一种异方差模型的两阶段估计

在异方差线性回归模型中,当模型误差项的协方差阵未知时,对异方差模型进行估计目前还没有比较好的方法。基于此,提出一种异方差模型的两阶段估计—基于异方差一致协方差阵估计,该方法将异方差一致协方差阵估计HC5m和广义最小二乘估计法结合起来,综合使用全部样本的信息,并对异方差模型进行估计。通过大量的蒙特卡洛数值模拟和实证分析,结果表明该方法具有一定的可行性和有效性。     

随机系数离散值时间序列模型

 本文建立了q阶随机系数整值滑动平均模型。研究发现：固定指标t,该过程服从泊松分布;求得该过程的期望、方差、协方差;证明了该过程是宽平稳过程,均值与协方差均是遍历的;得到了特殊情况下模型参数的矩法估计,该估计是相合估计。通过Monte Calro模拟来验证估计结量的优劣。     

AR(1)模型中参数估计的偏差分析

文章分析了AR(1)模型中模型参数(序列方差、模型回归系数、序列的自协方差函数、自相关系数以及误差方差)估计(矩估计和最小二乘估计)的无偏性.对于非独立随机向量二次型的商的估计(如自相关系数估计等),给出了其偏差表达式并提供了相应的数值解法.通过数据模拟分析考察了这些参数估计的偏度情况.     

域内不放回样本追加的性质分析

域内采取不放回样本追加,进行追加抽样,利用最终的总样本,通过计算域总体单元的一阶、二阶入样概率构造HT型估计,得到域总体目标参数的无偏估计及估计量方差的无偏估计.基于不放回简单随机抽样,在不同的追加样本量确定机制下,对相关问题进行较为全面的研究,并揭示出某些重要且优良的性质.     

混合指数几何分布

本文讨论元件的寿命分布服从双参数混合指数分布,元件个数服从几何分布的情形下,定义了混合指数几何分布,并研究了该分布的各种性质,讨论了参数的极大似然估计,并使用EM算法得到参数的近似估计. 最后,本文给出了参数的渐近方差、协方差、置信区间.     

统计新方法在社会科学领域的应用

结构方程模型 结构方程模型(SEM),又称为结构方程建模(Structural Equation Modeling),是基于变量的协方差矩阵来分析变量之间关系的一种多元统计方法,所以又称为协方差结构模型(Covariance Structure Models,简称CSM).最早是20世纪60年代,在心理计量学领域由Bock和Bargmann在"验证性因子分析模型"中提出来的,后来经过以瑞典统计学家Joreskog为首的许多人的修改和完善,最后成为一种通用的统计模型.它通过设定一个理论模型,假设总体协方差矩阵与模型的拟合方差矩阵有∑=∑(θ)成立,然后再用样本的协方差矩阵对总体协方差矩阵进行估计,即:∑=S,通过求解得到一组参数,使∑□iθ□与S的差距达到最小,因此,它是一种证实性技术.用来描述∑□iθ□与S的接近程度的函数称为拟合函数(fit function).通过不同的拟合函数的定义可以得到不同的参数估计,常用的参数估计方法有极大似然估计法、广义最小二乘法以及非加权最小二乘法.     

关于分层线性模型样本容量问题的研究

文章运用lackknife和Bootstrap的方法,对参数估计的方差进行改进,构造了合适的参数估计的置信区间.通过样本组数和组内个体数的变化,利用数据模拟的方法进行研究,表明参数估计的可靠性很大程度上依赖于组数;对于固定效应参数,组数取30就可以得到可靠的估计值.对于σ和方差协方差成分T,组数分别取50和70才能得到可靠的估计.     

乘积模型的最小二乘相对误差估计

文章提出了一种基于最小二乘准则下的乘积模型的相对误差估计方法.该方法的目标函数是光滑的凸函数,所得到的估计量具有强相合性和渐进正态性,估计量的渐进方差可以用插入法直接估计.模拟结果显示所提方法与其他同类方法比较具有一定的优势.     

基于动态收缩法的大维协方差阵的估计及其应用

文章将单因子协方差阵和样本协方差阵相结合,通过对它们进行最优加权平均,提出了新的协方差阵估计方法——动态加权收缩估计量(DWS).该估计量一方面通过选择最优的权重来平衡协方差阵估计的偏差和误差;另一方面估计的是大维数据的动态协方差阵,在估计过程中考虑了前期信息的影响.通过模拟和实证研究发现:较传统的协方差阵估计方法而言,DWS估计量明显提高了大维协方差阵的估计效率;并且将其应用在投资组合时,投资者获得了更高的收益和经济福利.     

基于记录值样本的Rayleigh分布模型的参数估计

文章在均方误差损失函数下,基于记录值样本得到了Rayleigh分布参数的最小风险同变估计和Bayes估计,并讨论了一类cX2U(n)+d形式估计的可容许性和不可容许性.     

