基于多变量事后分层基础上的多重插补方法

文章讨论了基于多变量事后分层基础上的多重插补方法,分别就分层方法的选择、样本在各层的分配、插补模型的选择和参数估计进行了分析.     

基于HLM2的算例分析及其在中国非寿险精算中的思考

随着保险业务的拓展和深化,财产保险中越来越多地出现具有相关性和层次性的保险数据.分层线性模型对此类数据的处理能充分地体现在数据的分析中,在国际精算领域中的应用处于起步阶段.文章分析了分层线性模型具有二层、三层结构的数据特点,采用线性混合模型和分层线性模型方法,完成了二层结构数据的模型构建、实现与比较.     

基于非线性主成分和聚类分析的综合评价方法

针对传统主成分在处理非线性问题上的不足，阐述了传统方法在数据无量纲化中“中心标准化”的缺点和处理“线性”数据时的缺陷，给出了数据无量纲化和处理“非线性”数据时的改进方法，并建立了一种基于“对数中心化”的非线性主成分分析和聚类分析的新的综合评价方法。实验表明，该方法能有效地处理非线性数据。     

分层线性模型中一种新的拟合优度指标探讨

文章从两水平分层线性模型着手,提出了一个由经典线性回归模型度量模型拟合优度衍生的同类指标.除了对模型整体拟合情况进行分析外,还针对模型分层拟合的特点,给出了层二的R2-值准则,并就其合理性利用Mome Carlo模拟实验进行讨论;最后分析了层二拟合优度指标对层一拟合优度指标的影响.     

中国城乡居民自感健康与社会分层——基于（CGSS）2008年的一项实证研究

基于中国综合社会调查（CGSS）2008年的数据,利用多元线性回归模型检验社会经济地位等客观社会分层变量和阶层意识等主观社会分层变量对居民自感健康的影响。研究表明：居民的受教育程度、个人年收入、家庭年收入等客观社会分层变量和阶层意识、自评家庭经济地位等主观社会分层变量与其自感健康水平显著相关。同时,年龄、性别、政治面貌等个体特征变量能较好地解释居民自感健康的差异。     

消费需求分析中的模型选择——以农村居民商品与服务消费需求为例

文章基于2000—2021年我国31个省份农村居民商品与服务消费支出的面板数据,对施加了理论约束进而能够反映消费者选择公理的双对数（Double-Log）模型、线性支出系统（LES）模型、鹿特丹（Rotterdam）模型、近乎完美需求系统（AIDS）模型和二次近乎完美需求系统（QUAIDS）五个完整需求系统模型进行了样本内和样本外的商品与服务消费需求预测评估研究。结果显示,QUAIDS模型的预测表现最好,AIDS模型和Double-Log模型次之,LES模型和Rotterdam模型相对较差;模型函数式方法的预测误差明显大于弹性均值方法的预测误差,弹性均值预测方法优于模型函数式预测方法。根据经济变量和非经济变量弹性绝对值大小、显著性以及正负符号是否符合经济学理论和现实观察,有助于判断模型选择的恰当性,但不能据此确定模型的优劣,需要通过样本内和样本外的预测评估,特别是样本外的预测评估选取适用的需求分析模型。     

空间随机截距模型及其参数估计

空间分层数据因为地理位置的原因，层与层之间会具有空间依赖性，区别于传统的分层数据。首先，文章将空间自相关的思想引入到随机截距模型中，在层-2模型中加入空间参数来反映空间自相关性，构建了空间随机截距模型；然后，针对空间随机截距模型，给出了基于EM算法和Fisher得分的最大似然估计。     

空间分层数据无条件模型的改进及其估计

抽样调查中得到的数据经常既包含个体信息又包含地理单元信息,形成以地区集聚的分层数据.空间分层数据中地理单元间往往具有空间依赖性,区别于传统的分层数据.分析空间分层数据时需要首先建立无条件模型用作初步分析.因此,在传统分层无条件模型中引入完全空间自回归模型来表达空间相关性,建立空间分层数据的无条件模型,并研究其估计方法,借助参数估计值可做模型选择.     

广义线性模型下ERIC方法的调节参数选择

变量选择是处理高维统计模型的基本方法,在回归模型的变量选择中SCAD惩罚函数不仅可以很好地选择出正确模型,同时还可以对参数进行估计,而且还具有oracle性质,但这些良好的性质是基于选择出一个合适的调节参数。目前国内关于调节参数选择方面大多是对于变量选择问题的研究,针对广义线性模型基于SCAD惩罚使用新方法 ERIC准则进行调节参数的选择,并证明在一定条件下经过该准则选择的模型具有一致性。模拟与实证分析结果表明,ERIC方法在选择调节参数方面优于传统的CV准则、AIC准则和BIC准则。     

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.