基于δ方法的诊断测验蓝图的估计方法

文章基于de la Torre (2008)提出的基于δ的测验蓝图估计方法,系统研究δ的取值对于测验蓝图估计正确性的影响.结果表明,δ取值会影响到题目属性向量、属性及测验蓝图的估计;属性个数越多,越应选择更严格的ε;增加或降低适中的ε都会对Q矩阵的估计造成不利影响.     

索赔相依的非参数近邻估计信度模型

信度理论在非寿险精算理论与实务中具有重要地位,是精算学中最重要的经验保费估计模型。文章在索赔序列满足强混合(α-混合)相依条件的Q阶平稳马尔科夫链的假定下,运用非参数bagged-最近邻估计方法对信度保费进行分析。从实证结果看,本文提出的估计方法有较好的拟合效果。     

抽样调查中关于负相比率估计探讨

本文主要探讨的是负相关性比率估计--即在调查变量与辅助变量为负相关的条件下,对总体参数进行比率估计的方法.它按照正相关比率估计(以下简称比率估计)的基本原理,对调查变量及呈高度负相关的辅助变量进行坐标变换,使之满足比率估计成立的前提条件,然后再对总体参数进行比率估计.     

动态因子模型的广义矩估计(GMM)及其统计性质研究

对于一类存在截面相关性的动态因子模型,本文首次分别提出了动态因子向量和因子载荷矩阵的广义矩估计方法(GMM),该方法是对传统频域分析方法的补充;其次,分别研究了模型参数广义矩估计量的渐近性质和有限样本性质.研究发现,在适当的条件下,动态因子及其因子载荷矩阵的GMM估计不仅是具有渐近正态分布的一致估计,而且具有良好的有限样本性质.最后,本文利用动态因子模型对我国6大类上市公司盈利能力增长性的共同驱动因素及其差异性进行了实证分析.     

概化理论方差分量置信区间估计方法的比较

概化理论又称为方差分量模型,其方差分量估计受限于抽样,不同的抽样样本估计的方差分量可能不一样.为了降低估计的误差,应该重视考察方差分量的变异量(如置信区间).Bootstrap方法是一种有放回的再抽样方法,可用于估计概化理论的方差分量置信区间.文章采用蒙特卡洛模拟技术,比较Bootstrap的PC和BCa方法估计概化理论方差分量置信区间的性能.结果发现:(1)与未校正的方法相比,校正的Bootstrap的PC和BCa方法估计概化理论的方差分量置信区间更为可靠;(2)校正的Bootstrap的BCa方法估计概化理论的方差分量置信区间,要优于校正的Bootstrap的PC方法.     

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.     

熵损失函数下Burr(α)X分布参数的贝叶斯估计

文章研究了Burr(α)X分布参数的各类贝叶斯估计问题.在熵损失函数下分别获得了参数的贝叶斯估计、经验贝叶斯估计、多层贝叶斯估计和E-Bayes估计.证明了参数经验贝叶斯估计的渐近最优性,讨论了参数多层贝叶斯估计和E-Bayes估计的稳健性,通过蒙特卡洛方法对各类估计的MSE进行了数值模拟和比较分析,结果表明:经验贝叶斯估计的均方误差最小,精度较高.     

联立方程模型参数的修正间接广义岭估计

本文对外生变量设计矩阵X复共线的联立方程模型提出一种参数的间接广义岭估计方法,并对估计出的参数进行了改进,使其具有良好的统计性质,并证明了这些性质。     

巴斯卡分布可靠度的估计

文章在P,Q对称损失函数下,讨论巴斯卡分布参数θ的Bayes估计及其容许性,并给出了多层Bayes估计及E-Bayes估计的具体形式和Bayes置信下限。     

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.     

