二次损失下带约束的增长曲线模型的Minimax估计

文章对于带椭球约束的增长曲线模型,在二次损失函数下给出回归系数在线性估计类中的Minimax估计,证明该估计是压缩有偏、可容许估计.在一些特殊的情形下,该估计包括了增长曲线功效岭回归估计、多元线性Minimax估计等.     

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。     

约束线性模型系数的岭型Stein估计及其最优预测

文章提出基于齐次等式约束下的线性模型系数的约束岭型Stein估计,并和约束最小二乘估计(RLSE)进行了比较,在均方误差准则下得到了约束岭型Stein估计优于RLSE的充分条件.然后,就基于约束岭型Stein估计的预测量与RLSE的预测量的最优性判别问题进行了讨论,得到了在风险函数意义下约束岭型Stein估计的预测量优于RLSE的预测量的充分条件.通过实证分析,进一步验证了在一定条件下约束岭型Stein估计优于RLSE.     

定数截尾情形下一类分布族参数的Minimax估计

文章基于定数截尾情形,在加权平方损失函数和MLINEX损失函数下,讨论了一类分布族参数的Bayes估计和Minimax估计。最后给出了数值模拟例子对极大似然估计和Minimax估计进行比较。     

生长曲线模型中参数的线性有偏估计的优良性

文章研究了生长曲线模型参数的线性有偏估计类,在均方误差阵(MSEM)准则下给出了估计类中的估计优于LS估计的充要条件,并给出了此估计类中的Bayes估计.     

约束线性模型系数的岭型Stein估计及最优预测

文章提出基于齐次等式约束下的线性模型系数的约束岭型Stein估计,并和约束最小二乘估计(RLSE)进行了比较,在均方误差准则下得到了约束岭型Stein估计优于RLSE的充分条件。然后,就基于约束岭型Stein估计的预测量与RLSE的预测量的最优性判别问题进行了讨论,得到了在风险函数意义下约束岭型Stein估计的预测量优于RLSE的预测量的充分条件,通过实证分析,进一步验证了在一定条件下约束岭型Stein估计优于RLSE。     

线性GMDH参数模型的无偏估计研究

 多元线性回归分析中,参数无偏性是参数估计方法的一个重要指标。本文对线性GMDH参数模型建立多元线性模型进行了研究,得到以下结论：一,在满足经典线性回归模型的假设条件下,其参数估计量具有无偏的性质;二,在满足其它假设条件下,可以在样本量少于待估参数的情况下建模,估计的参数也是无偏的;三,用参数GMHD方法建模时,它对完全多重共线性是免疫的。     

多重共线性与最大熵罗汶估计模型

多重共线性对多元线性回归方程的估计造成的影响已引起众多学者的关注。许多旨在解决多重共线性的补救方法(例如岭回归和广义最大熵)由于其自身的缺陷使得补救效果大打折扣。Paris在量子电动力学理论的启发下提出了最大熵罗汶估计量,运用蒙特卡洛试验证明:不管多重共线性有多严重,它可靠地估计被估参数的能力要强于一般最小二乘法。     

三个多元正态总体在简单半序约束下均值估计

 多元保序回归理论对统计学中研究多维参数在序约束下的估计理论起着关键性作用。本文讨论了当协方差矩阵已知,在简单半序约束下,对三个多元正态总体均值的估计问题,给出了估计的算法。并证明了在多元均方损失条件下,给出的均值估计优于无序约束的均值估计。     

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。     

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.     

多主题抽样调查中改进估计方法的研究

多主题抽样调查在实际统计工作中非常普遍,即一项调查同时涉及两个或多个目标变量(指标),对总体的推算也需要同时对这两个或多个指标进行估计.通常同一调查中的多个目标变量之间会具有相关性,利用这一信息可以提高对所关注调查指标的估计精度.本文利用多重多元线性模型的方法研究这一问题,讨论了最佳线性模型无偏估计和一般回归估计,可以看到借助调查指标之间的相关性,较之常用的单个响应变量的多元线性回归模型方法,得到的最佳线性模型无偏估计和一般回归估计都可以有效地提高对总体总量的估计精度,本文的数值模拟和实例分析也验证了这一结论.     

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。     

高维厚尾金融数据协方差阵的统计估计及应用

近年来,关于高维协方差阵估计的研究大多是在正态分布的假定下进行的,少有研究考虑金融数据的厚尾特征对协方差阵估计的影响。在提出新方法估计厚尾金融海量数据协方差阵的基础上,先引入乔列斯基分解法,将复杂的协方差阵估计问题转化为一系列的回归模型;再在回归模型的估计过程中引入RA-Lasso方法,使其在解决维数诅咒的同时,还考虑由于数据的厚尾特征而引起的估计偏差问题;通过模拟和实证研究发现,新的方法明显提高了协方差阵的估计效率,并且使投资者获得了更高的收益。     

可换估计类

本文提出了多元线性模型中回归系数的一个有偏估计类──可换估计类，并讨论了它的优良性质。     

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.     

正态总体下参数的优化极大似然估计方法

文章讨论了一种新的抽样方法,基于这一抽样方法提出了样本参数的优化极大似然估计,并进一步与简单随机抽样下的参数的极大似然估计结果作比较,从估计渐进效率的角度说明了该方法的优良性。     

加权平方损失函数和MUNEX损失函数下一类分布族参数的Minimax估计

文章考虑一类分布族:F(x;θ)=1-[g(x)]θ(A≤x≤B,θ>0),其中g(x)是关于x单调递减的可微函数,且g(A)=1,g(B)=0,在加权平方损失函数和MLINEX损失函数下,得到了参数的Bayes估计和Minimax估计.     

部分线性变系数模型的Backfitting约束估计

作为部分线性模型与变系数模型的推广,部分线性变系数模型是一类应用广泛的半参数模型.文章主要研究该模型线性部分存在约束条件下的估计和检验问题,首先基于backfitting方法给出了常数系数以及变系数部分的约束估计,其次构造了检验统计量用于检验约束条件.     

复杂抽样设计下的域估计问题研究

随着国内定量研究方法的开展和大型调查数据的免费公布,研究者不仅使用抽样调查数据对总体分析,还需要对域总体进行分析.本文对调查数据满足域精度推断的域估计问题进行研究.首先,根据实际调查中的域估计问题,指出解决域估计问题最好的方法是事先确定好需要估计的域,并在抽样设计时兼顾域的估计精度.但是,在实际调查中还包含计划外的域,通过对简单随机抽样下的域估计问题的研究,说明非计划域的估计问题的最大难点是域样本量的随机性.然后,针对实际中的抽样调查数据多来源于分层、多阶段、整群和不等概率等复杂抽样设计的问题,指出需要结合复杂抽样设计信息、域样本量的随机性、域样本在总体的误差层和误差群中的分布,对复杂抽样设计下的域估计问题进行研究.最后,以中国家庭追踪调查(China Family Panel Studies,CFPS)为例,对复杂抽样设计下的域估计问题进行案例研究.