部分线性单指标EV模型中参数的经验似然置信域

考虑部分线性单指标EV模型,利用纠偏方法构造了模型中未知参数的经验对数似然比统计量.在适当条件下,证明了所提出的统计量依分布收敛于标准χ2分布,所得结果可以构造未知参数的置信域.通过模拟研究在置信域精度及其覆盖概率大小方面进行了说明.

函数型部分线性单指标空间自回归模型

该文提出了函数型部分线性单指标空间自回归模型,该模型综合并拓展了函数型单指标模型和空间自回归模型.基于拟极大似然估计(QMLE)和局部线性方法,构造了一个四阶段估计器来估计参数和非参数分量,并由假设条件给出了参数和非参数分量估计的渐近性质.在此基础上,通过Monte Carlo模拟研究了估计器的有限样本性能,最后对加拿大气象数据的年总降雨量和日均气温曲线建立了函数型单指标空间自回归模型,研究发现年总降雨量存在负向空间自相关性,日均气温与年总降雨量正相关.

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.

部分线性单指标模型的序列相关性检验

部分线性单指标模型是一类重要的半参数统计模型,对于模型中的误差,如果存在序列相关,那么在进行统计推断时会遇到诸多问题。针对该情况,对部分线性单指标模型的序列相关性进行检验,用VT,P检验的方法构造VT,P检验统计量,得到了零假设下检验统计量的渐进分布。数值模拟验证结果表明,该检验有较好的检验功效。

删失指标随机缺失下部分线性模型的稳健估计及变量选择

在删失指标随机缺失数据下,研究部分线性模型的复合分位数回归估计.基于校准和插值两种方法,根据三步法构建线性参数和非参数函数的CQR估计量.与此同时,利用自适应LASSO惩罚方法,对线性参数进行变量选择.在适当的假设下,证明了估计量的渐近正态性,受惩罚的估计量被证明具有oracle性质.最后通过模拟研究评估参数估计量和非参数函数估计量的性能.

响应变量缺失下部分线性单指标模型的序列相关性检验

研究了在响应变量随机缺失下的部分单指标模型的序列相关检验问题。首先采用借补的方法对缺失响应变量进行处理,再运用经验似然方法对残差部分进行序列相关性检验,构造了经验似然比统计量,并证得其为渐近分布。数值模拟结果表明:该检验方法具有较为理想的检验功效。

纵向数据下部分线性单指标模型M-估计的大样本性质

针对纵向数据下部分线性单指标模型的参数估计问题以及未知连接函数的估计问题,提出了一种稳健的对单指标部分和线性部分参数同时进行估计的M-估计方法,对未知连接函数做局部多项式估计,在一些正则条件下,研究了回归函数及其导数以及回归系数的M-估计的渐进性质,利用随机模拟方法,验证了所提方法的有效性.

纵向数据下部分线性单指标模型的变量选择

研究各种复杂数据之间的关系以及研究各种模型中各个有效协变量的选择方法是统计学研究领域的一项重要的工作。针对纵向数据下的部分线性单指标模型,采用对其线性部分参数与单指标部分的参数的估计与变量选择同时进行SCAD、LASSO、ALASSO惩罚的方法。并且在一定的条件下,证明了一些惩罚估计量有Oracle性质,其结果是参数估计的渐进均值、渐进协方差与参数真实值的渐进均值、渐进协方差相同。还利用随机模拟方法,研究了估计的大样本性质,说明所提出的方法对于参数的变量选择是可行的。

半参数单调变系数部分线性EV模型的估计

主要研究半参数单调变系数部分线性EV模型的估计问题,提出了单调纠偏profile最小二乘估计方法,给出了模型中未知参数和单调变系数函数的估计,并在适当条件下证明了参数估计的渐近正态性和非参数单调估计的渐近性质.最后利用计算机数值模拟验证了本文所提方法的可行性及有限样本估计结果的性质.

基于纵向数据部分线性单指标模型的CD4细胞统计分析

部分线性单指标模型是一类非常重要的半参数模型,它对于克服非参数统计中的维数灾难问题具有重要的理论价值。以该模型应用于HIV血清转换器中CD4细胞的统计推断,研究CD4细胞和SMOKE(通过香烟包测量的吸烟状况)、Year(自血清转换后的时间的影响)、PreCD4(感染前CD4细胞数)、年龄(相对于给定的时间来源)的关系。研究结果表明,CD4细胞和吸烟状况、血清转换的时间、年龄成正相关,与感染前细胞数成负相关。

固定效应部分线性单指标面板模型的惩罚经验似然估计

结合二次推断函数法、滤子法和经验似然估计法,为个体内存在相关性的部分线性单指标固定效应面板模型建立了惩罚经验似然估计法.在一些正则条件下,推导了模型估计量的大样本性质,证明了所提出的经验似然比渐近于卡方分布.进一步,用Monte Carlo模拟和真实数据分析评价了估计方法在有限样本下的表现.

