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.     

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.     

先验信息对MCMC方法估计概化理论方差分量变异量的影响

MCMC是一种动态的蒙特卡洛方法,可以用于估计概化理论的方差分量。MCMC方法估计出的方差分量受限于抽样,不同的抽样样本,所估计的方差分量可能不一样,需要对其变异量进行探讨。文章采用蒙特卡洛(Monte Carlo)数据模拟技术,在正态分布下讨论有无先验信息对MCMC方法估计概化理论方差分量变异量的影响。结果发现,有先验信息的MCMC方法估计方差分量标准误较无先验信息的MCMC方法要精确些,但随着i的样本容量增大,这种趋势减小;有先验信息的MCMC方法和无先验信息的MCMC方法估计方差分量置信区间,随着i的样本容量增大,精确度相当。     

概化理论两侧面设计方差分量及其变异量估计方法比较

文章针对正态分布数据,对比Traditional方法、Bootstrap方法和MCMC方法在两侧面交叉设计(p×i×h)和两侧面嵌套设计(p×(i:h))下各个方差分量的估计精度,为实际应用提供参考。使用R软件模拟1000批数据,并在R软件上实现三种方法的方差分量及其变异量估计。结果表明:(1)相较于Traditional方法和MCMC方法,相同条件下,Bootstrap方法估计的方差分量及其变异量结果更为理想;(2)对于两侧面交叉设计和两侧面嵌套设计,在正态分布数据下,建议优先使用Bootstrap方法。     

概化理论方差分量及其变异量估计:Jackknife方法与Traditional方法比较

文章生成概化理论p×i、p×i×h、p×(i:h)三种不同设计下的正态数据、多项数据和二项数据,用Jackknife方法和Traditional方法估计数据的方差分量、标准误和置信区间,并比较这两种方法的性能。结果表明:(1)Jackknife方法在方差分量估计和标准误估计上都较为准确;(2)相较于Traditional方法,Jackknife方法在方差分量置信区间估计上略有不足。(3)相较于Traditional方法,Jackknife方法估计的准确性不随数据类型、研究设计和方差分量的不同而产生波动,具有更强的稳健性。     

方差分量的改进估计

对含两个方差分量的一般线性混合模型,对其随机效应方差分量的组合谱分解估计进行改进.在正态假设下,考虑了一个不变估计类,证明了在均方误差意义下,在该估计类中不存在一致最优估计,但在一个重要子估计类中,找到了一致最优估计,并用截断方法得到了优于组合谱分解估计正部的正估计.     

线性混合模型方差分量的谱分解估计

文章把文献[8]关于含有两个方差分量的线性混合效应模型的谱分解估计推广到一般线性混合效应模型,基本思想是通过把所研究的模型转化为含有两个方差分量的线性混合效应模型。首先研究如何构造含有三个方差分量的线性混合模型的谱分解估计,给出谱分解估计的无偏估计类。然后把所得到的结论推广到一般线性混合效应模型中。     

随机信息中正态方差的灰色估计

利用随机信息进行参数估计,是数理统计学的基本内容.但经典统计学的理论和方法,都是建立在参数是明确数据的基础上.而现实社会经济生活中的参数,具有大量不确定性或认识的模糊灰色性.文章在Neyman的置信区间理论基础上,借助灰色系统的方法,在随机样本的信息下,对正态方差的灰色估计进行了研究,求出了正态方差的灰数估计及其白化权函数;并列举实例以示其应用.     

随机信息中正态方差的灰色无偏估计研究

文章在Neyman的置信区间理论基础上,借助灰色系统的方法,在随机样本的信息下,对正态方差的灰色有偏估计和灰色无偏估计进行了研究,求出了正态方差的灰数无偏估计及其白化权函数,并举例以示其应用。     

基于广义双曲线SV模型的极值风险度量研究

在金融风险的度量中,拟合分布的选取直接影响到风险度量的精度问题。针对金融收益序列的动态变化,在SV模型中引入广义双曲线学生偏t分布(SV-GHSKt)拟合金融收益序列的尖峰厚尾、不对称以及杠杆效应等特征,通过马尔科夫蒙特卡洛模拟的方法将收益率序列转化为标准残差序列,然后用极值理论的POT模型拟合标准残差序列尾部分布,进而建立一种新的金融风险度量模型———基于SV-GHSKt-POT的动态VaR模型。用该模型对上证综合指数做实证研究,结果表明,SV-GHSKt-POT的动态VaR模型能很好地模拟金融收益序列的尖峰厚尾性、波动集聚性及杠杆效应,并且能够合理有效地提高风险测度的精度,尤其在高的置信水平下表现更好。     

广义Pareto分布模型参数的近似估计及应用

文章利用极大似然估计法及泰勒公式给出了广义Pareto分布模型参数估计,并在确定阈值的基础上对多种元素的广义Pareto分布模型参数进行了估计,经Kolmogorov检验证实该近似估计法的合理性和有效性。     

缺失偏态数据下线性回归模型的统计推断

研究缺失偏态数据下线性回归模型的参数估计问题,针对缺失偏态数据,为克服样本分布扭曲缺点和提高模型的回归系数、尺度参数和偏度参数的估计效果,提出了一种适合偏态数据下线性回归模型中缺失数据的修正回归插补方法.通过随机模拟和实例研究,并与均值插补、回归插补、随机回归插补方法比较,结果表明所提出的修正回归插补方法是有效可行的.     

