单指标纵向数据模型的估计

纵向数据是一类重要的相关性数据,广泛出现在诸多科研领域。单指标模型是多元非参数回归中重要的降维方法,在纵向数据下研究单指标模型是统计研究的热点问题。针对纵向数据单指标模型,提出惩罚改进二次推断函数方法来讨论模型的参数和非参数估计问题。该方法利用多项式样条回归方法逼近模型中的未知联系函数,将联系函数的估计转化为回归样条系数的估计,然后构造关于样条回归系数和单指标系数的惩罚改进二次推断函数,最小化惩罚改进二次推断函数便可得到模型的估计。理论结果显示,估计结果具有相合性和渐近正态性,最后得到了较好的数值模拟结果和实例数据分析结果,结果显示该方法适用于半参数纵向模型的参数和非参数估计问题。     

半参数纵向模型的惩罚二次推断函数估计

针对纵向数据半参数模型E(y|x,t)=XTβ+f(t),采用惩罚二次推断函数方法同时估计模型中的回归参数β和未知光滑函数f(t)。首先利用截断幂函数基对未知光滑函数进行基函数展开近似,然后利用惩罚样条的思想构造关于回归参数和基函数系数的惩罚二次推断函数,最小化惩罚二次推断函数便可得到回归参数和基函数系数的惩罚二次推断函数估计。理论结果显示,估计结果具有相合性和渐近正态性,通过数值方法也得到了较好的模拟结果。     

权数对基于模型推断的影响分析

利用抽样调查数据对总体参数进行推断通常分为两种途径：一种是基于设计的推断体系；另一种是基于模型的推断体系。基于设计的推断以随机化理论为基础，推断依赖于抽样设计，在大样本下估计量具有无偏性和一致性，但在样本量较小或存在非抽样误差等情况下效率较低。基于模型的推断认为有限总体是一个来自无限超总体的随机样本，推断依赖于模型假设，构建超总体模型具有很大的灵活性，有利于充分利用总体辅助信息并提高估计精度，但在模型假定有误或样本的入样过程不具有无信息性时存在估计误差。如何将两种推断途径相结合，在体现样本对总体代表性的同时，保证估计效率和估计量的优良性质，尚待研究。权数在基于设计的推断中起着核心作用，能够反映抽样设计对样本的影响，实现样本对总体的还原。将权数引入基于模型的推断，可以使基于模型推断的结果具有总体代表性，能更好地发挥两种推断体系的组合优势，并削弱模型假定对推断效果的影响。据此，从权数对于模型推断的影响入手，针对因果推断问题，提出将权数同时引入倾向得分模型和预测模型的建模过程，来构造双稳健估计的方法，并通过模拟研究加以验证。最终结果表明，根据文章所提出的方法进行处理效应的估计，能够充分发挥权数的作用，得到更准确、更稳健的估计结果。实证部分采用2017年CGSS调查数据进行分析，进一步说明在基于调查数据进行模型推断时应充分考虑抽样设计的影响，为科研人员进行因果推断以及其他基于调查数据开展的研究提供参考。     

纵向可加部分线性测量误差模型的渐近估计

基于纵向数据,研究参数部分协变量含有测量误差的可加部分线性测量误差模型的估计问题,提出了用于模型估计的偏差修正的二次推断函数方法,得到参数部分的估计结果具有相合性、渐近正态性,非参数可加函数的估计结果达到最优收敛速度。数值模拟和实例数据分析结果显示,该模型估计方法在同等条件下要优于广义估计方程方法。理论和数值结果显示,偏差修正的二次推断函数可以有效地处理测量误差和个体内相关性,是一个有效的纵向数据和测量误差数据分析工具,具有一定的理论和应用价值。     

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。     

纵向数据非参数模型的修正二次推断函数估计

文章研究纵向数据非参数模型y=f(t)+ε,其中f(t)为未知平滑函数,ε为零均值随机误差项.我们选取一组基函数对f(t)进行展开近似,然后构造关于基函数系数的修正二次推断函数,利用割线法得到基函数系数的估计值,进而得到未知平滑函数f(t)的拟合估计.最后给出基函数系数估计的相合性和渐近正态性,并通过数值方法得到了较好的模拟结果.     

