Bootstrap统计量的枢轴化与近似枢轴化

文章系统研究了Bootstrap统计量的枢轴化与近似枢轴化方法,比较BCa方法、学生化Bootstrap法、嵌套Bootstrap方法的优缺点,给出了它们的区别与联系,最后结合实例验证了前面结论.特别得出:方差稳定变换是良好枢轴化的基础,且BCa方法具有简单分位点法的变换保持性质,但是由于学生化Bootstrap置信区间的覆盖率对数据中的异常点比较敏感,没有分位点法的变换保持性质,故它的实际效果不一定好.     

线性回归模型Bootstrap LM-Lag检验有效性研究

基于OLS估计残差,将Bootstrap方法用于空间滞后相关LM-Lag检验。在不同的误差结构和空间权重矩阵条件下,比较Bootstrap LM-Lag检验和渐近检验的水平扭曲和功效。通过Monte Carlo实验表明,当误差项不服从经典正态分布假设时,LM-Lag渐近检验存在严重的水平扭曲,Bootstrap检验能够有效地校正水平扭曲,并且Bootstrap LM-Lag检验的功效与渐近检验近似;无论误差项是否服从正态分布,从水平扭曲和功效角度看,线性回归模型Bootstrap LM-Lag检验有效。     

动态修正贝叶斯估计的Bootstrap调整

在现场子样相对较小的条件下,研究具有多阶段试验信息时弹点散布方差的参数估计问题,将Bayes法和Bootstrap法结合起来,给出动态Bayes估计的Bootstrap调整方案,并通过仿真模拟算例验证方法的有效性.     

Archimedean Copula函数中参数的Bootstrap估计

文章给出Archimedean Copula函数中参数的Bootstrap估计.Bootstrap估计能对所有的Archimedean Copula函数中的参数进行估计,通过计算机模拟,把Bootstrap估计方法与和的非参数法进行了比较,说明Bootstrap估计的优越性.最后对上证基金和上证B股进行了实证分析,体现了Bootstrap估计的实用性.     

Bootstrap方法和SV模型在风险测度中的应用

文章用SV-GED模型刻画收益率序列的尖峰厚尾、波动集聚以及异方差等特征,在得到标准残差序列的基础上,与Bootstrap方法结合构建一个基于参数---非参数估计的新的风险度量模型——基于Boot-strap-SV-GED模型的风险度量模型,最后对模型的有效性进行了分析.研究表明:Bootstrap-SV-GED模型能很好的刻画收益率序列的特征,并且能在一定程度上提高金融风险测量的精度.     

空间面板杜宾模型的Bootstrap Wald-COMFAC检验研究

将共同因子约束(COMFAC)的Wald检验问题引入到空间面板模型中,讨论空间面板杜宾模型与空间面板误差模型的识别问题。蒙特卡洛模拟表明:在有限样本下,基于渐近临界值的Wald检验有着良好的检验功效,但存在着较为严重的尺度扭曲。进一步采用残差Bootstrap方法,在不损失检验功效的前提下,能够显著地降低检验的尺度扭曲。因此,残差Bootstrap方法是更为有效的检验方法。     

空间经济计量滞后模型Bootstrap Moran检验功效的模拟分析

 当误差项不服从独立同分布时,利用Moran’s I统计量的渐近检验,无法有效判断空间经济计量滞后模型2SLS估计残差间存在空间关系与否。本文采用两种基于残差的Bootstrap方法,诊断空间经济计量滞后模型残差中的空间相关关系。大量Monte Carlo模拟结果显示,从功效角度看,无论误差项服从独立同分布与否,与渐近检验相比,Bootstrap Moran检验都具有更好的有限样本性质,能够更有效地进行空间相关性检验。尤其是,在样本量较小和空间衔接密度较高情况下,Bootstrap Moran检验的功效显著大于渐近检验。     

