交互效应动态面板模型的非线性工具变量估计

文章针对交互效应动态面板数据模型的参数估计难题,提出了一种非线性工具变量估计方法.通过Monte Carlo仿真发现:这种非线性工具变量估计法具有较好的有限样本性质,特别是针对非平稳的数据,该方法表现出了非常好的有限样本估计特征.     

基于线性回归变量误差模型的工具变量法与校正似然法的比较

文章介绍了线性回归变量误差模型参数估计的两种方法——工具变量法和校正似然法,然后通过数值模拟的方式对这两种方法的估计结果进行比较,说明这两种方法在不同假定下估计的优劣,最后通过实例计算来进行验证,并得到一些有用的结论.     

动态面板模型参数估计方法的比较研究

本文借助于蒙特卡洛模拟方法,在综合比较了主流动态面板模型参数估计方法优劣的同时,分析了动态面板模型参数估计有效性检验统计量的检验功效.结论表明:广泛应用的差分和系统GMM的参数估计方法,在小样本情况下,存在明显的参数估计偏差,相应的参数检验功效也存在扭曲,固定效应方差比越大这一偏差越明显,偏差修正和极大似然的动态面板模型参数估计方法参数估计的有效性越高.当动态面板模型的被解释变量为截断变量时,差分和系统GMM的参数估计偏差更为明显,而转换的Tobit模型则能够提供稳健的参数估计.固定效应方差比越大,弱工具变量检验的LM和CLR功效越稳健.本文最后将不同的动态面板模型估计方法,应用于劳动力迁移引致的区域工资差距问题的研究,进一步验证了蒙特卡洛模拟研究结论的稳健性.     

二值型响应与连续型响应联合建模的变量选择

由于多重响应变量之间可能存在相关性,文章考虑对二值型响应变量和连续型响应变量进行联合建模.利用probit模型,对二值响应引入了具有正态分布的潜变量,从而对多重响应建立线性回归模型,能得到二值变量和连续变量的联合分布.然后考虑回归系数会存在稀疏性,通过对似然函数加惩罚,从而对二重响应的回归系数和协方差矩阵的逆矩阵进行估计,达到参数估计和变量选择的目标.文中目标函数基于l1惩罚.数值模拟和实证分析展示了所提出方法的良好性质.     

ARMA模型参数估计算法的改进

文章提出了一种ARMA模型的非线性估计方法,这种方法通过DFP算法构造具有遗传对称正定性的矩阵来近似Hesse矩阵的逆,从而实现了ARMA模型参数的估计.仿真结果表明,该方法具有良好的准确度和可靠性,可以改进ARMA模型的参数估计.     

Monte Carlo EM梯度法在MATLAB中的实现

文章使用空间广义线性混合模型为连续空间非正态变量建模,在MATLAB中实现模型参数估计的MCEMG算法,即结合Monte Carlo样本的EM梯度法,求解参数的极大似然估计及采样点随机效应的最小均方误估计。在GS+中进行随机效应的普通克里格插值,并最终对非采样点响应变量进行预测。模拟仿真结果显示该方法参数估计与真实值较接近,响应变量预测结果能反应真实数据总体分布情况。     

缺失数据下非线性均值方差模型的参数估计

文章在响应变量随机缺失下研究非线性均值方差模型的参数估计问题.基于回归插补和随机回归插补两种缺失插补方法以及结合Gauss-Newton迭代计算算法给出该模型中未知参数的极大似然估计.并通过对两个随机模拟例子实际例子的研究分析,结果都表明了所提出的模型与统计方法具有可行性和实用性.     

高维参数多项Logistic模型的估计方法

高维参数多项Logistic模型的参数估计,用极大似然法估计很困难.文章给出一种新的估计方法:基于逆回归,给出参数单位向量的估计,从而高维参数得到降维;用极大似然法估计参数向量的模,最后得到参数的估计.且是相合估计.     

含无误差协变量的重复测量误差模型及其应用

文章讨论响应变量和部分协变量含测量误差的重复测量数据的建模和估计问题,获得参数极大似然估计的EM迭代算法以及估计量的渐近协方差矩阵,并利用Monte-Carlo模拟说明估计的有效性和模型的价值.最后,将研究理论用于处理气象数据的测量误差校正问题.     

