两维异质性面板分位数模型的双惩罚回归方法

文章关注系数具有两维异质性结构的面板分位数模型,基于SCAD惩罚函数和MCP惩罚函数提出双惩罚最小加权绝对偏差目标函数,同时进行参数估计和两维异质性结构识别。利用ADMM算法求解目标函数,并使用BIC信息准则通过网格搜索选择最优调节参数。根据蒙特卡洛模拟结果验证了所提方法的有限样本性质,最后使用实际数据检验了其应用效果。研究结果表明：所提出的方法能够准确识别两维异质性结构,并且Post估计量的参数估计精确度接近于Oracle估计量。     

仅自变量可重复观测的变系数线性结构型EV模型的参数估计

文章研究了仅自变量可重复观测的变系数线性结构型EV模型,利用重复观测数据和局部加权的方法,构造了模型参数的估计量,并证明了在一定条件下估计量是相合估计。     

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.     

Logistic半参数变系数模型的变量选择

Logistic半参数变系数模型是半参数变系数模型的推广,它可以解决分类型因变量变系数模型的建模问题.文章利用B样条函数逼近非参数部分,引入LASSO、SCAD以及MCP惩罚函数,基于组坐标下降算法,对参数部分和非参数部分进行变量选择.最后进行了Monte Carlo模拟.     

随机效应广义空间滞后半参数变系数面板模型的估计

通过构建同时包含因变量和误差项空间滞后的随机效应半参数变系数面板模型,拓展了现有模型的灵活性和适应性。采用截面极大似然估计方法得出了参数和非参数的估计,理论证明发现：在一定的正则条件下,所有估计量具有一致性和渐近正态性。数值模拟显示：估计量具有良好的小样本性质,估计精度随着样本容量的增加而增加;空间权重矩阵的选择对估计量的表现没有产生显著差异,但是在Case权重矩阵下,当样本量相同时,空间相关系数的估计偏差随着空间权重结构复杂度的增加而扩大。     

响应变量缺失下半参数变系数EV模型的约束统计推断

文章研究了半参数变系数EV模型在线性约束条件下的估计和检验问题,当响应变量缺失、非参数部分协变量带有测量误差时,利用局部纠偏的Profile最小二乘估计、Lagrange乘子方法和借补技术构造了回归模型参数分量两类纠偏约束估计量。此外,为了检验线性约束条件,构造了借补的Profile Lagrange乘子检验统计量,并通过蒙特卡洛数值模拟验证估计量和检验统计量的有效性。     

超高维数据下部分线性可加分位数回归模型的变量选择

在超高维数据中,一方面,协变量的维数可能远远大于样本量,甚至随着样本量以指数级的速度增长;另一方面,超高维数据通常是异质的,协变量对条件分布中心的影响可能与他们对尾部的影响大不相同,甚至会出现重尾以及异常点的复杂情况。文章在协变量维度发散且为超高维的情况下研究了部分线性可加分位数回归模型的变量选择和稳健估计问题。首先,为了实现模型的稀疏性和非参数光滑性,引入了一种非凸Atan双惩罚,并采用分位迭代坐标下降算法来解决所提方法的优化问题。在选择适当正则化参数的情况下,证明了所提双惩罚估计量的理论性质。其次,通过模拟研究对所提方法的性能进行验证。模拟结果表明,所提方法比其他惩罚方法具有更好的表现,尤其是在数据存在重尾的情况下。最后,通过基于癌症筛查病人血液样本数据的实证来验证所提方法的实用性。     

零膨胀计数数据函数型部分变系数模型

在实际数据分析中经常会遇到零膨胀计数数据作为响应变量与函数型随机变量和随机向量作为预测变量相关联。本文考虑函数型部分变系数零膨胀模型 (FPVCZIM),模型中无穷维的斜率函数用函数型主成分基逼近,系数函数用B-样条进行拟合。通过EM 算法得到估计量,讨论其理论性质,在一些正则条件下获得了斜率函数和系数函数估计量的收敛速度。有限样本的Monte Carlo 模拟研究和真实数据分析被用来解释本文提出的方法。     