正态线形模型下缺失值的Bootstrap多重插补与比较

缺失值是调查中普遍存在的问题,对缺失值进行插补是处理缺失值的较好方法.如果变量之间存在相关关系,可以通过正态线形模型利用不存在缺失值的变量对有存在缺失值的变量进行插补.较之单一插补,多重插补更能有效地估计总体方差,因此更多地被使用.文章借助Bootstrap法,让模型的参数和残差来自完全观测的Bootstrap样本的最小平法估计,可进一步准确估计总体方差.通过大量模拟试验,发现Bootstrap多重插补较之单一插补和一般多重插补能构建更宽的置信区间从而有更准确的总体参数覆盖率,这点在数据缺失比重很大时优势更明显.     

总体中位数可信区间估计Bootstrap法样本含量的设置

文章探讨了Bootstrap样本含量n*对Bootstrap法总体中位数可信区间估计效果的影响。结果表明,Bootstrap样本含量n*对总体中位数可信区间估计的正确率影响很大,Bootstrap样本含量n*越小,正确率越高;Bootstrap样本含量n*越大,正确率越低;Bootstrap样本含量n*不能任意设置,当Bootstrap样本含量n*=n-3时,效果最好。     

总体均数可信区间估计Bootstrap样本含量的设置

文章探讨了Bootstrap样本含量n*时Bootstrap法总体均数可信区间估计效果的影响.首先模拟从正态分布总体中随机抽样:然后用Bootstrap法进行总体均数可信区间估计,重复1000次,得到1000个可信区间.统计1000个可信区间包含总体均数的准确率.结果表明.Bootstrap样本含量n*对总体均数可信区间估计的准确率影响很大,Bootstrap样本含量n*越小,准确率越高;Bootstrap样本含量n*越大,准确率越低;Bootstrap样本含量n$不能任意设置,当Bootatrap样本含量n*=n-3时,效果最好.     

单位根过程联合检验的Bootstrap研究

 本文以Ferretti和Romo的Bootstrap方法为基础进行拓展完成三种联合检验,并从理论证明了Bootstrap方法的有效性;使用蒙特卡洛模拟技术比较了Bootstrap检验与临界值检验的效果。模拟表明,在误判率上,Bootstrap方法下三个检验量的误判率分别为2.22%、3.70%、0.00%,而临界值的误判率分别高达22.22%、11.11%、15.56%;在精确程度上,Bootstrap方法的精度分别是临界值方法的11.25倍、26倍和6.5倍。模拟表明了本文构造的Bootstrap检验方法可以替代临界值方法,特别在小样本下,Bootstrap方法的优势表现更为明显。     

我国省际经济增长的非线性动态收敛性研究

文章采用非线性STAR单位根检验和有放回的残差抽样Bootstrap方法研究1952-2010年间中国28个省份的相对实际人均GDP的增长动态,考察中国省际经济收敛性,并进一步将收敛细化为长期收敛和过程收敛。实证结果表明:同全国平均水平相比,中国省际人均产出缺口,绝大多数具有非线性时序特征。并且过半数省份的人均产出序列处于非线性过程收敛中。     

Bootstrap方法与经典方法在区间估计中的比较

文章研究了Bootstrap方法计算正态分布和Poisson分布参数的置信区间,通过模拟计算,对Boot strap方法得到的置信区间与经典方法得到的置信区间进行了比较,提出了计算置信区间时的建议。     

Bootstrap平均数假设检验样本容量探讨

Bootstrap方法是一种有放回的再抽样方法,可用于平均数假设检验的估计.采用蒙特卡洛数据模拟技术,模拟正态分布数据.设计研究程序,探讨在不同的样本量和再抽样次数不同情况下,Bootstrap方法在平均数假设检验中应用,所适宜的样本容量,将一类错误率作为对比条件.结果表明,跨越三种比较条件,只有当样本量大于等于5且模拟次数大于等于1000次时,才能得到满足条件的一类错误率,即表明使用Bootstrap方法才会取得较好的效果.     

