数项的情况,部分变量误差模型在平差时只提取系数矩阵中的随机元素进行处理,较大程度的减少了参数估计的个数。为了进一步提高部分变量误差模型的参数估计效率,文中根据极大似然估计原理提出了一种部分变量误差模型的极大似然估计算法,并分析和比较了该算法与文献中几种算法的关系,证明算法之间的等价性。最后采用两个算例进行验证,结果表明文中算法能取得与已有算法一致的结果,而且具有迭代格式简单,计算效率高的优点。

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.

部分线性函数-结构关系模型的估计

本文研究解释变量为(x,T)的部分线性变量含误差模型,其中x为固定变量,T为随机变量.文中导出了未知参数的两阶段估计,证明了估计的强相合性,并且还证明了未知函数的核估计量是强一致相合的.

半参数变系数部分线性EV模型的惩罚经验似然

研究了半参数变系数部分线性测量误差模型的惩罚经验似然问题.首先基于无偏辅助函数,构造了惩罚经验对数似然函数,证明了所得惩罚经验似然估计具有Oracle性质.其次,考虑了关于参数的假设检验问题,给出了检验统计量及其渐近分布.最后通过实验模拟和实例分析验证了所提方法的有限样本性质.

部分线性EV模型的惩罚经验似然

研究了当非参数部分带有测量误差时,部分线性模型的变量选择与参数估计问题。在自适应Lasso惩罚函数下,证明了所构造的惩罚经验似然估计具有Oracle性质。同时,考虑了参数的假设检验问题。最后利用数值模拟说明了所提方法的优良性质。

缺失数据下部分线性变系数EV模型在生鲜产品销售量预测中的应用

本文主要研究了在响应变量随机缺失同时非参数分量带测量误差的条件下,部分线性变系数模型的统计推断。利用局部线性光滑、profile最小二乘及偏差纠正方法,构造了模型中参数分量和非参数分量的估计;另外,为了避免使用近似正态方法构造参数置信域时估计渐近协方差,我们又利用经验似然方法研究了参数置信域的构造问题,进而给出了参数分量的置信区间,模拟研究表明经验似然方法相比正态近似方法具有更好的有限样本性质。最后使用超市生鲜产品销售量数据集进行了实例分析,得到了更好的结果。

基于PEIV模型的矿区坐标框架转换参数估计方法研究

对地观测技术发展带来矿山测量日益增多。将部分变量误差(Partial Errors-in-variables,PEIV)模型应用于矿区坐标框架转换,顾及坐标观测值精度和方差分量估计,研究分析了观测量和随机模型对矿区坐标框架转换参数精度和计算效率的影响。结果表明:PEIV模型可有效求取矿区坐标框架转换参数且其结合方差分量估计法得到的参数估值最优;观测精度相当时,不同方法转换参数差别较小;观测值数量越多,参数估值效果越好;当观测精度不同时,PEIV-VC模型参数估值精度提高效果明显;观测值数量增加可改善参数估计精度,但计算代价增大。

Partial EIV模型的解法

提出了一种求解partial errors-in-variables(partial EIV)模型的思路。通过对partial EIV模型的部分元素进行移项,重组成新形式下的平差函数模型,两次运用间接平差原理分别求解平差参数与系数矩阵中的随机元素,把总体最小二乘平差问题转化为最小二乘平差问题,并通过适当变换提高了新解法的收敛速度。最后分别采用实测数据和模拟数据进行验证,求解了本文算法与已有算法的估值结果。算例结果表明,本文算法能取得与已有算法相同的结果,是切实可行的。

一种相关观测的Partial EIV模型求解方法

Partial errors-in-variables(Partial-EIV)模型作为EIV模型的扩展形式,其构造方式更有规律,解算方法更为简便,能有效应用于实际情况。针对已有Partial EIV模型方法未考虑观测向量和系数矩阵存在相关性这一情况,通过提取观测向量和系数矩阵组成的增广矩阵中非重复出现的随机元素,构建更具一般适用性的Partial EIV模型,在该模型的基础上,将特殊假定条件扩展到不限定观测数据相关性的一般情况,详细推导了观测向量和系数矩阵元素相关且不等精度情况下的加权总体最小二乘方法,通过算例试验,并与目前已有的解决EIV模型相关观测情况下的方法进行了比较分析,研究表明本文方法可以提高计算效率,更具一般性,特别是对于观测向量和系数矩阵中存在常数元素和重复元素的情况。