半参数空间变系数回归模型的两步估计方法及其数值模拟

文章提出了关于半参数空间变系数回归模型的两步估计方法,该方法可得到模型中常值系数估计量的精确解析表达式,广泛的数值模拟表明所提出的估计方法对估计常值系数具有满意的精度和稳定性。     

双重抽样框下项目无回答插补估计方法研究

抽样调查工作中无回答情形不可避免,双重抽样框下亦如此,因此需要对双重抽样框下抽样调查项目无回答造成的估计量偏差进行纠偏校正。首先通过二重抽样获取辅助变量的信息,使用其构造比率估计量与比率型指数估计量的组合估计量对双重抽样框下抽样调查中项目无回答数据进行插补,得到对应各部分子总体的均值估计,再用Hartley估计量的形式对总体总值进行估计。通过计算估计量偏差、均方误差及最优权重系数,对比相同条件下完全回答时同类型组合估计量均方误差的相对精度损失与使用单一比率型指数估计量的相对精度损失,随机模拟结果显示损失率较低,插补方法有效。选择合适的辅助变量构造比率估计量和比率型指数估计量的组合估计量做插补值,更充分利用辅助变量和已回答研究变量信息,基于提出的组合估计量于抽样调查工作具有一定的应用价值。     

基于平衡单水平轮换的连续性抽样估计方法研究

内容提要：针对现存的各种单水平轮换模式和估计方法,本文提出一套统一的平衡单水平轮换模式。在此轮换模式下,引入两类相关关系,运用线性无偏估计方法,并通过使不同类型估计量方差的加权总和最小的方法确定最优系数,从而得到最优线性无偏估计量,不仅能够减少甚至消除估计量偏差的影响,还能使得连续性调查的整体抽样误差最小,适合估计各种类型的估计量。     

东道国制度环境、市场规模和中国对外直接投资——基于“一带一路”国家的半参数变系数空间面板模型

本文采用半参数变系数空间面板模型实证研究东道国制度环境、市场规模和我国“一带一路”对外直接投资之间的非线性时空关系。首先，提出基于截面似然函数的模型估计方法；其次，从理论层面探究估计量的渐近性质和有限样本表现；最后，分别构建以东道国市场规模为解释变量、东道国制度环境为变系数协变量、我国对外直接投资为被解释变量的参数空间面板模型和半参数变系数空间面板模型，分析东道国市场规模如何随制度环境变化影响我国对外直接投资规模。研究发现：半参数变系数空间面板模型估计量具有良好的渐近理论和小样本性质；在空间维度上，我国对“一带一路”国家的投资相互依赖，表现为“第三国”溢出效应；我国对外直接投资非线性依赖于东道国市场规模，表现为一条关于东道国制度环境的“倒U”型曲线；我国对外直接投资具有制度距离接近性偏好，即我国更偏向于投资制度环境相似的国家，稳健性检验支持了这一结论。     

半连续Bernoulli-Normal两部回归模型及变量选择

对于半连续两部回归模型,考虑到每个回归部分都会遇到大量的候选变量,此时就会产生变量选择问题。文章主要研究Bernoulli-Normal两部回归模型的变量选择问题。先提出一种基于Lasso惩罚函数的变量选择方法,但考虑到Lasso估计量不具有Oracle性质,又提出一种基于自适应Lasso惩罚函数的变量选择方法。模拟结果表明：两种方法都能够对Bernoulli-Normal回归模型进行变量选择,且自适应Lasso方法的变量选择性能往往优于Lasso方法。     

