长三角地区数字普惠金融与碳减排:助力还是阻力?--基于函数系数部分线性面板数据模型的实证分析

基于2011—2019年我国长三角地区41个城市面板数据,运用函数系数部分线性面板数据模型探讨数字普惠金融对碳减排的影响。研究发现,数字普惠金融对碳减排具有显著的非线性促进作用,且这种促进作用受经济发展水平的影响呈现区域异质性。特别地,当经济发展水平超过阈值人均GDP5.42万元时,数字普惠金融对碳减排的正向促进作用呈现先增强后减弱的“U”型关系。机制分析表明,数字普惠金融可以通过提高绿色技术创新水平促进碳减排。进一步研究发现,当经济发展达到一定程度时,数字普惠金融覆盖广度、使用深度和数字化程度对碳减排具有显著的促进作用,且覆盖广度和使用深度的促进作用大于数字化程度。

部分线性变系数空间自回归模型的惩罚轮廓拟最大似然方法

主要研究了部分线性变系数空间自回归模型的变量选择问题。结合拟最大似然方法、局部线性光滑方法以及一类非凸罚函数,提出了一个变量选择方法用于同时选择该模型的参数部分中重要解释变量和估计相应的非零参数。大量模拟研究表明,所提出的变量选择方法具有满意的有限样本性质,并且关于空间权矩阵的稀疏度、空间相关强度、系数函数的复杂度以及误差分布的非正态性非常稳健。特别地,当样本容量较大且罚函数选择合适时,即使解释变量的相关性较强或者模型中含有较多不重要解释变量,所提出的变量选择方法仍然具有比较满意的有限样本性质。通过分析波士顿房屋价格数据考察了所提出的变量选择方法的实际应用效果。

部分线性变系数模型的贝叶斯分位数回归

针对部分线性变系数模型的参数估计问题,采用B样条方法逼近非参数部分的未知光滑函数,进而利用非对称拉普拉斯分布实现贝叶斯分位数回归,并基于Gibbs抽样推导出所有未知参数的后验分布,通过数值模拟比较分析了贝叶斯分位数回归与分位数回归参数估计的优劣,结果表明,在均方误差准则下,贝叶斯分位数回归的估计效果更优。最后,通过实例分析说明了所提方法的有效性。

变系数部分非线性模型的分位数回归估计

研究纵向数据缺失下变系数部分非线性分位数回归模型的估计问题.利用逆概率加权法结合分位数回归给出参数估计和非参估计;在一定条件下,证明了所给估计量的渐近正态性;通过数值模拟,验证了所提方法的有效性.

基于加权复合分位数回归的变系数部分线性模型的稳健经验似然估计

研究了变系数部分线性模型的稳健经验似然推断问题。利用加权复合分位数回归以及经验似然方法,并结合基于矩阵QR分解的正交投影技术,对模型的参数分量提出了一种基于加权复合分数回归的经验似然估计方法。理论证明了提出的经验对数似然比函数渐近服从卡方分布,得到参数分量的置信区间。该估计方法中引入了基于矩阵QR分解的正交投影技术,保证对模型的参数分量进行估计时不会受到非参数分量估计精度的影响,因此具有较好的稳健性和有效性。

部分线性变系数模型的贝叶斯复合分位数回归

部分线性变系数模型由参数和非参数2部分组成,具有适应范围广和解释性强双重优点。针对该模型的参数估计问题,采用B样条方法逼近非参数部分的未知光滑函数,进而利用复合非对称拉普拉斯分布实现贝叶斯复合分位数回归,并基于Gibbs抽样算法推导出所有未知参数的后验分布,以获取参数的估计值。通过数值模拟对贝叶斯复合分位数回归与贝叶斯分位数回归、贝叶斯线性回归参数估计效果进行比较分析,结果显示:当误差服从非正态分布时,在均方误差准则下,贝叶斯复合分位数回归估计表现更优。基于上述3种方法对实例数据进行预测分析,结果表明:在平均绝对偏差和均方误差预测意义下,基于贝叶斯复合分位数回归的预测效果更好。

部分线性空间自回归模型的惩罚最小二乘方法

部分线性空间自回归模型因具有参数空间自回归模型的解释能力和非参数空间自回归模型的灵活性而成为一类备受关注的半参数空间自回归模型。主要研究部分线性空间自回归模型的变量选择问题,基于轮廓拟最大似然方法和一类非凸罚函数,提出了一类惩罚最小二乘方法同时选择该模型的参数部分中重要解释变量和估计相应的非零回归系数。在适当的正则条件下,推导了回归系数的惩罚估计的收敛速度,并证明了所提出的变量选择方法具有Oracle性质。模拟研究和实际数据分析均表明所提出的变量选择方法具有满意的有限样本性质。

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。

函数系数协整模型局部线性估计方法的改进

函数系数协整模型可以克服非参数建模时的“维数困难”,同时体现系数的动态变化,被广泛应用于非平稳数据间复杂问题的研究。实践中经济序列常表现出时变波动方差和厚尾特征,传统核权最小二乘估计方法将不再适用。鉴于此,文章基于L1损失函数重构估计流程,选择表现稳健的局部线性核估计方法,并引入自适应方法,提出局部线性自适应最小绝对离差估计(ALADE)。模拟结果验证了所提估计方法可提升系数估计精度,优化模型整体拟合效果,同时绝对值交叉验证方法在选取最优窗宽时优势明显。实证分析发现,所提方法可识别中英两国汇率和价差间的动态协整关系,拟合系数平滑且接近理论值。

