部分线性变系数Tobit模型的稳健贝叶斯统计推断

提出了一种基于重尾分布假定的部分线性变系数Tobit回归模型,并结合贝叶斯理论和MCMC算法给出了模型参数的统计推断结果。最后,数值模拟和实证分析表明,与正态分布假设下的部分线性变系数Tobit模型相比较,所提出的统计模型能够得到更稳健、更有效的统计推断结果。

左删失数据的双惩罚贝叶斯Tobit分位回归方法

在含潜变量的纵向数据混合效应模型应用中,通常包含大量截尾数据,若直接采用一般贝叶斯Tobit分位回归模型,参数估计的马尔科夫链蒙特卡罗抽样算法将会极其复杂,造成计算效率低下且估计结果偏差较大。同时,在高维情形下,由于受大量未知随机效应的干扰,固定效应中关键变量的选择与系数估计变得更为困难。为了解决上述问题,文章提出了一种新的双Adaptive Lasso惩罚贝叶斯Tobit分位回归方法,主要研究响应变量左删失情形下高维纵向数据的变量选择与参数估计问题。通过将Adaptive Lasso惩罚同时引入固定效应与随机效应的先验分布中,构造了参数估计的Gibbs抽样算法。蒙特卡罗模拟结果表明,新方法较无惩罚法和Lasso惩罚法在重要变量选择及系数估计上均更占优势。

科技创新关键阶段投资与风险管理研究

本文通过分析2010—2018年中国26个省市创业风险投资情况面板数据,发现种子期和初创期投资占比将近60%,种子期投资对科技创新呈显著正向影响,且影响最大。科技创新关键阶段具有风险高、不确定性强,未来收益潜力最可观的特点,通过共性风险因果关系构建了一个包含14个节点的三层贝叶斯网络模型,对整体风险水平进行定量估计。研究显示,该阶段总风险等级为高的概率达到52.929%,可找出关键风险事件。基于上述研究结论,风险投资应多关注关键阶段的原始创新。越早关注,风险管理能力越强,收益潜力越高。同时,加强基础研究和关键技术的攻关,完善创新生态,扩大开放创新。

基于贝叶斯方法的比例数据分位数推断及其应用

为了尝试使用贝叶斯方法研究比例数据的分位数回归统计推断问题,首先基于Tobit模型给出了分位数回归建模方法,然后通过选取合适的先验分布得到了贝叶斯层次模型,进而给出了各参数的后验分布并用于Gibbs抽样。数值模拟分析验证了所提出的贝叶斯推断方法对于比例数据分析的有效性。最后,将贝叶斯方法应用于美国加州海洛因吸毒数据,在不同的分位数水平下揭示了吸毒频率的影响因素。

比例数据基于Tobit分位数回归模型的贝叶斯变量选择

针对家庭商业健康保险参保比例在[0,1]闭区间上取值的特点,本文基于Tobit模型给出了比例响应数据的贝叶斯分位数回归建模方法。通过引入回归系数的“Spike-and-slab”先验分布,应用EM算法我们提出了基于门限规则的贝叶斯变量选择方法。大量数值模拟研究验证了所提的贝叶斯变量选择方法的有效性,且具有易操作、计算量小等优点。最后,将此方法应用到家庭商业健康保险数据的实证分析,研究不同分位数水平下家庭健康保险参保比例的影响因素,得到了许多有意义的研究结果。

大城市通勤方式与职住失衡的相互关系

随着城市的扩张,人们的就业—居住空间跨度不断扩大。通勤方式的多样化和通勤效率的提高会对就业者的职住状况产生影响。以通勤时间作为通勤成本能从就业者的角度辨析个体的职住失衡状况。本文基于贝叶斯-tobit的统计分析方法,结合北京市7个街道和地区的问卷调查数据,分析了慢行交通、机动车、轨道交通、地面公交等4种通勤方式与职住失衡的相互关系。同时,引入就业可达性和用地混合度作为调节变量,考察其对不同通勤方式与职住失衡之间原有关系的影响。研究发现:①慢行交通的通勤方式与职住失衡程度存在负相关性;②机动车、轨道交通和地面公交的通勤方式与职住失衡程度存在正相关性;③就业可达性和用地混合度会弱化慢行交通、轨道交通、地面公交通勤方式与职住失衡程度的原有关系,即在低就业可达性和用地混合度条件下,慢行交通通勤者的职住失衡度更低,而轨道交通和地面公交通勤者的职住失衡度更高;④就业可达性和用地混合度的差异对机动车通勤与职住失衡之间的关系没有影响。上述结果表明:低就业可达性和用地混合度能够缓解慢行交通通勤者的职住失衡程度;但对于轨道交通和地面公交的通勤者来说,低就业可达性和用地混合度会加剧其职住失衡的程度。此外,机动车通勤者不易受外部客观因素的影响而改变出行方式。