放回抽样下HT估计量的性质及应用

放回抽样下传统的估计方法是采用Hansen-Hurwitz估计。而放回抽样下HH估计量并不是一致最小方差无偏估计,本文提出了另一种估计方法,即采用Horvitz-Thompson估计,并论证了放回抽样下HT估计量的三条定理,及与HH估计量的比较。然后以放回简单随机抽样和PPS抽样为例,通过理论公式、计算机模拟以及具体案例,进行更具体的分析。说明在一定条件下,HT估计量相对更优。在实际应用中,本文也提出了通过比较方差估计作为选取估计量的准则。     

左删失数据的双惩罚贝叶斯Tobit分位回归方法

在含潜变量的纵向数据混合效应模型应用中,通常包含大量截尾数据,若直接采用一般贝叶斯Tobit分位回归模型,参数估计的马尔科夫链蒙特卡罗抽样算法将会极其复杂,造成计算效率低下且估计结果偏差较大。同时,在高维情形下,由于受大量未知随机效应的干扰,固定效应中关键变量的选择与系数估计变得更为困难。为了解决上述问题,文章提出了一种新的双Adaptive Lasso惩罚贝叶斯Tobit分位回归方法,主要研究响应变量左删失情形下高维纵向数据的变量选择与参数估计问题。通过将Adaptive Lasso惩罚同时引入固定效应与随机效应的先验分布中,构造了参数估计的Gibbs抽样算法。蒙特卡罗模拟结果表明,新方法较无惩罚法和Lasso惩罚法在重要变量选择及系数估计上均更占优势。     

基于贝叶斯学习的惩罚因子的选择

文章基于贝叶斯学习,将正则化方法从贝叶斯分析的角度展开,在响应变量服从正态分布、回归系数服从指数型先验分布族的条件下,用贝叶斯准则给出了惩罚因子的取值与响应变量、系数的方差之间的关系,并将这一结果应用到岭回归和lasso回归中惩罚因子的选择.实例检验结果表明,当响应变量和系数服从正态分布,惩罚因子的值取二者方差商的方法比岭迹法和广义交叉验证法(GCV)拟合效果更优.     

基于可加常量方法的"k倍回答法"

本文通过对Himmelfarb和Edgell可加常量方法深入考察,分析了其固有的局限及优点,并在其基础上提出了"k倍回答法",挖掘了使估计量在无偏的情况下,采用"k倍回答法"时提高估计量精度的规律,从而有效地提高了估计量的精度.     

变系数模型的快速变量选择方法

文章结合基函数逼近以及光滑门限估计方程,提出了一个变系数模型的快速变量选择方法。该变量选择方法可以同时进行系数估计和变量选择,并且不需要解任何凸优化问题。因此,与已有方法相比,该方法在实际应用中将大大减少计算量。     

不同标准差估计方法下过程能力指数估计量的比较研究

估计量是统计推断的基础,通常无偏性是对一个好的估计量的基本要求。通过严格的数学推导,证明人们现在提出的过程能力指数（Cp）的估计量都是有偏的,且都有高估Cp的倾向;之后构造了Cp的两个无偏估计量;探讨了这两个无偏估计量的估计效率;最后通过试算和比较,认为当样本容量n较大,同时估计精度又不要求太高时,可直接使用p作为Cp的估计量;但在样本容量较小,或者对估计精度要求很高的场合,则必须选择p（D）作为Cp的估计量。     

时变系数空间自回归面板数据模型的极大似然估计

本文对扰动项存在跨时期的异方差、但不存在序列相关的时变系数空间自回归模型提出了极大似然的估计方法,并证明了该估计量的一致性,同时,证明了该估计量渐进服从正态分布,由此说明该估计量具有优良的大样本性质。同时,我们还对本文所提出估计量的小样本性质进行了数值模拟。本文研究表明,估计量虽然在N较小时偏差较大,但是随着N的不断增加,估计量偏差减小,体现了比较优良的渐进性质。同时,估计量的偏差会随着时期数的增加而变大,这说明本文所提出的估计方法适用于个体数较多、时期数较少的短面板数据。