从假设检验谈推断统计思维方法的特点

文章结合假设检验的例子，论述了推断统计思维方法的几个特点，即统计指标变异的客观性、抽样误差的必然性、推断统计的风险性、统计结论的可靠性与平均规律性，从而说明推断统计方法在测定误差和风险程度时是一种极为有效的工具     

纵向数据非参数模型的二次推断函数估计

文章研究了纵向数据非参数模型y=f(t)+ε,其中f(t)为未知平滑函数,ε为零均值随机误差项.我们选取一组基函数对f(t)进行基函数展开近似,然后构造关于基函数系数的二次推断函数,利用New-ton-Raphson迭代方法得到基函数系数的估计值,进而得到未知平滑函数f(t)的拟合估计.理论结果显示,所得到的基函数系数估计有相合性和渐近正态性.最后通过数值方法得到了较好的模拟结果.     

EXCEL在假设检验中的应用

一、基本原理假设检验是推断统计中的一项重要内容 ,它先对研究总体的参数作出某种假设 ,然后从所研究总体中抽取样本进行观察 ,用样本所提供的信息对假设的正确性进行判断 ,从而决定假设是否成立。若观察结果与理论不符 ,则须放弃假设 ;否则 ,认为无充分证据表明假设错误。假设检验的一般步骤是 :提出零假设和备择假设 ;确定适当的检验统计量并计算其值 ;根据显著性水平α定出拒绝区 ;作出最终结论。二、单个样本的假设检验对单个样本的假设检验 ,我们可以根据抽样推断的思路 ,用相应函数计算临界值 ,来判断是接受还是拒绝零假设。以检验均…     

隐非齐次马尔可夫多元线性回归模型及其贝叶斯估计

隐马尔可夫模型对于异质纵向数据的处理有良好的效果,因此被广泛应用于工程技术、生物医学、经济管理等领域。文章引入了一种特殊的非齐次隐马尔可夫状态转移方式,并将其与经典的多元线性回归相结合,提出了隐非齐次马尔可夫多元线性回归模型,介绍了对该模型进行贝叶斯推断的方法原理和技术细节。最后,通过两个模拟实验说明了推断方法的结果是可靠的。     

信用评分模型中拒绝推断问题研究：基于半监督协同训练法的改进

随着我国金融市场的蓬勃发展,信用评价中的拒绝推断问题越来越受到重视。针对信用评分模型中存在的有类别标签的样本占比低,并且样本中的类别分布不平衡等问题,本文在半监督学习技术与集成学习理论的基础上,提出了一种新的算法——BCT算法。该算法通过使用动态Bagging生成多个子分类器,引入分类阈值参数来解决样本类别分布不平衡问题,以及设定早停止条件来避免算法迭代过程中存在的过拟合风险,以此对传统半监督协同训练法进行改进。通过在5个真实数据集上的实证分析发现,在不同数据集与不同拒绝比例下,BCT算法的性能均优于其他6种有监督学习和半监督学习算法的信用评分模型,显示了BCT算法具有良好的模型泛化性能和更高的模型评价能力。     

纵向数据下工具变量线性回归模型的经验似然推断

文章考虑纵向数据下工具变量线性回归模型,基于工具变量和二次推断函数方法,提出了回归参数的经验对数似然比统计量.在一些正则条件下,证明了所提出的经验对数似然比统计量渐近于标准卡方分布,由此构造兴趣参数的置信域.     

