广义Gamma分布簇广义线性混合模型的构建

 本文在广义Gamma分布簇基础上引入异质性来构建广义线性混合模型。本文构建的广义Gamma分布簇广义线性混合模型在广义线性混合模型的框架下分析,通过参数重整技术把广义Gamma分布簇变量的建模问题与指数分布簇变量的建模问题联系起来,模型推断可以方便地利用广义线性混合模型和广义线性模型的研究成果,同时也可以方便地推广到其他模型。三参数广义Gamma分布可以收缩到两参数的Gamma分布、Weibull分布或指数分布,能降低模型误设的风险,还能便利地分析误差结构。     

混合广义线性模型

本文首次提出混合广义线性模型，此模型包括通常的标准广义线性模型以及贝叶斯多层广义线性模型。对二分量混合广义线性模型，利用近似准似然方法讨论其参数估计。对指数族混合广义线性模型，利用标准的广义线性模型分析方法得到参数的迭代估计。至于Ａｌｂｅｒｔ提出的贝叶斯多层先验分析方法，我们给出简单的讨论与修正；并且讨论与分析两个特殊的贝叶斯多层广义线性模型，给出它们的有关详细结果。最后，对混合广义线性模型，提出两个问题     

联合广义线性模型中的变量选择

在联合广义线性模型中,散度参数与均值都被赋予了广义线性模型的结构,本文主要考虑在只有分布的一阶矩和二阶矩指定的条件下,联合广义线性模型中均值部分的变量选择问题。本文采用广义拟似然函数,提出了新的模型选择准则(EAIC);该准则是Akaike信息准则的推广。论文通过模拟研究验证了该准则的效果。     

广义线性混合模型及其SAS实现

本文探讨了重复测量资料广义线性混合模型（GLMMs）建模及SAS9．1的PROC GLIMMIX程序实现。利用PROC GLIMMIX程序中Model语句选项和Link语句来指定因变量的分布及连接函数,通过Random语句来指定随机效应,采用线性限制性／残差虚拟似然法进行参数估计。GLMMs是在广义线性模型的基础上引入随机效应,因变量可以是指数家族中任意分布,可以通过连接函数将观测的均数向量与模型参数联系起来。GLMMs应用范围广,建模灵活,可以为相关或非常数方差数据建模,能提供客观正确的统计结论。     

广义线性混合模型框架下的信度模型分析

尝试在广义线性混合模型的框架下构建信度模型。在广义线性混合模型框架中,假定被解释变量服从指数簇分布,假定自然参数先验分布为相应的自然共轭先验分布簇,按照Bayes理论,通过特殊构造,给出推论:对随机效应的估计满足经典信度公式。参数估计部分,利用自然共轭先验分布簇参数子列上下极限的性质找出先验分布参数的含义和关系,使用伪似然方法给出信度估计公式。并以特例形式讨论Tweedie模型,对模型进行变形,得到特例的Bühlmann-Straub信度和经典的Bühlmann信度。该模型同时考虑先验信息与后验信息,对整合分类费率与个体经验费率提供一定参考。     

缺失数据下广义线性模型的经验似然推断

利用经验似然方法,讨论缺失数据下广义线性模型中参数的置信域问题,得到了对数经验似然比统计量的渐近分布为标准卡方分布;给出参数的一些估计量及其渐近分布,利用数据模拟解释了所提出的方法。     

基于广义线性混合模型的经验费率厘定

信度模型是非寿险精算学中最为重要的成果.从20世纪初至今,信度理论先后经历了两个发展阶段:一是早期的有限波动信度模型;二是目前的最大精确信度模型.有限波动信度模型强调结果的稳定性,而最大精确信度模型强调结果的精确性.因此建立信度模型与广义线性混合模型之间的联系,通过对信度模型的分解可以看到:传统的信度理论对风险的刻画方法与广义线性混合模型的结构有极其相似的地方,故可以用广义线性混合模型来厘定经验费率.     

