基于双惩罚分位回归的面板数据模型理论与实证研究

固定效应和随机效应同时选择是面板数据模型研究中的重要问题之一。本文通过分别对固定效应和随机效应引入条件Laplace先验,提出了一种新的贝叶斯双惩罚分位回归法。该方法不仅能对模型中重要解释变量进行自动选择,而且充分考虑到个体随机波动对解释变量系数估计带来的偏差。通过对方差分量的惩罚压缩,减少了模型中未知参数的个数,提高了模型自由度。Monte Carlo模拟及实证分析显示,所提出的方法不仅能准确估计出固定效应系数,而且能精确地捕捉到个体随机效应的波动。

纵向数据分位回归模型的降维算法模拟研究

文章对含多重随机效应的纵向数据模型提出了两种新的惩罚分位回归法,通过对分位回归系数分别施加Lasso和自适应Lasso惩罚,两种方法能够对模型中的自变量进行自动选择。并设计了参数估计的交替迭代算法,讨论了最优惩罚参数选取方法。蒙特卡罗模拟结果显示,新方法不仅能对分位回归系数做出准确的估计和选择,而且对随机误差分布也具有较强的稳健性。

混合效应模型的多惩罚回归过程及其算法收敛性研究

针对混合效应模型中固定效应与随机效应同时选择问题,提出了施加多个惩罚项的回归过程,同时给出了参数估计的交替迭代算法,并证明了算法的收敛性。针对两种特殊的多惩罚回归过程,分别利用计算机模拟数据进行了比较分析,结果显示新方法在各种不同条件下均有良好的表现,尤其是能处理高维稀疏的混合效应模型。最后通过一个实际数据演示了新方法的应用。

面板数据分位回归模型中固定与随机效应的选择

随机效应的引入为面板数据建模中样本相关和异方差问题提供了重要解决途径,过多的随机效应不仅会极大地增加模型复杂度,而且给固定效应系数的估计带来偏差。文章在考虑到随机效应具有整体性基础上,以横截面个体为单位,对其进行整体压缩。通过对固定和随机效应分别引入不同形式的条件Laplace先验,构造了一种与Group Lasso-Lasso惩罚相等价的贝叶斯双惩罚分位回归估计方法。通过设计切片Gibbs抽样算法,快速有效地解决了模型参数估计问题。计算机模拟显示,该方法不仅能对固定和随机效应参数进行精确估计,而且能对模型中真实包含的固定和随机效应进行自动选择。