再议普通最小二乘法下回归系数的性质

文章从个体的角度探讨最小二乘法下的估计系数的形成过程,得出一元回归中的回归系数是各个数据点上的回归系数以Epanechnikov核函数进行加权形式的。并在此基础上,推广到多元线性回归,多元线性回归的估计系数本质上为一种参数结构,它是以自变量的协方差矩阵为联系纽带,将回归系数分解为偏回归系数,将两个系数结合起来澄清目前计量经济学和统计学的一些问题。     

复共线性诊断方法的比较

随着回归分析的深入应用,特别是计算机技术的飞速发展,人们愈来愈多地处理含较多自变量的大型回归问题,许多应用实践表明,在一些情况下,例如存在异常值和复共线性(多重共线性)等,经典最小二乘方法并不很理想:如果诸X之间有完全的共线性,则它们的回归系数是不确定的,并且它们的标准误没有定义;如果有高度共线性,回归系数有较大的标准误,系数的总体值不能准确地加以估计.     

常用统计软件关于岭回归计算原理的比较分析

一、引言 对于多元线性回归模型Y=Xβ+ε,其中Y为因变量的观测向量,维度为n×1,X是自变量的观测矩阵,其维度为n×(p+1),β是p+1维的系数向量,ε是n维随机向量且εi～ N(0,σ28).根据Gauss-Markov定理,参数β的最小二乘估计量β=(X'X)-1X'Y是最优线性无偏估计(BLUE).当自变量之间存在高度的共线性,则最小二乘估计的结果尽管在理论上有较好的性质,但在实际应用中,参数估计值可能会极不稳定,易导致参数估计值缺乏合理含义. 针对多重共线性对模型估计所带来的这些影响,Hoerl (1962)和Hoerl & Kennard(1970)分别提出和发展了一种改进普通最小二乘估计的方法,也就是现在大家所熟知的岭回归(Ridge Regression).     

非负系数线性回归模型的构建

本文针对某些线性回归模型负的回归系数不具有实际的物理意义和经济意义的问题,提出了非负系数的线性回归模型构建的新方法。与现有的方法相比较,该方法具有简单和易操作的特点。在实际中具有一定的应用价值。     

基于正态模糊数回归分析模型的构建与评价

文章采用模糊最小二乘法,求解自变量为精确数、因变量和回归系数均是正态模糊数的一元线性模糊回归模型,证明所求得的模糊估计量具有的统计性质:线性性与无偏性.给出模糊回归模型的残差、残差平方和及拟合优度公式.将方法应用于一个实际问题,并与经典回归分析进行比较,验证了该参数估计方法的合理性与有效性.     

基于提取综合特征因素的投影寻踪多元线性回归分析

文章针对多元线性回归分析中经常遇到小样本、多自变量以及所产生的多重共线性这一问题,提出了基于投影寻踪(PP-RAGA)提取自变量综合特征因素的多元线性回归分析方法.该方法在自变量过多时,根据自变量所表现出的共同特性,将符合共同特征的自变量通过投影寻踪方法划归所隶属综合特征因素,最后将得到的综合特征因素作为新的自变量进行多元回归分析.通过实例验证,该方法可以解决小样本情况下自变量过多以及多重共线性问题,使回归模型更具有研究意义,是值得借鉴一种新型多元回归分析方法.     

有偏回归分析方法及其在经济管理中的应用

一、引言 随着计算机的普及应用,多元回归分析在经济和管理实践中得到了广泛应用.由于使用多元回归分析时的重要条件之一就是要求各自变量之间不相关或称无多重共线性关系,如果不注意这些使用条件,在运用多元回归分析时,就可能得出错误的结果.尤其在经济问题分析领域内,具有密切关系的变量很多,更应引起人们的注意.岭回归和主成分回归等有偏回归分析方法是处理自变量间多重共线性的两种有效方法,本文结合经济实例来探讨它们的应用情况.     

回归数学模型的优选问题

在经济预测中,常用回归分析方法来研究自变量与因变量之间的相关关系。而在选用数学模型时,常会遇到可以选用不止一种模型来拟合实际资料的情况,因而产生了究竟选用哪一种模型才算较好的问题。例如,研究城镇居民食品支出与生活费收入之间的相关关系。1988年全国城镇居民抽样调查户(34945户)的家庭收支中,人均生活费收入和人均食品支出的资料,如表1:     

单调条件下部分线性回归模型的估计及渐进性质

探讨了部分线性回归模型当非参数分量受到单调条件限制时的估计问题,利用惩罚局部线性核估计方法给出参数分量与非参数分量αRLS、gRLS的估计,并进一步研究了^αRLS及^gRLS的渐进性质,结果表明:新得到的非参数约束条件下的估计是a.s.收敛的,并且保证了单调性和边界点适应性。将问题推广到一般情况,探讨了部分线性回归模型当非参数分量受到高阶导数约束时,参数分量的估计^αRLS。     

分位数回归技术综述

普通最小二乘回归建立了在自变量X=x下因变量Y的条件均值与X的关系的线性模型。而分位数回归（Quantile Regression）则利用自变量X和因变量y的条件分位数进行建模。与普通的均值回归相比,它能充分反映自变量X对于因变量y的分布的位置、刻度和形状的影响,有着十分广泛的应用,尤其是对于一些非常关注尾部特征的情况。文章介绍了分位数回归的概念以及分位数回归的估计、检验和拟合优度,回顾了分位数回归的发展过程以及其在一些经济研究领域中的应用,最后做了总结。     