抽样调查中基于模型推断的思考

基于抽样设计推断与基于模型推断是有限总体推断的两个不同途径。文章针对基于模型的推断方法-最优线性无偏估计(BLUE)进行了讨论,指出在特定的超总体模型下,BLUE与基于抽样设计的估计是一致的。数值分析解释了模型推断的优越性。     

抽样调查理论和方法的最新进展

文章围绕抽样设计、问卷设计、数据收集整理和推断问题四个步骤详细介绍了抽样调查理论和方法的最新进展情况,如总调查设计、电话调查、插补法、问卷分割、基于模型的推断、小区域估计等。     

复杂抽样推断方法体系的比较研究

对复杂样本进行推断通常有两种体系,一种是传统的基于随机化理论的统计推断,另一种是基于模型的统计推断。传统的抽样理论以随机化理论为基础,将总体取值视为固定,随机性仅体现在样本的选取上,对总体的推断依赖于抽样设计。该方法在大样本情况下具有稳健估计量,但在小样本、数据缺失等情况下失效。基于模型的抽样推断认为总体是超总体模型中抽取的一个随机样本,对总体的推断取决于模型的建立,但在不可忽略抽样设计下估计量是有偏估计。在对这两类推断方法分析的基础上,提出抽样设计辅助的模型推断,并指出该方法在复杂抽样中具有重要的应用价值。     

基于混合Copula函数的C-Vine贝叶斯推断

文章主要采用C-Vine模型,对模型进行贝叶斯推断.C-Vine模型利用二元Copula函数作为组块构造多维的相关结构,通过采用不同的二元Copula函数族来精确地捕捉变量间的相关性.采用Czado等提出的选择准则决定C-Vine模型的具体分解形式.利用AIC信息准则选择C-Vine模型中每条边合适的Copula函数族.利用马尔科夫链蒙特卡罗(MCMC)算法估计C-Vine模型的参数.最后,通过实例来研究序列间的相关性和相互影响.     

大数据背景下网络调查样本的建模推断问题研究——以广义Boosted模型的倾向得分推断为例

随着大数据和网络的不断发展,网络调查越来越广泛,大部分网络调查样本属于非概率样本,难以采用传统的抽样推断理论进行推断,如何解决网络调查样本的推断问题是大数据背景下网络调查发展的迫切需求。本文首次从建模的角度提出了解决该问题的基本思路：一是入样概率的建模推断,可以考虑构建基于机器学习与变量选择的倾向得分模型来估计入样概率推断总体;二是目标变量的建模推断,可以考虑直接对目标变量建立参数、非参数或半参数超总体模型进行估计;三是入样概率与目标变量的双重建模推断,可以考虑进行倾向得分模型与超总体模型的加权估计与混合推断。最后,以基于广义Boosted模型的入样概率建模推断为例演示了具体解决方法。     

信用评分模型中稀有事件特殊采样处理方法探讨

信用评分模型的建模样本是由坏客户这一稀有事件和好客户这一大众事件组成的不平衡数据,故从模型残差的方差这一角度刻画稀有事件识别的难度,借鉴机器学习领域处理不平衡数据的方法,对建模样本中的稀有事件做特殊采样处理然后再建模,并证明对建模样本做特殊采样处理后必须用经验公式校正样本偏差。实证分析表明这是提高信用评分模型准确性的有效方法。     

基于贝叶斯自激励门限自回归模型的中国GNP经济分析

文章通过建立贝叶斯自激励门限自回归(SETAR)模型,对改革开放30年来我国国民生产总值(GNP)年度增长率的变化趋势进行了分析研究。采用贝叶斯统计推断方法估计出所建立模型的参数,并对近几年GNP做了相应的预报研究。研究表明在此后几年内我国GNP与GDP仍不能同步增长,且增长率有逐步拉大趋势,GNP的增长率呈非线性缓慢上升。     

论数理统计中的拒真与纳伪概率

实际推断原理为我们提供了检验统计假设的方法,即做一次试验,如果小概率事件A发生了,则我们有理由怀疑假设H0,但事实上这种检验法本身,并不是从逻辑上严格论证明H0正确与否,在统计中我们不能证明任何统计假设的真伪,而是对统计假设作出拒绝或接受的判断,而这样作统计判断本身就有可能犯错误。即第一类错误a的概率与第二类错误β概率。但是这两类错误在教学中一般没有过多,过深涉及,以至于它们之间内在联系,往往给初学者带来了误解,本文将就此作进一步的讨论,仅供参考。1.β概率是统计推断本身方法产生的,在进行假设时.如果不否定原假设H0,…