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。

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.

部分线性可加空间滞后分位数回归模型的贝叶斯估计——基于自由节点样条的研究

部分线性可加空间滞后模型的研究目前几乎都建立在均值回归的估计之上.均值回归研究协变量对响应变量在条件分布均值位置的影响,并不能反映两者在条件分布尾部的关系,容易造成信息的遗漏.为了克服这一缺陷,本文构建了部分线性可加空间滞后分位数回归模型(PLASLQRM),在采用自由节点样条拟合非参数函数的基础上,借助逆跳马尔可夫链蒙特卡罗算法对其进行了贝叶斯估计,形成了基于自由节点样条的贝叶斯分位数回归方法(BFQ).为检验BFQ方法的有效性,将该方法与基于惩罚样条的贝叶斯分位数回归方法(BPQ),基于自由节点样条的贝叶斯均值回归方法(BFM)和广义矩方法(GMM)进行了模拟比较.结果显示,BFQ方法与其它三种方法相比更不易受异常值的影响,性能更稳定.并且,在误差分布呈尖峰厚尾和偏斜特征时,该方法对参数部分的估计和非参数部分的拟合都更具优势.最后,选取省域碳排放量为实证研究对象,运用BFQ方法分析各类因素对其线性和非线性的影响,进一步验证了该方法在实际问题中估计参数和非参数的能力.

删失部分线性可加模型的复合分位数回归及应用

本文针对一种具有广泛适用性的半参数模型,部分线性可加模型,研究其响应变量存在删失数据时模型系数和非参数函数的估计.对此,提出了一种基于数据增广的复合分位数回归估计方法.该方法利用分位数回归和分布函数之间的联系,构造插补数据集,并通过迭代采用复合分位数回归得到最终的估计值.所提方法放宽了对模型的假设,不但对迭代初始值的要求很低,还允许响应变量同时存在多种类型的删失,具有一定的普适性.数值模拟表明所提方法可以较为准确地估计出删失部分线性可加模型的系数和非参数函数.实证研究中,本文选取了北京市空气质量数据,测度了PM10浓度、CO浓度、温度、气压以及露点对PM2.5浓度的影响.结果显示,部分线性可加模型的复合分位数回归可以较好地从线性和非线性关系两个角度来刻画这些因素对PM2.5浓度的影响,并且所提方法在删失数据的处理上表现良好.

部分线性固定效应空间滞后面板模型的估计研究

本文构建了一类部分线性固定效应空间滞后面板模型,在此模型中,综合考虑了固定效应、参数自变量和非参数自变量的影响。基于截面拟极大似然估计方法对模型的参数部分和非参数部分进行了估计,并在个体数n和时期数T都很大的情况下,推导估计量的大样本表现。研究结果表明,在大样本条件下,估计量具有一致性,参数估计量满足渐近正态分布并且收敛速度为(nT)^(1/2)。

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.

部分线性可加模型的随机约束Liu估计

研究了部分线性可加模型在参数部分附加有随机约束条件且存在多重共线性时的估计问题.文中基于Profile最小二乘方法、混合回归估计和Liu估计方法,提出了参数分量的Profile混合Liu估计,给出了估计量的偏和方差,并讨论了其渐近分布.

基于滑动窗口的区间值部分可加线性模型的宏观经济预测

针对区间型数据,文章在部分线性模型的基础上结合可加模型并引入滑动窗口模型,提出了基于滑动窗口的中点、极差部分可加线性模型,融合了半参数回归和滑动窗口模型的优点,同时又避免了维数灾难。依据交叉熵准则确定了滑动窗口的期数,并基于最小二乘法及核估计方法给出了模型参数和未知函数估计的迭代算法。在实证分析中,通过引入若干金融指标,对宏观经济进行预测。结果表明,改进模型优于传统回归模型。

部分线性可加模型的众数回归与变量选择

基于众数回归对部分线性可加模型提出一种变量选择方法.利用B样条基函数逼近非参函数,自适应LASSO惩罚函数实现参数和非参函数的同时变量选择,在适当的条件下证明变量选择方法具有Oracle性质,给出变量选择的EM算法,数值模拟结果检验了变量选择方法的有效性.

