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.

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。

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。

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。

缺失数据下部分非线性变系数EV模型的统计推断

该文研究了响应变量缺失下半参数部分非线性变系数EV模型的统计推断问题,利用逆概率加权局部纠偏profile最小二乘法构造了模型中非参数分量和参数分量的估计,证明了估计量的渐近正态性.通过数值模拟和实际数据分析,验证了所提出的估计方法是有效的.

协变量缺失下变系数部分非线性模型的统计推断

本文研究协变量缺失下变系数部分非线性模型的统计推断.利用逆概率加权最小二乘方法给出了参数分量和非参数分量的估计,并证明了它们的渐近正态性.

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。

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.

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.

部分线性变系数模型Backfitting估计的渐近性质

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应用广泛的数据分析模型.利用Backfitting方法拟合这类特殊的可加模型,可得到模型中常值系数估计量的精确解析表达式,该估计量被证明是n^(1/2)相合的.最后通过数值模拟考察了所提估计方法的有效性.

指数族广义非线性随机系数模型的变离差检验

指数族广义非线性随机系数模型是 Smith & Heitjan[1 0 ]和 Wei etal[1 1 ]所研究模型的推广 .该文分别在模型离差 (dispersion)的权不变和变异时 ,讨论了指数族广义非线性随机系数模型的变离差的检验问题 ,得到了 score检验统计量 .并利用欧洲野兔数据 ,分别对正态分布模型、Γ分布模型和逆高斯分布模型说明检验方法的有效性 .

变系数部分线性模型的拟合优度检验

本文考虑变系数部分线性模型的拟合优度检验问题.基于Profile经验似然方法,构造了参数部分和非参数部分的经验似然比检验统计量.并证明了其满足Wilks'现象,进而得到了一定置信水平的拒绝域.最后通过数据模拟,讨论了其检验功效.

变量有误差的变系数部分线性模型的估计

研究了变系数部分线性回归模型的估计方法.在误差为条件异方差的情况下,用一般序列估计方法得到的参数估计是有效的.但实际应用中,协变量往往有测量误差,若忽略测量误差,由一般序列估计得到的估计是有偏的.通过对一般序列估计进行适当修正,得到的参数部分的估计具有一致性和渐近正态性,同时也讨论了非参数部分估计的收敛速度.最后,在有限样本下通过Monte Carlo模拟验证了修正后的估计效果.

部分线性变系数EV模型估计的渐近正态性

研究非参数部分带有测量误差(EV)的部分线性变系数模型,综合局部纠偏方法和Profile最小二乘估计方法定义了模型中未知参数和系数函数的估计,并在适当条件下证明了它们的渐近性质,最后通过数值模拟研究了所提估计方法在有限样本下的实际表现。

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.

基于半参数变系数部分线性模型的小麦抗倒伏性分析

应用统计的方法在小麦的抗倒伏指数与自身的各指标间建立了一个半参数变系数部分线性模型,对小麦的倒伏情况进行预测。结果表明:该方法可有效预测小麦的抗倒伏性,对提高小麦的产量有一定帮助。

响应变量缺失下变系数部分非线性模型的统计推断

本论文考虑响应变量缺失下变系数部分非线性模型的统计推断,我们采用完全数据方法下的轮廓非线性最小二乘来估计未知参数和非参函数,同时建立了估计量的渐近正态性。

部分线性变系数模型的Backfitting约束估计

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应用广泛的半参数模型。文章主要研究该模型线性部分存在约束条件下的估计和检验问题,首先基于backfitting方法给出了常数系数以及变系数部分的约束估计,其次构造了检验统计量用于检验约束条件。