随机前沿模型变量选择研究

变量选择可降低模型复杂度、提高模型解释能力且避免多重共线性问题,目前暂无对随机前沿模型进行变量选择的研究。文章开创性地使用Alasso惩罚方法对随机前沿模型进行变量选择,该法为连续最优化过程,具有较好的稳定性和较少的计算量。蒙特卡罗模拟表明:文中方法能以较高的准确率剔除随机前沿模型中的非重要变量、保留重要变量和识别真实模型,变量选择的准确性较高。而且,文中方法有助于提高参数的估计效果,由此得出的影响因素分析和要素投入比计算较可靠。

非概率样本模型辅助校准估计方法

大数据时代,如何高效地从高维数据中挖掘有效信息并进行统计推断逐渐成为人们关注的热点问题。文章基于高维数据研究如何充分利用已知辅助信息对非概率样本进行校准,主要包括两个方面的内容:一是在总体规模已知的情况下,对非概率样本进行模型辅助SCAD校准和模型辅助ALASSO校准,依次求出校准权重并对总体均值进行统计推断。二是在总体规模未知的情况下,对非概率样本进行估计控制模型辅助SCAD校准和估计控制模型辅助ALASSO校准,依次求出校准权重并对总体均值进行统计推断。

Penalized Empirical Likelihood Via Adaptive LASSO for Cox＇s Proportional Hazards Model

Penalized empirical likelihood inferential procedure is proposed for Cox＇s pro- portional hazards model with adaptive LASSO（ALASSO）. Under reasonable conditions, we show that the proposed method has oracle property and the limiting distribution of a penal- ized empirical likelihood ratio via ALASSO is a chi-square distributions. The advantage of penalized empirical likelihood is illustrated in testing hypothesis and constructing confidence sets by simulation studies and a real example.

The Application and Property of Elastic Net Procedure for Partially Linear Models

Variable selection plays an important role in high-dimensional data analysis.But the high-dimensional data often induces the strongly correlated variables problem,which should be properly handled.In this paper,we propose Elastic Net procedure for partially linear models and prove the group effect of its estimate.A simulation study shows that the Elastic Net procedure deals with the strongly correlated variables problem better than the Lasso,ALasso and the Ridge do.Based on the real world data study,we can get that the Elastic Net procedure is particularly useful when the number of predictors pffis much bigger than the sample size n.

面板半参数空间自回归模型的变量选择——基于STIRPAT模型的碳排放影响因素分析

变量选择有助于简化模型,提高估计和预测的精度,但目前鲜有涉及面板半参数空间自回归模型变量选择的研究。本文在ALASSO的基础上提出了SSAR-ALASSO法,该法的核心在于惩罚函数的选择和目标函数的构建。SSAR-ALASSO在变量和参数的对应关系、惩罚函数的选择、特殊参数的取值区间以及适用模型等方面与ALASSO存在差异。模拟结果显示,SSAR-ALASSO法在变量选择的准确性和参数估计的精度两方面均表现良好,随着样本容量的增加表现效果更佳。本文在碳排放量影响因素实证中采用SSAR-ALASSO法对STIRPAT模型进行变量选择。研究结果表明人均财富、技术水平、产业结构、所有制结构和产业集聚显著影响碳排放量,城市化、对外开放、能源价格和环境政策对碳排放量无显著影响。

半参数线性混合效应模型的联合变量选择

多数基于线性混合效应模型的变量选择方法分阶段对固定效应和随机效应进行选择,方法繁琐、易产生模型偏差,且大部分非参数和半参数的线性混合效应模型只涉及非参数部分的光滑度或者固定效应的选择,并未涉及非参变量或随机效应的选择。本文用B样条函数逼近非参数函数部分,从而把半参数线性混合效应模型转化为带逼近误差的线性混合效应模型。对随机效应的协方差矩阵采用改进的乔里斯基分解并重新参数化线性混合效应模型,接着对该模型的极大似然函数施加集群ALASSO惩罚和ALASSO惩罚两类惩罚,该法能实现非参数变量、固定效应和随机效应的联合变量选择,基于该法得出的估计量也满足相合性、稀疏性和Oracle性质。文章最后做了个数值模拟,模拟结果表明,本文提出的估计方法在变量选择的准确性、参数估计的精度两个方面均表现较好。

基于比例优势模型的上市公司财务困境预测研究

在激烈的市场竞争中,现代企业非常关注风险管理,注重防范与控制风险,而风险管理的关键是预测与控制财务风险。生存分析模型能动态地预测风险事件发生的概率,本文精比例优势模型应用干我国上市公司财务困境预测,根据边际似然与ALASSO变量选择程序,确定了影响财务风险的主要因素,获得模型参数估计,考察了比例优势模型财务困境预测判断能力,比较了Cox模型和比例优势模型这两种生存模型的财务风险预测效果。结果表明,比例优势模型能展现企业财务困境的发展过程,具有较好的财务困境预测能力。