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。     

非参数异方差模型中条件回归函数的EM算法——基于农村食品消费与纯收入的实证研究

对非参数异方差模型中回归函数的EM算法进行研究,并基于EM算法得到了条件回归函数的估计。此外,通过对农村居民食品消费支出与纯收入关系的实证分析,说明了基于EM算法的估计方法比最小二乘估计方法的拟合效果更好,并对恩格尔系数进行了拟合,分析了其变化走势。     

不放回样本追加策略下域的估计

 本文研究了不放回追加策略，包括基本设计和域追加设计都为简单随机抽样、分层随机抽样情形下不放回样本追加时域的估计的问题。根据不同的抽样设计给出单元的一阶及二阶包含概率的具体计算公式，并构造总体总量和域总量的Horvitz—Thompson型估计，然后基于简单随机抽样的不放回追加抽样方案，给出总体单元的前两阶包含概率。及该方案在分层抽样下的推广，在有辅助信息可用时构造域总量的分层联合比估计，并给出其方差和方差估计公式，同时我们给出了模拟结果，从模拟结果可以看出，给出的方差估计是估计量方差的近似无偏估计。     

基于多元GARCH的动态CAPM

资本资产定价模型(CAPM)是一种评估风险的重要模型,但该模型是基于静态分析,实践效用较低.文章从资本资产定价模型的理论定义入手,使用多元GARCH模型分析资产收益率的时变方差和协方差,并在此基础之上动态估计CAPM中β系数.实证结果表明,时变β系数较好的体现了风险是时变波动的状况,而且实证结果同理论和经验研究保持了一致.     

基于对称熵损失和记录值样本的指数分布模型参数的估计

文章在对称熵损失函数下,基于记录值样本,得到了指数分布参数的最小风险同变估计、Bayes估计和经验Bayes估计,并讨论了一类cXU(n)+d形式估计的可容许性和不可容许性,其中XU(n)为第n个上记录值.     

基于截集的加权可能性均值-方差模型的应用

文章以随机变量取值为模糊数时基于截集的加权可能性均值、加权可能性方差和加权可能性协方差为研究对象,构建基于模糊数截集的加权可能性均值-方差组合投资模型,并结合我国证券交易市场的具体实例说明该模型的应用价值.最后将基于截集的加权可能性均值-方差组合投资模型与Markowitz均值-方差模型进行对比分析,结果表明该模型是Markowitz均值-方差模型在随机变量取值为模糊数时的合理推广.     

基于样本回答率视角下的总体参数估计

文章构建了基于样本回答率视角下的总体参数估计量模型,讨论了总体参数估计量方差及方差的估计,实证检验了估计模型,并分析了样本回答率对总体参数估计精度的影响.     

分层线性模型的最大后验估计

最大后验估计（MAPE）和最大似然估计（MLE）都是重要的参数点估计方法。在介绍一般分层线性模型（HLM）MAPE方法的基础上,给出这种方法的期望最大化算法（EM）的具体步骤,运用对数似然函数的二阶导数推导了MAPE估计的方差估计量。同时运用数据模拟比较了EM算法下的MAPE和MLE。对于固定效应的估计,两种方法得到的估计量是一致的。当组数较少时,EM计算的MAPE的方差协方差成分比MLE的更靠近真实值,而且MAPE的迭代次数明显小于MLE。     

数据随机缺失下分位数回归模型的诱导光滑估计法

在数据随机缺失的分位数回归模型中,运用诱导光滑思想构造光滑的估计方程,得到了回归参数的诱导光滑估计及渐近协方差估计。接着证明了诱导光滑估计的渐近正态性质,并给出诱导光滑估计及其渐近协方差估计的算法。模拟研究表明新方法在有限样本中表现出色。     

基于协变量平衡加权的平均处理效应的稳健有效估计

倾向性得分是估计平均处理效应的重要工具。但在观察性研究中,通常会由于协变量在处理组与对照组分布的不平衡性而导致极端倾向性得分的出现,即存在十分接近于0或1的倾向性得分,这使得因果推断的强可忽略假设接近于违背,进而导致平均处理效应的估计出现较大的偏差与方差。Li等(2018a)提出了协变量平衡加权法,在无混杂性假设下通过实现协变量分布的加权平衡,解决了极端倾向性得分带来的影响。本文在此基础上,提出了基于协变量平衡加权法的稳健且有效的估计方法,并通过引入超级学习算法提升了模型在实证应用中的稳健性;更进一步,将前一方法推广至理论上不依赖于结果回归模型和倾向性得分模型假设的基于协变量平衡加权的稳健有效估计。蒙特卡洛模拟表明,本文提出的两种方法在结果回归模型和倾向性得分模型均存在误设时仍具有极小的偏差和方差。实证部分将两种方法应用于右心导管插入术数据,发现右心导管插入术大约会增加患者6. 3%死亡率。