基于最佳线性无偏估计的模型权数的小域估计

文章介绍了一种基于EBLUP的模型权数的小域估计方法.这种估计方法一方面使小域的目标估计量是加权线性组合,从而使估计过程以及均方误的估计更加简单;另一方面得到的估计量不依赖于模型的假定,是一种稳健的估计量.文章还通过一个简单的模拟案例说明了这种估计量的稳健的性质,说明这种估计方法是一种非常符合实际调查情况的小域估计方法.     

基于对数变换的小域的稳健估计量

小域估计是抽样调查的热点问题之一,其主流发展方向是基于模型的小域估计方法。但是这种方法依赖于模型的假定,若假定的模型错误,则估计效果很差。因此,利用对数变换和抽样设计权数得到小域的目标变量的稳健估计量,并通过模拟案例说明基于对数变换的方法是一种稳健有效的小域估计方法。     

小域的双重稳健估计方法

小域估计问题是抽样调查的热点问题之一，其主流发展方向是基于模型的估计方法。但是，这种方法依赖于模型的假定，若调查数据满足模型的假定条件，估计的效果会非常好；反之，无法得到有效的估计量。文章利用Box—Cox变换和抽样设计权数得到小域的双重稳健估计量；并通过模拟例子，说明这种方法是一种双重稳健的小域方法。     

多目标变量调查的小域的稳健估计量研究

大型的抽样调查不仅是多目标的复杂调查,而且在估计总体目标变量的基础上还需要对其中的一些域的目标变量进行估计,所以小域估计和多目标估计问题一直是抽样调查的热点问题.文章主要利用模型校准权数的方法,解决小域中的多目标估计问题,并得到小域的多个目标变量的稳健估计量.     

基于空间模型的小域估计方法

小域估计成为当今抽样调查的热点问题之一，日益受到社会各界的关注。小域估计多采用基于模型的估计方法，其中以线性混合模型最为普遍，这种模型通常假定域随机效应是独立的。但是，在实际各个域之间往往表现出一定的空间相关性，并且这种相关性随着距离的增加而减小，若忽视这种空间效应，估计的精度会大大的降低。本文运用域随机效应为空间相关的空间模型来解决空间数据下的小域估计问题，并用基于这种空间模型的权数的方法得到了目标变量的稳健估计量，很大程度上提高小域估计的精度，是一种比较好的小域估计方法。     

基于GMM的缺失数据回归模型的半参数估计

响应变量存在数据缺失的情况广泛出现在社会经济研究中,对响应变量存在数据缺失的回归模型提出了一个在矩估计框架下的单一的半参数估计量,这种估计量保留了参数回归估计量与非参数匹配估计量的特性,从而使得该估计量既能在响应变量被观测的子样本中保持较好的拟合性,又能够降低响应变量未被观测的子样本的估计误差,并且证明了这种估计量是一致、渐进正态估计量。     

双重抽样框下项目无回答插补估计方法研究

抽样调查工作中无回答情形不可避免,双重抽样框下亦如此,因此需要对双重抽样框下抽样调查项目无回答造成的估计量偏差进行纠偏校正。首先通过二重抽样获取辅助变量的信息,使用其构造比率估计量与比率型指数估计量的组合估计量对双重抽样框下抽样调查中项目无回答数据进行插补,得到对应各部分子总体的均值估计,再用Hartley估计量的形式对总体总值进行估计。通过计算估计量偏差、均方误差及最优权重系数,对比相同条件下完全回答时同类型组合估计量均方误差的相对精度损失与使用单一比率型指数估计量的相对精度损失,随机模拟结果显示损失率较低,插补方法有效。选择合适的辅助变量构造比率估计量和比率型指数估计量的组合估计量做插补值,更充分利用辅助变量和已回答研究变量信息,基于提出的组合估计量于抽样调查工作具有一定的应用价值。     