固定效应部分线性单指标空间自回归面板模型的二次推断函数估计

从模型结构的特点着手,获得了一些不依赖于工具变量的矩条件.将这些矩条件与二次推断函数法(QIF)和最小二乘虚拟变量法(LSDV)结合,为模型构建了一种新的估计方法.该方法的优点是考虑了空间内生性的同时,还将个体内的相关结构包含其中.进一步,在一些正则条件下,研究了模型估计量的大样本性质,发现非参数估计量具有最优收敛速度,参数估计量渐近于正态分布.同时,采用Monte Carlo模拟评价了估计方法在有限样本下的表现,结果表明文中所述方法的表现符合大样本性质,且远远优于忽略相关性的估计方法.最后,将所述方法应用于实际数据分析中.

基于遗传算法的磨削力模型系数优化及验证

在磨削力模型求解问题中,目前大多使用分段计算法或列方程组直接计算各个待求系数,不仅计算量大且其精度也无法保证。另外,传统的回归模型容易陷入局部最优,难以描述非线性关系。为此,将遗传算法引入到非线性优化函数参数优化中,基于外圆横向磨削力模型、平面磨削力模型、外圆纵向磨削力模型等现有的模型数据,开展磨削力理论模型的系数优化方法研究。相关性分析结果表明:通过计算得到的3种模型磨削力的预测精度提高了14.69%~42.54%,且3种模型所预测的法向磨削力的平均误差分别为5.9%、9.13%、3.23%,切向力平均误差分别为6.78%、8.36%、3.69%。经对比知,优化后的模型拟合度较好,模型预测精度显著提高。遗传算法优化后的非线性优化函数GA-LSQ算法更适合磨削力模型的求解,可对磨削力的预测及实际加工生产中的参数优化提供参考。

函数系数部分线性模型的B样条估计

函数系数部分线性模型是一个比较广泛的模型,其常数项函数和系数函数具有不同的自变量,这给模型的估计带来了不小的挑战。利用B样条方法同时给出该模型的常数项函数和系数函数的估计,给出了估计的相合性、渐近正态性以及收敛速度,且该收敛速度达到了非参数最优收敛速度;最后,模拟说明了B样条方法对该模型的估计是有效的。

部分线性模型的高斯径向基函数估计

部分线性模型是一种常用的现代统计模型,其同时具备参数与非参数回归的优点。我们基于高斯径向基函数估计部分线性模型的非线性部分,并给出估计过程中的超参数选择方法。在模拟仿真与实证分析中将高斯径向基函数与B样条进行对比,发现高斯径向基函数在部分线性模型中可以成为B样条的一种替代方法。

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。

基于惩罚最小绝对偏差的部分线性空间自回归模型的稳健变量选择

结合B样条逼近以及工具变量调整技术,并利用惩罚最小绝对偏差方法,对部分线性空间自回归模型提出了一种稳健变量选择方法.理论上证明了所提出的变量选择方法可以相合地识别出模型中的重要协变量和不重要协变量,并给出了所得正则估计的收敛速度.所提出的变量选择过程对模型中的参数分量和非参数分量的估计可以一步同时完成,避免了非参数分量的估计对参数分量变量选择的影响,因此具有较好的稳健性和有效性.

部分线性变系数模型的随机约束岭估计

作为变系数模型和部分线性模型的推广,部分线性变系数模型近年来得到越来越多的关注.本文考虑该模型在线性部分自变量存在多重共线性并且参数分量附加有随机约束条件时的估计问题.基于profile最小二乘技术以及岭估计和混合估计方法,构造参数分量的profile混合岭估计,并且研究所提估计量的渐近性质.最后利用数值模拟验证所提估计方法的有效性.

部分函数线性模型的经验似然推断

本文考虑部分函数线性回归模型,研究了回归系数的经验似然推断,证明了所提出的经验对数似然比渐近于χ^2分布,此结果可以用来构造了相应兴趣参数的置信域.另外,本文也给出了系数函数的极大经验似然估计,并在适当条件下给出了所提出估计量的收敛速度.仅就置信域精度及其覆盖概率大小方面,通过模拟研究和实例分析比较了经验似然方法与最小二乘方法的优劣.

响应变量随机缺失下的变系数部分线性模型的经验似然推断

本文考虑了响应变量随机缺失下的变系数部分线性模型的估计问题。利用经验似然方法,给出了参数部分的调整经验似然比函数,证明其渐近服从标准卡方分布。进而构造了参数部分的置信域,得到了其极大经验似然估计的最优参数收敛速度和渐近半参数有效界。模拟结果表明调整经验似然方法优于未调整的经验似然方法。

响应变量随机缺失下变系数部分线性模型的借补经验似然推断

考虑响应变量随机缺失下的变系数部分线性模型的估计问题.利用构造基于借补值的辅助随机向量,给出了参数分量的借补经验对数似然比函数.证明了其渐近服从标准卡方分布,进而给出了参数分量的置信域.

部分线性变系数模型中误差方差的估计(英文)

作为部分线性模型与变系数模型的推广,部分线性变系数模型是一类在建模中应用非常广泛的模型.本文基于Profile最小二乘方法给出了模型中误差方差的估计并证明了该估计的渐近正态性.最后通过数值模拟验证了我们所提估计方法的有效性.