基于LASSO的部分线性单指标模型局部惩罚样条估计

针对部分线性单指标模型,文章构建了一种基于LASSO的部分线性单指标模型局部惩罚样条估计方法,以变异系数作为判断数据离散程度的依据,首先通过计算各节点中数据的变异系数,构造局部惩罚权重矩阵,由局部二次逼近方法,得到了带有LASSO局部惩罚的参数估计值,并讨论得出无惩罚样条估计和均匀惩罚样条估计是局部惩罚样条估计的特殊情况,然后使用"去一分量"法和Levenberg-Marquardt算法得到单指标部分的参数估计值,最后通过Monte-Carlo模拟验证了该方法的有效性和正确性。

响应变量随机缺失下部分线性单指标模型的非参数判别检验

研究了响应变量随机缺失情况下部分线性单指标模型的非参数部分检验问题,检验非参数部分预测变量同响应变量之间是否存在非线性关系.用参数和非参数函数的借补估计对缺失响应变量进行插值,并基于借补估计构造了广义似然比检验统计量,证明了其渐近分布性质.

核实数据下单指标EV模型的经验似然推断

对于单指标EV模型,当解释变量带有测量误差,尤其是替代变量和解释变量的关系不能确定时,单指标模型的估计就会出现维数灾祸问题。本文提出了一种降维方法,有效解决了上述问题,并利用经验似然方法给出了未知参数的置信域。由于采用降维技术,因而所得结果在生物工程、网络工程等领域的数据处理中具有较好的应用价值。

广义部分线性单指数模型的惩罚样条估计

本文讨论了指数族广义部分线性单指数模型(Generalized Partially Linear Single Index Models,GPLSIM)的惩罚样条迭代估计,提出了基于惩罚似然和一组预先取定的单指数参数向量α的初始估计的迭代估计算法。另外本文还通过一组模拟数据的分析对所提出的迭代算法进行了验证。

纵向数据下部分线性EV模型的变量选择

本文考虑了纵向数据下部分线性EV模型的变量选择问题,采用SCAD惩罚方法提出了一个变量选择过程.通过选择适当的惩罚参数,证明了该变量选择过程可以相合地识别出真实模型,并且所得的正则估计具有Orcale性质.最后模拟研究了所提出方法的有限样本性质.

EV回归的半参数部分线性模型的Bayes估计

考察部分线性模型y=Xβr+g(t)+ε,ε-N(O,σ2),其中回归变量X可以精确测量,而t具有测量误差.用光滑样条估计非参数函数g(t),结合光滑样条的Bayes解释及Bayes的线性回归,将模型中的未知参数赋以一定的先验,运用Gibbs抽样方法从后验分布中抽样,用后验样本的均值来估计未知参数.MCMC模拟的另外一个好处是容易从后验样本中构造后验样本区间估计.最后,提供了一个模拟例子来说明Bayes方法的估计效果.

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．

纵向部分线性变系数EV模型的估计

纵向数据是随着时间变化对个体进行重复观测而得到的一种相关性数据,广泛出现在诸多科学研究领域.在对个体进行观测时,测量误差不可避免,忽略测量误差往往会导致有偏估计.本文利用二次推断函数方法研究关于纵向数据的参数部分和非参数部分协变量均含有测量误差的部分线性变系数测量误差(errors-in-variables,EV)模型的估计问题.利用B样条逼近模型中的未知系数函数,构造关于回归参数和B样条系数的偏差修正的二次推断函数以处理个体内相关性和测量误差,得到回归参数和变系数的偏差修正的二次推断函数估计,然后证明了估计方法和结果的渐近性质.数值模拟和实例数据分析结果显示本文提出的方法具有一定的实用价值.

缺失数据下部分线性EV模型的估计及其渐进性质

研究了响应变量随机缺失下部分线性测量误差(EV)模型的估计问题。利用核估计和最小二乘的方法给出参数β和非参数g的两步估计,并在适当条件下证明了它们的强相合性和渐近正态性,数值模拟表明第二步估计值比第一步估计值更优。