Yule-Walker估计法的敏感性分析及其稳健改进

时间序列自回归AR模型的Yule-Walker估计法在建模过程中易受离群值的影响,导致计算结果与实际不相符。针对这一现象,基于均值和方差的稳健组合估计量构建了稳健自相关函数,得到了时序AR模型的稳健Yule-Walker估计算法,以克服离群值的影响。并对此方法进行了模拟与金融数据实证检验,模拟和实证检验均表明:当时序数据中不存在离群值时,传统估计方法与稳健估计方法得到的结果基本保持一致;当数据中存在离群值时,运用传统估计方法得到的结果出现较大变化,而运用稳健估计方法得到的结果基本不变。这说明相对于传统估计方法,稳健估计方法能有效抵抗离群值的影响,具有良好的抗干扰性和高抗差性。     

遥感辅助的农作物种植面积小域估计方法研究

遥感影像是大数据的一种,利用遥感对农作物播种面积进行估算常采用回归估计量或校准估计量,通常都需要将地面样本数据与遥感分类信息相结合。但对于大多数回归估计量,对省级总体的农作物面积估算只能满足对省级总体的精度要求而不能分解到更小区域,比如县和乡级。本文利用黑龙江省2011年的地面实测样本数据结合遥感分类结果,构建了单元层次的多响应变量的多元回归形式的小域模型,并将小域效应设定为固定形式。这样基于回归估计方法,既可以估算分县的主要作物播种面积,也可以使得各县播种面积估计结果相加就等于回归模型含义下的省级总体的总量估计。对黑龙江省玉米、水稻、大豆分县小域估计结果的精度评价（变异系数C.V）,平均而言均可以满足县级精度要求。本文的结果表明小域估计方法在解决省级总体对全省和分县的农作物种植面积多级估算问题中具有很好的应用。     

分位数回归模型在小域估计中的应用

小域估计问题日益受到社会各界的关注,它通常利用辅助信息和统计模型提高估计的精度。其中最常用的小域模型是混合模型,即利用域随机效应来解释域间变化,但是这种模型要求严格的假定条件,不易于处理实际中存在异常值或重尾现象的小域估计问题。本文将分位数回归模型引入小域估计中,这个模型不需要强的假定条件,可以处理实际中存在异常值或是重尾现象的小域估计问题,并通过一个模拟案例进一步说明了基于分位数回归模型的小域估计方法可以得到更加稳健的估计量．挖掘更多的信息来提高小域估计的精度,是一种比较好的小域估计方法。     

小域估计的理论和最新进展

小域估计问题是当今抽样调查中的一个热点问题,由于小域样本量很小甚至为零,用传统的直接估计无法得到小域的精确估计,故借助于其他相邻与相似的小域的样本信息和历史信息的间接估计来提高估计的精度,是十分必要的.目前小域估计的主流发展方向是基于模型的小域估计方法,在介绍基于小域层次模型的小域估计方法和基于单元层次模型的小域估计方法的理论基础上,对实际调查中存在的一些小域估计问题以及针对这些实际问题的最近进展进行介绍,具有重要的理论和实践意义.     

混合样本下双因素误差模型的参数估计

考虑到面板数据的选择性偏误、不响应、样本流失及轮换面板数据的高成本，在实际应用中，根据研究的需要和两种样本各自的特征，有时将两种样本结合使用，从而得到普通面板数据和轮换面板数据的混合样本。文章提出了混合样本下双因素误差面板回归模型的迭代极大似然估计方法，得到了未知参数的迭代公式。使用蒙特卡罗模拟方法分析了面板数据和混合样本下参数估计的平均绝对偏差和均方误差，结果显示：与面板数据下的极大似然估计量相比，混合样本下迭代极大似然估计方法整体上降低了估计量的平均绝对偏差和均方误差，优于面板数据下的极大似然估计量。     