正态方差混合分布新息GARCH模型的EM估计

近来,人们对实际数据使用厚尾分布进行建模颇感兴趣。一种流行的考虑就是所谓的广义自回归条件异方差(GARCH)模型。不幸的是,在一些应用中正态新息的GARCH模型的尾部不够厚。文章提出新息为正态方差混合分布的GARCH模型并给出了使用EM算法对模型参数作估计的步骤。结果表明,新息为正态方差混合新息分布的GARCH模型比正态新息的GARCH模型有更厚的尾部,因而更能捕捉实际数据中的厚尾特征。文章还以上证指数为例阐述了这一结论。     

缺失偏态数据下联合位置与尺度模型的统计推断

为了研究缺失偏态数据下的联合位置与尺度模型,基于分布自身的特点,提出了一种适合缺失偏态数据下联合建模的插补方法———修正随机回归插补方法,该方法对缺失数据下模型偏度参数的调整十分显著。通过随机模拟和实例研究,并与回归插补和随机回归插补方法进行比较,结果表明,所提出的修正随机回归插补方法是有用和有效的。     

刀切法在我国劳动力调查方差估计中的应用

 摘　　要:我国劳动力调查抽样设计复杂，采用通常方法进行方差估计比较困难。本文提出使用刀切法。在使用刀切法时需要划分随机组，文中提出三种划分随机组的方法并对它们作了比较。最后。对我国的失业人数与失业率应用刀切法进行方差估计。     

重权数在复杂调查的方差估计中的应用

 方差估计是抽样调查的重要组成部分,重抽样方法是常用的方差估计方法。重权数方法与重抽样方法类似,也是利用计算机的优势通过重复获得大量不同的子样本的重权数估计目标参数的估计量和方差估计量,是一种稳健、通用、有效的方差估计方法。本文主要介绍重权数在复杂抽样调查的方差计算中的理论和应用。     

异质性数据下广义线性模型的Maximin似然比估计及应用

针对具有多个来源的异质性数据,文献中通常提出复杂程度较高的模型用于描述每个数据子总体的特征,而本文着眼于刻画不同数据子总体的共性进而建立一个简单的模型。在参数估计方面,本文借鉴了普通线性模型的Maximin估计思想,提出了适用于广义线性模型的Maximin似然比估计方法及稀疏结构下的惩罚估计。该方法通过最大化所有子总体中似然比统计量的最小值,构建成一个简单而保守的模型,以减少数据来源较多而呈现的复杂性。所提方法适用于因变量服从正态分布、两点分布、泊松分布等指数族分布的情形,丰富了前人的研究成果,具有更好的实践意义。模拟分析显示,相比于经典的估计方法,Maximin似然比估计方法不仅能够有效地探寻子总体的共性,而且具有较高的样本外预测精度。本文提出的方法也适用于政府统计和经济统计中具有异质性的大型数据集。     

Median-of-Means方法在偏度系数中的应用

传统偏度系数的定义涉及样本均值和三阶矩,使其对离群值十分敏感。本文在偏度系数的估计中引入Median-of-Means方法,提出偏度系数的新估计量,并证明其相合性和渐近正态性。此外,基于经验似然方法提出一种新的偏度系数检验统计量,证明其渐近性质并进行数值模拟。结果表明,本文提出的估计量具有一定稳健性,检验统计量表现也优于传统方法。最后将所提出的估计与检验方法应用于实际数据分析发现,估计结果比较稳健,进一步表明原有的偏度系数估计方法并不适用。     

不完全数据场合广义指数分布参数Bayes估计的混合Gibbs算法

文章针对在两种不完全数据场合,给出了广义指数分布参数贝叶斯估计的混合Gibbs算法,Monte-Carlo模拟结果显示:混合Gibbs算法简单、可行、精度较高、适应范围广.分组数据的分组方式对模拟结果影响较大.     

拓展的均值——方差理论及其在投资组合中的应用

由于股票市场的交易是在一种随机环境下进行的,投资者不可能准确知道每只股票预期收益的概率分布,只能大概地知道它的一个区间估计(即区间数)。本文针对这种情况,基于数据集成技术,拓展了Markowitz的均值—方差理论,并用实例说明了其在选择投资组合中的应用.。