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。     

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.     

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.     

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。     

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。     

域与小域估计理论的综述

抽样调查领域中,为满足多层次的需求产生了域与小域估计的理论与方法.文章介绍域与小域估计的理论,并综述相关文献.     

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。     

空间自回归模型及其估计

一、概述在经济问题研究中,处理的数据分为时间序列数据、截面数据以及截面时间序列数据(paneldata)。应用回归模型研究变量之间的关系时,假设模型满足Gauss_Markov条件,当研究的数据是时间序列时,通常会存在序列相关,针对这类数据的问题可以结合时间序列分析的方法加以处理;如     

基于γ散度的单元水平模型小域稳健估计

在基于抽样调查数据对总体参数进行估计的方法中,小域估计方法能够借助于辅助信息对小样本乃至无样本区域的参数进行有效的估计,并被广泛应用于抽样估计领域。单元水平模型作为小域估计的基本模型之一,是处理单元级别数据估计的有力工具之一。在单元水平模型的应用条件中,需假定区域随机误差和模型随机误差均服从正态分布。然而,在抽样调查中,满足这一条件的调查数据是很少的,尤其是在观测数据中出现离群值时。不满足正态性假设条件下的小域估计量会产生较大的偏差和均方误,因此有必要研究针对正态性假设和离群观测值不敏感的稳健估计方法。通过引入γ散度和γ似然函数,构建了基于单元水平模型的小域稳健估计方法,得到了模型参数的稳健估计和小域目标变量的稳健估计。与现有的稳健估计方法相比,所提新方法能更好地处理区域随机误差和模型随机误差非正态的情形,对于目标变量存在离群观测的情形,具有更好的稳健性,估计均方误更小。在利用模拟数据进行验证中,比较了不同误差分布情形下几类常用估计方法得到的估计量的均方误差,并进一步探究了随着污染分布的方差和比率变化,所得估计量的均方误差变化情形。最后,通过应用于经典的小域估计数据,进一步验证了所提新...     

小域估计方法在小品种农作物播种面积统计中的应用

 我国以省级目标总体开展的现行农产量抽样调查,着眼于农作物主要品种的省级推算,而小品种农作物的总体分布比较偏态,往往有效样本量相对不足,不能解决小品种农作物播种面积的推算问题,同时对分县的主要品种农作物播种面积进行的直接推算也不能满足精度要求。现阶段对小品种农作物播种面积的统计方法研究成为农村统计方法制度改革迫切需要研究的课题之一。本文选择了河北省张家口的蔚县,利用小域估计方法对小品种农作物播种面积进行了统计推断,从推断结果看得到了比较好的估计精度。利用蔚县为总体的实际数据进行的抽样仿真分析,从实证的角度阐述了小域估计方法对这一问题的有效性,而且分析结果也表明该方法可以显著提高估计效果。     

基于Copula函数的空间统计模型估计与应用

在空间数据分析中,由于空间预测在很大程度上依赖于对空间变化的现象分布的假设,因此建立空间数据分布模型是非常重要的问题.Stein(1999)指出,传统的方法利用变差函数描述插值的空间依赖性结构和基于似然方法的模型相比是相当不精确的.对于非正态分布的空间数据而言,Copula函数提供了一种可以分别指定相关结构和边缘分布而建立联合分布的可能性.文章基于Copula函数的非正态分布数据的空间插值方法,讨论模型参数的极大似然估计并运用生态环境数据进行实证研究.     

空间误差自相关随机前沿模型及其估计

将空间计量经济学的思想引入随机前沿分析，构建了基于横截面数据的空间误差自相关随机前沿模型，推导出模型的似然函数以求得参数估计，并给出了各生产单元技术效率的估计。     

一种处理不可忽略抽样机制下的小域估计的新方法

在小域估计中,由于抽样过程的复杂性以及不等概抽样的广泛使用,往往会出现样本域的抽样过程与域均值相关以及域内样本单元的选择过程与目标变量有关的情况,即不可忽略的抽样机制。文章介绍了一种解决处理不可忽略抽样机制下的小域估计问题的新方法;并通过一个模拟案例说明了这种方法可以得到样本域和非样本域的近似无偏的域估计。     

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。     

存在自相关时检验和估计方法的改进——基于自回归分布滞后模型的自相关检验和参数估计

存在自相关时的自相关检验和参数估计是基础计量经济学的一个重要内容,并且存在自相关时的原模型已转化为自回归分布滞后模型。讨论存在自相关时的自相关检验和参数估计问题,提出了一种基于自回归分布滞后模型的自相关检验法,并同时给出了相应的参数估计。     

随机效应变系数空间自回归面板模型的估计

具有良好可读性和稳健性的变系数模型在各学科领域应用广泛.本文构建了一种新的随机效应变系数空间自回归面板模型,运用截面极大似然估计方法,导出了模型的估计量,证明其具备一致性和渐近正态性,蒙特卡洛模拟研究显示估计量的小样本表现效果良好.     

空间滞后误差自相关随机前沿模型参数的估计

文章利用工具变量矩阵方法研究了空间滞后误差自相关随机前沿模型参数的估计问题,得到了参数估计的表达式.与极大似然估计相比较,工具变量矩阵法极大地简化了计算.蒙特卡罗模拟的结果表明,参数估计值十分逼近真值.     

空间回归模型估计中的最小二乘法

空间回归模型由于引入了空间地理信息而使得其参数估计变得复杂,因为主要采用最大似然法,致使一般人认为在空间回归模型参数估计中不存在最小二乘法。通过分析空间回归模型的参数估计技术,研究发现,最小二乘法和最大似然法分别用于估计空间回归模型的不同的参数,只有将两者结合起来才能快速有效地完成全部的参数估计。数理论证结果表明,空间回归模型参数最小二乘估计量是最佳线性无偏估计量。空间回归模型的回归参数可以在估计量为正态性的条件下而实施显著性检验,而空间效应参数则不可以用此方法进行检验。     

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。