动态面板阈模型的一种序贯两步估计

动态面板阈模型可以刻画经济变量动态调整过程的非对称性,在实证分析中有广泛的运用,但阈值参数的引入同时增加了参数估计的困难,理论上尚有许多问题没有解决。针对此类模型,本文提出了一种简单而实用的序贯两步估计方法,首先利用格点搜索获得阈值参数的一致估计,基于该参数对数据结构进行合理划分并引入不同类型的矩条件,然后利用广义矩方法获得自回归参数的估计。理论研究与模拟结果表明,序贯两步估计具有良好的大样本性质和有限样本表现;与现有文献的方法相比,序贯两步估计能够有效避免不同类型参数估计偏差的相互影响,减小估计量的偏差与均方根误差。     

并发多样本滚雪球抽样的捕获再捕获估计

滚雪球抽样是一种非概率抽样方法,一般采用线索触发的方式进行抽样,通过同伴推荐和再推荐来逐次抽取并组织样本。本文引入捕获再捕获抽样估计方法对并发式多样本滚雪球抽样的总体规模进行估计,比较了Peterson、Chapman等的估计方法,提出了以并发式加权线性模型去估计总体规模的基本思路,在本文设计的三种估计量中,共权估计量方差最小,离散性质局部最优。最后,对一个真实的滚雪球抽样调查过程进行了实证分析。     

真实固定效应空间随机前沿模型的贝叶斯估计

忽略个体效应和空间效应会严重干扰效率测算,其中忽略个体效应使得技术无效率项发生偏移,忽略空间相关性导致估计量有偏且不一致。本文基于真实固定效应随机前沿模型（引入了个体效应）,引入因变量和双边误差项的空间滞后项,构建了适用性更佳的真实固定效应空间随机前沿模型。对模型进行组内变化以消除额外参数,使用贝叶斯方法（需推导未知参数的后验分布并执行MCMC抽样）估计参数和技术效率。该方法真正克服了额外参数问题,比同类方法直观、简便。数值模拟结果表明,本文方法对参数、个体截距项及技术无效率项的估计精度均较高,且增加样本容量,估计精度变优。     

基于MCMC模拟的贝叶斯 AR-GJR-GARCH 模型及其应用

AR-GJR-GARCH模型是一种误差项为GJR-GARCH形式的自回归模型,该模型的贝叶斯推断很难得到其具体形式的条件后验密度。文章利用Metropolis-Hastings抽样方法对模型参数的条件后验分布进行MCMC模拟,然后运用模拟得到的样本对模型的参数进行贝叶斯估计。该方法解决了参数估计过程中的高维数值积分问题。模拟结果表明了该模型在中国股市波动性分析过程中的直观性和有效性。     

基于阈交理论的投资组合风险度量

风险控制已经成为投资管理的重要内容,如何对投资组合进行风险度量一直是研究的热点.文章在极值理论的基础上,建立了用于计算投资组合最大亏损事件概率的阈交方法.通过对上证指数的历史数据进行经验研究,发现该方法能很好地度量我国证券资产的实际风险程度.该方法弥补了传统风险工具VaR的不足,有助于投资者更好的进行风险控制.     

分层拉丁超立方体抽样方法及应用

为了提高样本数据的质量，文章提出了一种新的抽样方法——分层拉丁超立方体抽样，给出了该抽样方法的定义以及实现算法，证明了在相应条件下该抽样方法的估计精度比分层随机抽样方法更高，可以更有效地缩减蒙特卡罗方差。同时，还通过数值模拟比较了分层拉丁超立方体抽样与分层随机抽样在用蒙特卡罗方法估计定积分时的效果，数值模拟结果验证了上述结论的正确性。     

大样本线性回归模型的子抽样及变量选择

文章考虑了大样本下线性回归中同时进行快速估计和变量选择的问题,即针对一个存在稀疏解的大样本线性模型,根据重要性抽样分布从全数据集抽取少量子样本,对该子样本进行自适应Lasso估计。通过随机模拟研究,将该算法分别应用在几种不同的数据集中,并从模型预测精度和可解释性两个方面比较了四种子抽样方法在该算法下的表现。模拟结果表明,所提出的算法具有良好表现,在计算开销上也具有一定优势。     

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。     

双因素效应的动态二值logit模型的参数估计及应用

文章考虑了带有个体效应和时间效应的双因素面板数据动态二值logit模型，在周期T固定的条件下，提出了一种新的方法估计模型参数。从理论层面指出了该估计量满足一致性和渐近正态性；数值模拟研究了估计量的小样本性质，模拟结果表明，该估计方法在有限样本下具有良好的统计性质。最后，将该方法应用于洗涤剂的购买数据进行实证分析。     

抽样中不等概率问题等概化研究

 在抽样中,我们经常会碰到观察个体大小不一的情况。例如,以乡为观察个体的农产量抽样估计、以学校为观察个体的学生身体素质抽样估计等。当我们所关心的标志即观察标志与个体大小基本呈等比例变化时,如果不分个体的大小而赋予它们同等被抽中的概率（即采用等该抽样法）,那么在仍然采用简单估计的前提下,抽中大的个体就会给出过高的总体估计值,抽中小的个体就会给出过低的总体估计值,从而使抽样估计受到大的抽样误差的支配。例如,在由一个以县为个体的样本数据来估计全国出生人数时,就会产生这种情况。为了减少抽样误差,人们就想到了不等概率抽样设计,即按个体大小赋予它们不同被抽中的概率并据以给出总体估计值。然而不等概抽样的一个很大的缺点是操作过程麻烦,尤其是当样本容量大于2时的不重复的不等概抽样十分困难。因此在实践中,人们希望能在保证必需的抽样精度的前提下,仍通过等抽样这种简便的方法来解决观察个体大小不一的这类抽样估计问题,即把不等概问题等概化处理。通过初步研究,本文提出以下三种处理方法：分层抽样估计法、转移观察标志法和回归估计法。     

对保险公司客户满意度的测评

层次分析法适用于对定性问题进行定量分析,文章运用该法对保险公司客户满意度构建层次指标体系,并得出权重值和客户满意度定量评价值计算方法,同时给出相应的提高客户满意度的措施建议.     