基于多重抽样框的连续性抽样估计方法研究

多重抽样框可以解决单一抽样框难以完整覆盖流动性目标总体的难题,连续性抽样调查则可以获取变量的时序观测数据,对总体现象进行追踪调查。本文将多重抽样框调查与连续性抽样调查两种方法结合在一起进行研究,深入分析基于多重抽样框的连续性抽样估计方法。文章首先设计了连续性调查环境下总体结构变动表;然后,在简单随机抽样假定下的轮换样本调查情形开展研究,设计了14种参数缩减方法对构建的似然函数进行估计求解,并给出了估计量的迭代计算过程;最后,对本文的研究内容进行了总结与展望。     

基于分层贝叶斯分析的残疾率小域估计方法

小域估计（Small Area Estimation）是抽样调查领域里一个重要的研究方向,国计民生中的许多重要问题如失业率、传染病的发病率和民意测验等抽样调查都需要采用不同的小域估计方法。本文针对小域估计问题,以估计方法发展脉络为主线,以分层贝叶斯分析的小域估计为重点,对小域估计问题的理论、方法和最新进展进行简述,并利用澳大利亚残疾、老龄化和护理者（SDAC 2003）抽样调查实际数据,从分层贝叶斯分析角度对澳大利亚残疾率进行估计,最后对估计结果进行比较和讨论。     

部分线性可加变量含误差模型的估计

作为可加模型和部分线性模型的推广,部分线性可加模型是一类应用广泛的半参数模型。文章主要讨论了当线性部分的协变量测量含误差时模型的估计问题,我们基于profile全最小二乘法构造了参数分量和模型误差方差的估计,并证明了估计量的渐近正态性。     

关于计量经济学模型随机扰动项的讨论

 论文指出了计量经济学模型中源生的随机扰动项和衍生的随机误差项之间的区别;讨论或证明了,如果模型存在总体设定误差和变量观测误差,在很多情况下将导致随机误差项对Gauss假设以及正态性假设的违背。     

基于排序集样本和辅助变量中位数的均值比率估计方法

排序集抽样下利用辅助变量中位数构建了总体均值的改进比率估计模型,分析了该比率估计量的偏差和均方误差,并与简单随机抽样下的比率估计比较,证明了改进后的比率估计均方误差更小。以农作物播种面积和产量为研究对象进行实例分析,研究表明,基于排序集样本和辅助变量中位数的比率估计方法可以有效提高估计精度,验证了该构造方法的可行性。     

连续性抽样调查中总体均值的估计

在连续性抽样调查中,利用前期信息和辅助信息可以大大提高估计精度,但是以往的估计量大多假设辅助信息总体均值已知,文章介绍一种在连续性抽样调查中,辅助信息总体均值未知的情况下,通过两阶段抽样,利用轮换样本方法和辅助变量信息,对总体均值进行估计的新的估计方法,并将新提出的估计量与原有的估计量进行比较,发现其精度更高,而且有利于减少调查成本。     

含缺失数据的半参数模型的稳健估计

文章在响应变量随机缺失下,基于分位数回归研究了半参数模型的稳健估计问题。首先基于B样条基函数近似技术,将模型非参数函数的估计问题转化为样条系数向量估计问题;其次,在响应变量随机缺失下,提出了一种新的插补方法,对缺失的响应变量进行多重插补;再次,基于插补后的数据集,构造出新的分位数目标函数,得到模型非参数函数以及参数向量的稳健估计;最后给出了有效算法计算多重插补估计量。通过模拟研究验证了所提方法的有效性和稳健性。     

稳健AR模型的构建及其在金融时序中的应用

时间序列自回归AR模型在建模过程中易受离群值的影响,导致计算结果与实际不相符。针对这一现象,运用FQn统计量对传统自相关函数进行改进,构建出自回归AR模型的稳健估计算法,以克服离群值的影响,并对此方法进行了模拟和实证分析。模拟和实证分析均表明:当时序数据中不存在离群值时,传统估计方法与稳健估计方法得到的结果基本保持一致;当数据中存在离群值时,运用传统估计方法得到的结果出现较大变化,而运用稳健估计方法得到的结果基本不变.这说明相对于传统估计方法,稳健估计方法能有效抵抗离群值的影响,具有良好的抗干扰性和高抗差性。