逆概率加权多重插补法在中国居民收入影响因素中的应用研究

在分位回归中,自变量缺失是一种重要的数据缺失问题。尤其当自变量缺失与因变量有关时,已有的多重插补法会带来有偏估计。通过逆概率加权,将修正后的逆概率加权多重插补法用于模拟研究和应用研究。模拟研究表明,在不同的缺失相关程度下,逆概率加权多有效解决了同工作时间的数据缺失问题,同时重插补法能够有效减少估计偏差,并在一定程度上保证估计量的有效性。在中国综合社会调查(CGSS)的应用研究中,该方法有效解决了周工作时间的数据缺失问题,同时揭示了影响年收入的重要因素,说明该方法具有一定的应用价值。     

有AR(1)随机误差的面板数据模型的半参数估计与检验

文章考虑了一类有AR(1)随机误差的面板数据模型,利用二阶段最大似然估计法给出了模型中参数的最大似然估计,并证明了该估计的强相合性.为了避免模型的错误识别,利用拉格朗日乘子检验法检验了随机误差是否具有一阶自回归AR(1)形式.     

鞅差序列误差下线性模型的经验似然推断

文章在线性模型误差项为鞅差序列情形下,应用经验似然方法得到了关于回归系数β的对数经验似然比统计量渐近服从菇分布,从而得到了关于β的置信域。     

基于极大熵法的曲线拟合及其应用

一、引言数据拟合问题在科学与工程研究中经常遇到,它是通过实验或实际统计得到一些数据,然后根据对这些数据某些规律的研究来预测其他未知的问题。在实际问题中,为了求得回归参数的大小,最常用的方法是最小二乘法。这是因为回归模型在符合Gauss-Markov假定的条件下,采用最小二乘法估计其回归参数具有良好的统计性质,如无偏性、一致性、最小方差性等。然而实际的测试数据千差万别,而且对测试数据进行数据拟合的目的也不同,从而使得采用最小二乘法进行数据拟合的结果往往达不到预期的要求。例如,由于偶尔存在的粗大误差而出现了反常数据,或数据的概率分     

不良数据下的"统计陷阱"

一、不良数据及其影响究竟什么是不良数据? 这与研究的问题和背景有关,如果原始数据是错的,显然是不良数据,然而实际背景却可以使问题更扑朔迷离.例如在回归分析中,预测变量错误可以导致回归系数产生偏差从而在解释变量时产生问题,但是如果预测来源于同一分布的变量时却不会产生任何问题.同样地,数据的"良好"与否也取决于研究目的,准确、精密的测量对于错误的问题是无效的.     

最小一乘法与最小二乘法:基于例证的比较

最小一乘法和最小二乘法在估计思想上有着相同的渊源,而在实现路径上有所不同:最小一乘法属于中位数回归而最小二乘法属于均值回归。由此,两者在回归系数的计算、回归直线的性质和估计结果等方面均存在较大差异。文章在理论分析的基础上进一步通过例证,将两类估计方法在计算、优劣势和应用范围做出了比较和分析。     

人口普查误差刍议

许多国家每次人口普查之后都要对其进行质量评估,计算人口普查误差,包括净误差及其构成部分（普查遗漏和普查错误计数）。通常采用先估计净误差,然后估计普查错误计数和普查遗漏。人口普查误差计算的关键是估计总体实际人口数。目前多数国家是使用基于捕获-再捕获模型和事后分层的双系统估计量估计实际人口数。最近1～2年美国提出使用基于罗吉斯蒂回归模型的双系统估计量估计实际人口数。研究结论表明：真正的人口普查误差其实是不能计算的;基于罗吉斯蒂回归模型的双系统估计量由于不受样本量限制而可以选择较多的事后分层变量,因而它优于基于事后分层的双系统估计量。     

多元统计回归模型在医疗保障基金数额分配中的应用

文章根据实际情况和背景信息,对医疗保障基金数额的分配问题进行建模分析.建立了多元统计回归模型:Y =β0+β1x1+β2x21+…+βnxn1+ε1;利用了多种检验方法,对模型进行改进,从而提高预测准确度;最后为了检验随机变量是否存在自相关性问题,使用了DW检验,准确的解决了实际问题.     

Coob—Douglas生产函数参数的校正

Coob—Douglas生产函数Y=AK~(β_1)L(β_2)是反映经济现象的一个重要的数学模型。它的参数A、β_1、β_2估计的好坏,直接影响预测效果。关于参数估计的一般方法是通过曲线回归的直线化,用最小二乘法得到。即由样本所得信息建立样本回归方程=aK~(b_1)L~(b_2)做为=AK~(β_1)L~(β_2)的估计式,其中a、b_1、b_2分别是A、β_1、β_2的估计值。由于经济现象与时间相关密切,所以用(?)=aK~(b_1)L~(b_2)预测近期经济问题效果较好,而用它预测远期经济     

一种基于逐步回归的国家财政收入模型

一、逐步回归模型的建立(一)变量选取在使用回归分析建立模型时,首先遇到的一个重要问题就是自变量的选择问题。一方面为获取全面信息,总希望模型中包含的自变量尽可能多;另一方面,考虑到获取很多白变量的观测值的费用和实际困难,则希望模型中包含的变量是最重要的、且尽可能地