随机波动模型贝叶斯估计效率研究

讨论了四种不同MCMC抽样方案在SV模型贝叶斯估计中的适应性和稳健性问题。蒙特卡洛模拟结果显示,随机误差项的近似处理方式和波动变量抽样结构直接影响SV模型的贝叶斯估计效率。具体来说,波动变量的"成块"抽样比"逐分量"抽样的效率更高;随机误差项有限混合近似比正态近似的估计精度更优。四种抽样方案中,正态近似和FFBS算法的收敛速度和运算时间最快,有限混合近似和FFBS算法的估计精度最优。     

平滑转移空间随机前沿模型的贝叶斯估计

经济数据常存在空间相关性,忽略空间相关性会引发内生性问题,导致相应估计量有偏且不一致。空间随机前沿模型在随机前沿模型的基础上考虑了生产单元的空间相关性,更利于效率测算。然而现有空间随机前沿模型的生产函数形式单一,适用性较差,实证分析存在局限性。文章在空间随机前沿模型中引入平滑转移效应,构建了平滑转移空间随机前沿模型,该模型同时考虑了空间相关性和个体异质性,适用性较佳。为丰富估计方法,同时采用极大似然方法和贝叶斯方法估计模型,其中极大似然估计的核心在于推导对数似然函数、对数似然函数的最优化以及使用JLMS法估计技术效率,贝叶斯估计的核心在于推导未知参数的后验分布及执行MCMC抽样。数值模拟结果显示：（1）极大似然估计和贝叶斯估计的估计精度均较高,其中贝叶斯估计的估计精度略高于极大似然估计;增加样本容量,贝叶斯估计和极大似然估计的估计精度更高。（2）若忽略空间效应或者平滑转移效应,则估计精度较低。     

概化理论方差分量置信区间估计方法的比较

概化理论又称为方差分量模型,其方差分量估计受限于抽样,不同的抽样样本估计的方差分量可能不一样.为了降低估计的误差,应该重视考察方差分量的变异量(如置信区间).Bootstrap方法是一种有放回的再抽样方法,可用于估计概化理论的方差分量置信区间.文章采用蒙特卡洛模拟技术,比较Bootstrap的PC和BCa方法估计概化理论方差分量置信区间的性能.结果发现:(1)与未校正的方法相比,校正的Bootstrap的PC和BCa方法估计概化理论的方差分量置信区间更为可靠;(2)校正的Bootstrap的BCa方法估计概化理论的方差分量置信区间,要优于校正的Bootstrap的PC方法.     

面板数据分位回归模型中固定与随机效应的选择

随机效应的引入为面板数据建模中样本相关和异方差问题提供了重要解决途径,过多的随机效应不仅会极大地增加模型复杂度,而且给固定效应系数的估计带来偏差.文章在考虑到随机效应具有整体性基础上,以横截面个体为单位,对其进行整体压缩.通过对固定和随机效应分别引入不同形式的条件Laplace先验,构造了一种与Group Lasso-Lasso惩罚相等价的贝叶斯双惩罚分位回归估计方法.通过设计切片Gibbs抽样算法,快速有效地解决了模型参数估计问题.计算机模拟显示,该方法不仅能对固定和随机效应参数进行精确估计,而且能对模型中真实包含的固定和随机效应进行自动选择.     

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。     

Box-Cox变换下联合均值与方差模型的极大似然估计

在提出Box-Cox变换下联合均值与方差模型的基础上,研究了该模型参数的估计问题.同时利用截面极大似然估计方法对变换参数λ进行估计,并对均值模型和方差模型的参数进行极大似然估计.通过随机模拟和实例研究,结果表明该模型和方法是有效和可行的.     

层次Bayes模型在抽样调查中的应用

在抽样调查中,经常需要估计总体中具有某一特征的个体单位的比例p,当我们所关心的这个比例很小,或者是样本量n很小时,通过样本得到的估计就不是很好。文章构造了层次Bayes模型,利用参数和超参数的先验分布推导出总体的后验分布,通过随机模拟了解比例p的大致分布情况。这种随机模拟的方法计算速度很快,而且准确性也较高。     

一种基于多变量空间非概率抽样方法的设计

文章基于样本均值无偏估计和有效估计的前提下,以行政区域单位划分为抽样框,采用多个辅助指标控制多目标抽样估计的误差,设计了一种多指标空间非概率抽样样本选取方法.并利用陕西省2014年城镇人均可支配收入以及人口增长率两个辅助指标对陕西省107个区县进行了抽样应用,结果显示样本的抽取涵盖了各个不同水平层次的区县,抽样效果良好.     

贝叶斯非参数回归模型及非参数似不相关回归模型的应用

文章用贝叶斯方法分析非参数回归（NR）及非参数似不相关回归（NSUR）模型,并用计算代价较小的MCMC算法一焦点抽样算法一实现模型估计。经模拟证明文章的方法及算法效果较理想后,对北京和上海农村居民生活消费支出与收入之间结构进行了分析,效果均比LSE方法好。