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。     

广义线性混合模型及其在非寿险信度费率厘定中的应用

近年来,国内外精算学者开始将广义线性混合模型用于信度模型费率厘定中,但他们对因变量的推广仅仅推广到负二项分布。在前人的研究基础上,将因变量进一步推广到负二项K、广义泊松、双泊松等分布,然后用极大似然估计中的限制性虚拟似然法和自适应高斯求积法对参数进行估计,最后用美国劳工补偿保险进行实证分析。结果表明:负二项K(K=1.947)广义线性混合模型对数据拟合效果最好,其次为负二项1、负二项2、双泊松、广义泊松和泊松广义线性混合模型。     

混合再生散度模型的参数估计

随着社会信息化的发展数据的种类越来越多样化,在实际的数据分析中相对于同质总体,异质总体更具有普遍性,所以混合回归模型是最重要的统计数据分析工具之一。再生散度模型是一种比指数族分布更加广泛的分布,适用性更强。基于此,提出混合再生散度模型,对方位参数进行建模,并通过EM算法研究该模型参数的极大似然估计。同时,通过随机模拟和实例研究说明该模型和方法是有效和有用的。     

广义Pareto分布模型参数的近似估计及应用

文章利用极大似然估计法及泰勒公式给出了广义Pareto分布模型参数估计,并在确定阈值的基础上对多种元素的广义Pareto分布模型参数进行了估计,经Kolmogorov检验证实该近似估计法的合理性和有效性。     

带线性约束的多元线性回归模型参数估计

本文首先构造线性约束条件下的多元线性回归模型的样本似然函数,利用Lagrange法证明其合理性。其次,从似然函数的角度讨论线性约束条件对模型参数的影响,对由传统理论得出的参数估计作出贝叶斯与经验贝叶斯的改进。做贝叶斯改进时,将矩阵正态-Wishart分布作为模型参数和精度阵的联合共轭先验分布,结合构造的似然函数得出参数的后验分布,计算出参数的贝叶斯估计;做经验贝叶斯改进时,将样本分组,从方差的角度讨论由子样得出的参数估计对总样本的参数估计的影响,计算出经验贝叶斯估计。最后,利用Matlab软件生成的随机矩阵做模拟。结果表明,这两种改进后的参数估计均较由传统理论得出的参数估计更精确,拟合结果的误差比更小,可信度更高,在大数据的情况下,这种计算方法的速度更快。     

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.     

线性回归模型的后验极大似然估计

与普通最小二乘法相比,线性模型参数的极大似然估计,在一般的条件下也具有很好的性质;而实际中,在进行统计推断之前,我们往往对参数的信息有一定把握。文章将利用参数的先验信息即先验分布,构造了线性模型参数的后验极大似然估计,并在两种先验分布的情形,给出了具体的结果。     

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。     

熵损失函数下广义线性混合模型协方差矩阵谱的分解估计

文章在熵损失函数下,通过计算得到了广义线性混合模型协方差矩阵谱分解估计的风险函数;研究了广义线性混合模型协方差的谱分解估计在一定估计类中的优良性;最终证明了在熵损失函数下,由最小二乘理论得到的无偏估计优于其他两个有偏估计。     

广义线性混合模型在顾客满意度研究中的应用——基于某地区银行理财产品顾客满意度的分析

在对广义线性模型与经典线性模型进行对比分析基础上,重点介绍了广义线性混合模型与估计方法及其在满意度调查数据中的模型设定与应用,并采用某调查机构在2011年1月至2012年3月期间对购买过某地区银行理财产品的客户进行的满意度调查数据进行实证分析。研究表明:相对于经典线性回归模型与广义线性模型,广义线性混合模型是分析满意度调查数据的有效方法。     

非寿险未决赔款准备金评估的两阶段广义线性混合模型

文章考虑了赔付额和赔付次数两种赔付信息,建立两阶段广义线性混合模型.为提高模型的适用范围,将赔付次数的分布假设由通常的泊松分布推广到过度分散泊松分布,将案均赔付额的分布假设由通常的伽玛分布拓宽到ED*类分布.通过对Hoerl曲线的改进来刻画赔付损失的进展模式,改善了模型的线性预估量.为了刻画不同模型的预测效果,给出了模型均方误差的理论推导和估计方法.以实际的保险数据为例,利用R软件进行实证分析.结果表明,建立的模型提高了未决赔款准备金评估的预测精度和适用范围.     

具有随机缺失协变量的广义变系数模型

在协变量随机缺失时,文章利用加权拟似然方法给出了广义变系数模型中非参数函数系数的估计。由估计的渐近性质可知,当缺失概率未知时,本文提出的方法与缺失概率已知时的估计的渐近性质类似。通过模拟表明加权拟似然估计要比仅用完整个体的方法要好。