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。

多元部分线性测量误差模型的B-样条估计(英文)

本文考虑多元部分线性测量误差模型的估计问题,得到了该模型参数修正的最小二乘估计和非参数函数的B-样条估计.同时,证明了参数估计量的渐近正态性,得到了非参数函数估计的最优收敛速度.

变系数部分线性测量误差模型的B-样条估计（英文）

本文研究变系数部分线性测量误差模型的估计问题.利用纠偏方法,获得参数分量修正的最小二乘估计和非参数分量的B-样条估计.证明参数估计是相合的,渐近正态的;系数函数的B-样条估计达到非参数回归估计的最优收敛速度.模拟结果表明该方法是有效的.

纵向数据部分线性测量误差模型的二次推断函数估计

基于纵向数据部分线性测量误差模型,研究了模型中兴趣参数部分回归系数的估计问题.首先采用B样条方法逼近模型中的非参数函数,然后提出修正的二次推断函数(QIF)方法对模型中参数部分的回归系数进行估计,所提方法可以提高估计的效率.在一定的正则条件下,证明了所得到的估计量具有相合性和渐近正态性.最后,通过模拟研究和实例分析验证了所提出估计方法的有限大样本性质.

部分线性测量误差模型中的估计问题（英文）

本文考虑了部分线性模型中非参数部分带有可加测量误差的估计问题.本文提出了两种估计方法,第一种是基于逆卷积的积分矩估计方法,给出该估计的强相合收敛性.第二种是基于模拟的估计方法,该方法避免了积分矩估计方法中的积分问题.最后本文用一些数值结果来说明估计方法的估计效果.

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。

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。

响应变量缺失时纵向数据下变系数部分线性测量误差模型的经验似然推断

将经验似然方法应用于响应变量缺失时纵向数据下变系数部分线性测量模型中兴趣参数置信域,构造了关于参数分量纠衰的分块经验对数似然比函数,进而推导出参数分量纠衰的分块经验似然比统计量及其渐近分布。数据模拟结果表明所提出的经验似然方法在置信区间长度和覆盖率方面要优于正态逼近方法。

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。

非参数部分带测量误差的部分线性模型估计

许多微观经济数据存在着测量误差,忽视测量误差很可能会导致内生性问题而无法得到变量之间的真实关系。文章考虑非参数部分带测量误差的部分线性模型的估计,在解释变量存在另一个不精确度量的识别条件下,利用核估计、Fourier变换和特征函数方法建立非参数的两步估计。Monte Carlo模拟结果表明本文的估计表现良好,与忽略测量误差的核估计相比,本文提出的方法能更好地拟合非线性函数。实证结果表明,样本数据支持常见的对数线性模型设定形式。

部分线性变系数测量误差模型的随机约束估计

文章考虑部分线性变系数模型在线性部分自变量存在测量误差并且参数分量附加有随机约束条件时的估计问题。基于校正profile最小二乘估计和混合估计方法,提出了参数分量的校正profile混合估计,并且给出了所提估计量的渐近性质。利用数值模拟验证了所提估计方法的有效性。

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。

基于弹性网惩罚的高维部分线性模型的稳健变量选择

高维数据下部分线性模型的变量选择方法大多基于最小二乘回归估计展开,但随着数据复杂性的提升,极端、异常等因素使得以往模型的估计效率直线下滑。为此,本文基于弹性网络法与分位数回归相结合的正则化理论,提出了一种应对高维数据下部分线性模型的稳健变量选择模型。该模型不仅可以有效处理强相关变量组的数据,还可以在面对离群点或存在异方差时仍达到较好的稳健性。此外,理论上证明了在一定条件下模型估计量的相合性和稀疏性,最后通过数值模拟,与其他变量选择方法作比较,进一步表明了该方法的优越性。

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.

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.

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。

纵向数据下非参数带测量误差的部分线性变系数模型的估计

本文研究纵向数据下非参数部分带有测量误差的部分线性变系数模型的估计.利用B样条函数近似模型中的变系数函数,构造偏差修正的二次推断函数,得到模型中未知参数和变系数函数的估计.证明变系数函数估计量的相合性和参数估计量的渐近正态性.数值模拟和实例分析结果表明所提估计方法在有限样本下的有效性.

超高维纵向数据部分线性模型的特征筛选

超高维纵向数据的特征筛选是超高维特征筛选的难点之一,其难点是在保证边际筛选快速的前提下估计工作相关系数矩阵。文章在部分线性模型的假定下,考虑到纵向数据组间独立、组内相关的特点,采用样本协方差去估计未知的工作协方差矩阵,提出了剖面有协方差阵的确定独立筛选(PMSIS)方法,并在一定正则条件下,证明了该方法具有确定筛选性质。通过蒙特卡洛数值模拟与肠道菌群实例数据验证了该方法的有限样本性质,结果表明,新提出的PMSIS方法能有效筛选弱相关的协变量。

因变量缺失下变系数部分线性测量误差模型的变量选择

主要研究因变量存在缺失且协变量部分包含测量误差情形下,如何对变系数部分线性模型同时进行参数估计和变量选择.我们利用插补方法来处理缺失数据,并结合修正的profile最小二乘估计和SCAD惩罚对参数进行估计和变量选择.并且证明所得的估计具有渐近正态性和Oracle性质.通过数值模拟进一步研究所得估计的有限样本性质.