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．

因变量缺失下部分线性可加模型的估计和检验（英文）

本文研究部分线性可加模型在因变量存在缺失情形下的统计推断问题.首先基于完整数据方法提出了参数分量的Profile最小二乘估计并证明估计量的渐近正态性.为了给出参数分量的区间估计,构造了渐近分布为卡方分布的经验似然统计量.为了检验参数分量的线性约束条件,构造了调整的广义似然比检验统计量,当原假设成立时其渐近分布为卡方分布,从而将广义似然比检验推广到了缺失数据情形.最后通过数值模拟验证所提方法的有效性.

纵向可加部分线性测量误差模型的渐近估计

基于纵向数据,研究参数部分协变量含有测量误差的可加部分线性测量误差模型的估计问题,提出了用于模型估计的偏差修正的二次推断函数方法,得到参数部分的估计结果具有相合性、渐近正态性,非参数可加函数的估计结果达到最优收敛速度。数值模拟和实例数据分析结果显示,该模型估计方法在同等条件下要优于广义估计方程方法。理论和数值结果显示,偏差修正的二次推断函数可以有效地处理测量误差和个体内相关性,是一个有效的纵向数据和测量误差数据分析工具,具有一定的理论和应用价值。

部分线性可加模型的随机约束岭估计

本文研究了部分线性可加模型这类半参数模型在线性部分自变量存在多重共线性,同时还附加有随机约束条件时的估计问题。基于针对半参数模型的Profile最小二乘技术,处理多重共线性问题的岭估计方法以及针对随机约束的混合估计技术,构造了参数分量的随机约束岭估计,给出了估计量的偏与协方差,并给出了所提估计量的渐近性质。最后通过数值模拟验证了所提估计方法的表现。

部分线性可加模型的约束估计

文章讨论部分线性模型在约束情况下的估计问题.在一般的线性约束条件下利用两种方法构造参数分量的约束估计;当参数部分附加随机约束条件时,依据混合估计方法与Profile最小二乘方法,构造参数分量的随机约束估计;讨论一般约束估计和随机约束估计的关系.

基于正交投影的部分线性空间自回归模型变量选择

主要研究部分线性空间自回归模型的重要变量选择问题.基于样条逼近技术和正交投影方法将部分线性空间自回归模型转化为线性空间自回归模型,从而消除了非参数分量对变量选择的影响.另外,通过工具变量调整技术消除变量内生性对模型变量选择的影响,进而保证了所提出的变量选择方法的有效性和相合性.

部分线性空间自回归模型的似然比检验

考虑部分线性空间自回归模型的检验问题,结合B样条逼近方法和矩阵的正交投影技术,对模型的参数分量的检验问题提出了一种基于正交投影的广义似然比检验方法。并且进一步对检验统计量P值的计算问题,提出了一种基于Bootstrap自助法的迭代算法。在对模型参数分量的检验过程中利用了基于矩阵QR分解的正交投影技术,保证了对参数分量的检验过程不受非参数分量的影响,因此具有较好的适应性。

部分线性可加模型基于backfitting方法的岭估计

作为部分线性模型和可加模型的推广,部分线性可加模型是一类应用广泛的半参数模型.本文主要考虑该模型在线性部分自变量存在共线性情形下的估计问题.首先我们构造了参数分量的岭估计,其次我们构造了含有约束条件时的岭估计.

基于正交投影的部分线性空间自回归模型稳健估计

本文考虑部分线性空间自回归模型的稳健估计问题。结合矩阵的正交投影技术和分位数回归方法,对模型的参数提出一种新的基于正交投影的稳健估计方法,并在一些正则条件下研究了估计量的渐进性质。最后通过一些数值模拟研究了所提方法的有限样本性质,模拟结果表明所提出的方法具有较好的稳健性。

部分线性变系数空间自回归固定效应面板数据模型的估计

为了提高线性空间自回归面板数据模型的适用性和灵活度,提出了一类固定效应部分线性变系数空间自回归面板数据模型。基于局部线性技术,利用Profile似然方法构造了模型中未知空间滞后参数、回归系数以及非参数系数函数的估计。利用数值模拟考察了所提估计方法在有限样本下的表现。