多重减因模型的马氏链方法与转移强度参数估计

文章利用马氏链方法推导出多重减因模型的生存与死亡概率,并通过极大似然估计方法给出了其转移强度参数估计.     

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。     

基于KL-距离的双参数指数分布的参数估计

文章考虑双参数指数分布的参数估计问题,在KL-距离最小化原则下,给出了一种参数估计的方法.得到的结果是一般情况下参数估计与矩估计相同;特别地,当位置参数为0时,通过数值模拟,并与极大似然估计进行比较,证明了这种估计的可行性.     

Logistic回归模型的两参数估计

Logistic回归模型是一种有效的分类数据处理方法.为了克服Logistic回归模型的复共线性,文章提出了Logistic回归模型参数的两参数估计,并在均方误差矩阵准则下对估计的统计性质进行研究.     

统计新方法在社会科学领域的应用

结构方程模型 结构方程模型(SEM),又称为结构方程建模(Structural Equation Modeling),是基于变量的协方差矩阵来分析变量之间关系的一种多元统计方法,所以又称为协方差结构模型(Covariance Structure Models,简称CSM).最早是20世纪60年代,在心理计量学领域由Bock和Bargmann在"验证性因子分析模型"中提出来的,后来经过以瑞典统计学家Joreskog为首的许多人的修改和完善,最后成为一种通用的统计模型.它通过设定一个理论模型,假设总体协方差矩阵与模型的拟合方差矩阵有∑=∑(θ)成立,然后再用样本的协方差矩阵对总体协方差矩阵进行估计,即:∑=S,通过求解得到一组参数,使∑□iθ□与S的差距达到最小,因此,它是一种证实性技术.用来描述∑□iθ□与S的接近程度的函数称为拟合函数(fit function).通过不同的拟合函数的定义可以得到不同的参数估计,常用的参数估计方法有极大似然估计法、广义最小二乘法以及非加权最小二乘法.     

逐次定数截尾下Pareto分布参数的逆矩估计

基于逐次定数截尾样本下,讨论了Pareto分布的参数估计,得到了两参数的逆矩估计,并通过数值模拟与极大似然估计进行比较,结果表明逆矩估计优于极大似然估计.     

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。     

利用虚拟变量对季节指数的估计

本文利用季节虚拟变量建立回归模型,通过季节虚拟变量的参数估计间接地估计季节指数,并且利用模型进行了一些传统的季节指数方法无法进行的推断统计。这是一种分析季节指数和季节变动的新思路。     

基于状态空间模型的中国财政支出季节调整研究

文章对中国1998年1季度至2015年4季度财政支出的时间序列构建了基于状态空间形式的季节调整模型,通过卡尔曼滤波对状态方程各量测变量进行最优估计,并通过BHHH极大似然法对模型中的超参数进行估计,得出超参数、量测变量和量测变量相关系数矩阵估计值.根据分离出的循环趋势因素和季节因素,计算季节因素绝对值变化率和HP滤波分解,得到季节因素的趋势项和循环项.通过季节因素绝对值变化率曲线、其趋势项和循环项曲线分析,得到这6个年度波动性显著的原因.研究表明,中国财政支出具有季节性特征,但在特定年份受到国内经济环境和国内财政政策的影响,季节因素具有较大程度的波动性趋势.     

证券市场中板块联动效应的空间计量分析

收益率之间的联动效应广泛存在于证券市场中,文章用空间计量的方法对同板块股票收益率的联动效应进行了定量分析,在CAPM模型的基础上,通过使用空间权重矩阵将联动影响因素纳入了解释变量之中,并推导出极大似然估计方法克服了内生性问题,然后通过蒙特卡洛模拟证明了这种方法的可行性。     

存在测量误差的面板自回归模型的工具变量估计

对于存在测量误差的面板数据自回归模型,首先讨论了POLS(Pooling OLS)和LSDV(least square of dummy variable)估计存在向零的衰减偏差及其非一致性,其次对于混合自回归模型和个体固定效应自回归模型给出了工具变量应满足的条件.研究发现这时工具变量的选择是十分困难的.