局部线性趋势模型单位根检验量分布与Bootstrap检验

本文引入局部趋势概念,研究数据生成和检验式都含有趋势单位根过程中伪t检验量的分布,结果表明该分布为标准正态分布与第四种DF分布的混合体,并揭示了向这两类分布转化的条件.为摆脱伪t检验量受到特定参数约束而不能用于实证分析的困境,本文提出了Bootstrap检验方法,并从理论上证明该方法可用于水平检验和功效研究,埃奇沃思展开进一步证实该方法能够降低水平扭曲.蒙特卡洛模拟结果显示,Bootstrap检验量具有最高检验正确率,检验功效在一定条件下也能与标准正态分布的检验结果相媲美,说明Bootstrap方法可以用于此类模型的单位根检验.     

基于插值法的Bayes Bootstrap方法的改进

小样本实验数据较小,工程上常用Bayes Bootstrap方法来估计小样本的参数问题,文章研究了置信度一定、样本量不同的情况下,用插值法自助扩充了小样本数据的样本量,对Bayes Bootstrap方法提出改进.最后,运用蒙特卡罗方法对具体算例建模仿真,验证改进方法的优越性.     

基于PSM法估算文化的消费差异影响

文章通过利用倾向得分匹配法(PSM)解决样本选择偏误带来的内生性问题,探讨文化对消费的影响.通过采用过度消费的欧美国家与消费不足的东亚国家48个国家和地区1978～2007年的面板数据进行分析,结果表明,即使控制了样本选择偏误,文化仍能对消费产生显著影响.在最近邻匹配、半径匹配和核匹配三种匹配方式下的估计结果显示:文化带来的消费率差异在0.1174～0.1225之间,且通过了Bootstrap重复抽样检验.     

不完全数据多重插补的Bootstrap方差估计

当对插补所得的“完整数据集”使用标准的完全数据统计方法的时候,往往会低估插补估计量的方差.Bootstrap方法(自助法)是非参数统计中的一种重要的统计方法,是基于原始观测数据进行重复抽样,能充分的利用已知数据,不需要对未知总体进行任何的分布假设或增加新的样本信息,进而再利用现有的统计模型对总体的分布特性进行统计推断.本文首先运用多重插补的方法对缺失数据进行了插补,之后利用Bootstrap方法对插补之后的数据进行了插补统计量的方差估计,结果表明运用Bootstrap方法进行插补统计量的方差估计更科学更准确.     

概化理论方差分量置信区间估计Bootstrap方法比较

使用Monte Carlo模拟技术生成多项分布数据,比较四种Bootstrap方法估计概化理论方差分量置信区间的性能,四种Bootstrap方法分别是Bootstrap-PC、Bootstrap-t、Bootstrap-BCa和Bootstrap-ABC方法.结果表明:(1)从整体上看,四种Bootstrap方法估计方差分量置信区间的包含率,校正的Bootstrap方法要优于未校正的Bootstrap方法;(2)校正的Bootstrap-PC和Bootstrap-t方法相当,校正的Bootstrap-BCa与Bootstrap-ABC方法相当,校正的Bootstrap-BCa和Bootstrap-ABC方法要优于校正的Bootstrap-PC和Bootstrap-t方法.     

Bootstrap方法的历史发展和前沿研究

从1979年Efron提出Bootstrap方法至今,该方法在近30年间已经得到了极大的发展和扩充,并被广泛地应用于统计学的各个领域.Bootstrap理论的基本思想、历史发展及其若干比较前沿的研究方向包括:独立同分布数据、基于模型、带有块结构、Sieve、基于变换、Markov过程、长期相依和空间数据的Bootstrap理论,其中对独立同分布数据的Bootstrap应用最为基础,其余七种方向都可以视为附加了各种特殊条件的Bootstrap应用.由于Bootstrap的应用通常需要一定的统计程序编写,在介绍各种研究方向的同时,也相应简要介绍一些算法实现,其软件工具采用当今国际统计研究的主流语言--R语言.