改进的最小二乘估计确定高精度参数模型

本文将2006年研究生数学建模竞赛进一步讨论,对于观测数据不准确的情况,先将模型转化为差分形式,用最小二乘估计方法对参数进行估计,当设计矩阵呈病态时,最小二乘估计变的不是很精确。为了提高参数估计的精确度,笔者提出了一种改进方法,对迭代矩阵进行Jacobi迭代预处理,再用最小二乘法进行求解,仿真结果表明预处理后的参数估计更为准确。     

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。     

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.     

抽样调查中负相关比率估计探讨

本文主要探讨的是负相关性比率估计———即在调查变量与辅助变量为负相关的条件下 ,对总体参数进行比率估计的方法。它按照正相关比率估计(以下简称比率估计)的基本原理 ,对调查变量及与呈高度负相关的辅助变量进行坐标变换 ,使之满足比率估计成立的前提条件 ,然后再对总体参数进行比率估计。     

三参数Burr分布经验贝叶斯估计的渐近性

文章在平方损失下研究三参数BurrI分布族形状参数的经验贝叶斯(EB)估计的渐近性。在先验分布形式未知的情况下,采用非参数估计方法导出了BurrI分布族形状参数的贝叶斯(Bayes)估计,利用历史样本采用密度函数核估计方法,构造了边缘密度函数及其导函数的估计,将它们代入Bayes估计式中,得到了形状参数的EB估计。在一定的条件下,证明所得到的EB估计具有渐近性,其收敛速度为n-γ(s-1)(δ-2)/δ(2s+1)。文章还举例说明满足定理条件的参数的先验分布是存在的。     

金融高维协方差阵的估计及其应用

文章克服了传统高维协方差阵估计方法的缺点,将主成分和门限方法相结合,提出了门限主成分正交补(TPO)估计量,该估计量主要通过前K个主成分来刻画高维协方差阵的信息,通过引入合适的门限函数来对矩阵的正交补进行稀疏估计,从而有效的降低了数据的维度并剔除了噪声的影响.模拟和实证研究发现:较严格的因子(SFM)模型而言,门限主成分正交补(TPO)模型明显提高了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.     

不同损失下指数-威布尔分布参数的Bayes估计

文章在对称和非对称损失函数下研究了两参数指数一威布尔分布(EWD)形状参数的Baves估计问题.当其中一个形状参数α已知时,给出了另一个形状参数θ在三种不同损失函数下Baves估计表达式及极大似然估计:运用随机模拟方法产生不同容量的样本对三种不同形式的Baves估计及极大似然估计的精确度进行了比较.模拟结果说明,要提高估计的精确度,应根据样本数选取损失函数.     

一类近似因子模型的GMM估计及其统计性质研究

对于一类异质性误差项存在截面相关性的近似因子模型,本文首先提出了估计共同因子向量和因子载荷矩阵的广义矩估计方法（GMM）,该方法推广了Doz等（2012）的极大似然估计方法;其次,分别研究了模型参数广义矩估计的渐近性质和有限样本的统计性质,在适当的条件下,证明了参数的GMM估计是具有渐近正态分布的一致估计;最后,利用近似因子模型对我国各类上市公司增长性的共同驱动因素及其差异性进行了实证分析。     

半参数空间ZISF的估计及反馈分类

本文引入空间效应、非参函数和非连续分布技术无效率项,构建了半参数空间0无效率随机前沿模型(简称为半参数空间ZISF),模型的适用性更广,可有效避免函数形式误设和忽略内生性问题导致的有偏和不一致估计量.对非参函数采用B样条逼近,使用极大似然方法和JLMS法可得到参数(含非参数函数)和技术效率的估计.基于伯努利大数定律提出反馈分类,可将技术无效率项分类.蒙特卡罗模拟表明:①本文方法的估计精度较高.增加样本容量后,估计精度更优.忽略任意一种效应将导致估计精度降低.②分类阈值的跨度较大,主观判断贝叶斯后验概率的大小进而将技术无效率项分类的可靠性较低.反馈分类的准确率较高且必要.     

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.