内生性随机前沿模型估计方法研究：无需工具变量的Copula方法

内生性是常见的计量问题，忽略内生性会导致估计量有偏且不一致。现有部分文献研究了内生性随机前沿模型的估计，但实现的前提是能够为内生性自变量寻找到合适的工具变量，而实际情况下合适的工具变量通常不容易获取。本文研究了在难以找到合适的工具变量的情况下内生性随机前沿模型的估计问题：结合Copula方法和极大模拟似然方法估计参数。此外，本文还构造了技术无效率的新的点估计，该点估计额外利用了内生自变量的信息，通常比JLMS法对应的点估计更有效。数值模拟表明，相比于已有研究，本文提出的方法估计精度更高。     

变系数模型的快速变量选择方法

文章结合基函数逼近以及光滑门限估计方程,提出了一个变系数模型的快速变量选择方法。该变量选择方法可以同时进行系数估计和变量选择,并且不需要解任何凸优化问题。因此,与已有方法相比,该方法在实际应用中将大大减少计算量。     

位置参数变点的统计推断

关于随机变量序列中是否存在变点的问题一直不断地有人研究,对变点进行估计具有很重要的应用价值。为此,研究至多一个变点的位置参数变点问题,对变点是否存在进行假设检验,论证相关统计量的渐进性质,在此基础上提出变点的一种点估计,并证明估计的强相合性。     

在不可忽略抽样机制下目标变量的估计问题

抽样调查是通过对有限总体的重复抽样,用样本数据对总体的目标变量进行估计,但是若样本的抽样过程与目标变量有关,则样本分布不能代表总体分布,此时用样本数据来估计总体会产生很大的偏差。针对这种在不可忽略的抽样机制下如何进行目标变量的估计问题展开讨论,详细介绍了三种处理该问题的方法并对这三种方法进行了比较,得出第三种概率密度函数的方法是处理该问题比较好的一种方法。     

基于BCUSUM的多参数变点估计

文章基于递归残差的逆序特征和隔离检测研究了回归模型多参数变点的检测方法。首先,构建带有变点的回归模型,考虑到多元正向CUSUM检验能防止协变量均值与偏移量正交时损失功效,但其变点检测效果并不理想的情况,引入修正的检验统计量BCUSUM。其次,结合快速高效的隔离检测技术,提出MCPDP算法用于估计变点数目及位置。最后,模拟结果表明,所提出的方法能较好地控制检验水平,有更高的功效;评价结果显示,MCPDP算法在变点估计性能方面表现较优;实例分析表明,交通流变点符合实际交通情况,验证了该方法的有效性,且所构建的模型可以作为交通参数确定性经验关系的一种修正。     

统计参数点估计性能评价的新方法

文章针对统计参数点估计中对估计结果的误差或可信度缺乏定量度量的问题,在总体样本独立同分布的假设条件下,研究了统计参数点估计中采样窗口大小(即样本容量)与样本均值、标准差统计误差之间的关系,提出了统计量点估计置信度的概念,并给出了借助计算机仿真确定在特定统计结果下统计量置信度与样本容量关系的方法。仿真和应用实例表明文章所引入的点估计置信度概念具有一定的普适作用,可以进一步优化补充点估计优劣评价方法。     

变点估计的相合性及其应用

文章主要研究了均值变点估计问题,给出了变点的累积和型估计,证明了变点估计的相合性。利用EViews软件,分别对总体上证指数数据和变点之后的数据建立状态空间模型,通过比较预测结果的绝对百分比误差(APE),得出基于变结构的分段数据所建立的模型预测效果较好的结论。     

不同先验分布制程能力指数的贝叶斯估计

制程能力指数（PCIs）是衡量制程能力与绩效的重要指标,目前已有许多文献基于经典概率论对制程能力指数的点估计或置信区间进行了研究。文章采用贝叶斯方法进行PCIs的点估计与区间估计,首先假设无信息先验分布时,推导μ≠T时Cpm^2的贝叶斯估计以及μ=m时Cpmk^2的贝叶斯估计;然后分别对服从共轭先验分布、威布尔故障先验分布的PCIs的贝叶斯估计进行了研究;最后采用算例验证了本文提出的贝叶斯估计方法的有效性。     

浅谈极大似然估计的教学方法

在数理统计中,当随机变量X的分布类型已知时,一个很重要的问题就是要对分布中所含的参数θ进行估计,即所谓的参数估计。在参数估计方法中有一种常用的点估计方法——极大似然估计方法（以下简称极大似然估计）。该方法最早是由高斯（C.F.Gauss）提出来的,后来费雷（R.A.Fisher）在1912年又重新提出该方法,并证明了该方法的一些优良性质。极大似然估计方法的背后有着非常朴素的哲理,但是,如果不把握其精髓,则很难让初学者理解和接受。笔者在多年从事概率与数理统计教学中发现,这部分既是数理统计（参数估计）教学中的一个难点又是重点。     

基于协变量平衡加权的平均处理效应的稳健有效估计

倾向性得分是估计平均处理效应的重要工具。但在观察性研究中,通常会由于协变量在处理组与对照组分布的不平衡性而导致极端倾向性得分的出现,即存在十分接近于0或1的倾向性得分,这使得因果推断的强可忽略假设接近于违背,进而导致平均处理效应的估计出现较大的偏差与方差。Li等(2018a)提出了协变量平衡加权法,在无混杂性假设下通过实现协变量分布的加权平衡,解决了极端倾向性得分带来的影响。本文在此基础上,提出了基于协变量平衡加权法的稳健且有效的估计方法,并通过引入超级学习算法提升了模型在实证应用中的稳健性;更进一步,将前一方法推广至理论上不依赖于结果回归模型和倾向性得分模型假设的基于协变量平衡加权的稳健有效估计。蒙特卡洛模拟表明,本文提出的两种方法在结果回归模型和倾向性得分模型均存在误设时仍具有极小的偏差和方差。实证部分将两种方法应用于右心导管插入术数据,发现右心导管插入术大约会增加患者6. 3%死亡率。