纵向部分线性变系数EV模型的估计

纵向数据是随着时间变化对个体进行重复观测而得到的一种相关性数据,广泛出现在诸多科学研究领域。在对个体进行观测时,测量误差不可避免,忽略测量误差往往会导致有偏估计。本文利用二次推断函数方法研究关于纵向数据的参数部分和非参数部分协变量均含有测量误差的部分线性变系数测量误差(errors-in-variables, EV)模型的估计问题。利用B样条逼近模型中的未知系数函数,构造关于回归参数和B样条系数的偏差修正的二次推断函数以处理个体内相关性和测量误差,得到回归参数和变系数的偏差修正的二次推断函数估计,然后证明了估计方法和结果的渐近性质。数值模拟和实例数据分析结果显示本文提出的方法具有一定的实用价值。     

零膨胀计数数据函数型部分变系数模型

在实际数据分析中经常会遇到零膨胀计数数据作为响应变量与函数型随机变量和随机向量作为预测变量相关联。本文考虑函数型部分变系数零膨胀模型 (FPVCZIM),模型中无穷维的斜率函数用函数型主成分基逼近,系数函数用B-样条进行拟合。通过EM 算法得到估计量,讨论其理论性质,在一些正则条件下获得了斜率函数和系数函数估计量的收敛速度。有限样本的Monte Carlo 模拟研究和真实数据分析被用来解释本文提出的方法。     

基于部分函数型线性回归模型的改进

金融市场的交易是不间断的,价格始终高频的更新,在金融数据的研究中,经常遇到函数型数据.文章主要建立部分函数型线性回归模型,分析函数型数据在上证指数预测中的应用,根据函数型数据分析的原理及其求解主成分分析的方法,使用Matlab对上证指数进行预测.     

部分线性变系数模型的Backfitting约束估计

作为部分线性模型与变系数模型的推广,部分线性变系数模型是一类应用广泛的半参数模型.文章主要研究该模型线性部分存在约束条件下的估计和检验问题,首先基于backfitting方法给出了常数系数以及变系数部分的约束估计,其次构造了检验统计量用于检验约束条件.     

线性模型中变点检测的算法分析

文章介绍了线性模型中对于回归变点检测的已有方法,包括在正态分布的假设下采用一个经验似然型的Wald计量和基于经验似然比检验统计量检测方法。还利用对经验似然法的改进给出了一个新的变点检测方法,其中包含了两个不同检验统计量,并给出了具体算法步骤,最后通过模拟比较这几种方法的检验效果,结果显示：新的变点检测方法在很大程度上提高了变点检测问题的功效和命中率。     

带线性误差的部分线性EV模型的经验似然推断

部分线性EV模型是经典的部分线性模型的推广,在此模型中,假定误差是线性过程.文章把经验似然方法推广到带线性误差的部分线性EV模型,提出了调整的经验对数似然比,并建立了非参数的Wilks定理.     

鞅差序列误差下线性模型的经验似然推断

文章在线性模型误差项为鞅差序列情形下,应用经验似然方法得到了关于回归系数β的对数经验似然比统计量渐近服从菇分布,从而得到了关于β的置信域。     

固定效应部分线性变系数面板模型的快速有效估计

本文将最小二乘支持向量机(LSSVM) 和二次推断函数法(QIF) 相结合，为个体内具有相关结构的固定效应部分线性变系数面板模型提供了一种新的快速估计方法；在一定的正则条件下，论证了参数估计量的渐近正态性和非参数估计量的收敛速度；采用Monte Carlo模拟考察了估计方法在有限样本下的表现并将估计技术应用于现实数据分析。该方法不仅保证了估计的有效性和统计推断力，而且程序运行速度得到较大幅度提升。     

超越对数生产函数的半参数变系数估计模型

提出超越对数生产函数的半参数变系数模型,利用Profile方法给出产出弹性函数系数的局部加权最小二乘估计,并利用非参数条件自助法对有限样本的近似分布进行模拟,给出相对精确的广义似然比检验。规模报酬约束下中国1953--2008年的实证结果拒绝超越对数生产函数模型假设,产出弹性不可简单线性化而是对数劳均资本的非线性函数,时变资本弹性表现为倒U型变化趋势,时变劳动力弹性表现为U型变化趋势。     

固定效应面板线性回归模型的移动分块经验似然估计

本文针对固定效应面板线性回归模型中特意误差项为任意形式序列相关情形,提出了移动分块经验似然估计方法,并给出了大样本性质。模拟研究表明：该方法适用于特意误差项序列相关形式已知和形式未知两种情形,较Baltagi和Li（1994）以及Gon?alves（2011）提出的方法有效。本文采用该方法对CO2排放量与城市化水平之间的关系进行了实证分析,结果表明：城市化水平对CO2排放量有显著影响,不同城市化阶段对CO2排放量影响不同。     

半参数变系数回归模型的空间相关性检验

对半参数变系数回归模型,构造了新的空间相关性检验统计量,利用三阶矩 逼近方法导出了其检验 值的近似计算公式,蒙特卡罗模拟结果表明该统计量在检测空间相关性方面具有较高的准确性和可靠性。同时考察了误差项服从不同分布时的检验功效,体现出该检验方法的稳健性。进一步,我们还给出了检验统计量的Bootstrap方法以及检验水平的模拟效果。     

Testing Serial Correlation in Partially Linear Additive Errors-in-variables Models

This article considers testing serial correlation in partially linear additive errors-in-variables model. Based on the empirical likelihood based approach, a test statistic was proposed, and it was shown to follow asymptotically a chi-square distribution under the null hypothesis of no serial correlation. Finally, some simulation studies are conducted to illustrate the performance of the proposed method.     

Testing Serial Correlation in Semiparametric Varying-Coefficient Partially Linear Models

We propose two test statistics for testing serial correlation in semiparametric varying-coefficient partially linear models. The proposed test statistics are not only for testing zero first-order serial correlation, but also for testing higher-order serial correlations. Under the null hypothesis of no serial correlation, the test statistics are shown to have asymptotic normal or chi-square distributions. By using R, some Monte Carlo experiments are conducted to examine the finite sample performances of the proposed tests. Simulation results show that the estimated size and power of the proposed tests behave well.     

Testing Serial Correlation in Partially Linear Single-Index Errors-in-Variables Models

In this article, we propose two test statistics for testing the underlying serial correlation in a partially linear single-index model Y = η(Z ^τα) + X ^τβ + ? when X is measured with additive error. The proposed test statistics are shown to have asymptotic normal or chi-squared distributions under the null hypothesis of no serial correlation. Monte Carlo experiments are also conducted to illustrate the finite sample performance of the proposed test statistics. The simulation results confirm that these statistics perform satisfactorily in both estimated sizes and powers.     

Efficient Estimation in Heteroscedastic Partially Linear Varying Coefficient Models

This article considers statistical inference for the heteroscedastic partially linear varying coefficient models. We construct an efficient estimator for the parametric component by applying the weighted profile least-squares approach, and show that it is semiparametrically efficient in the sense that the inverse of the asymptotic variance of the estimator reaches the semiparametric efficiency bound. Simulation studies are conducted to illustrate the performance of the proposed method.     

广义部分线性单指数模型的惩罚样条估计

 本文讨论了指数族广义部分线性单指数模型(Generalized Partially Linear Single Index Models, GPLSIM) 的惩罚样条迭代估计,提出了基于惩罚似然和一组预先取定的单指数参数向量 的初始估计的迭代估计算法。另外本文还通过一组模拟数据的分析对所提出的迭代算法进行了验证。