资本配置摩擦与中国经常项目波动

本文将国内资本市场摩擦和国际资本流动摩擦引入RBC模型,并采用贝叶斯方法校准模拟了中国经常项目的波动轨迹。研究结果表明：（1）国内资本市场摩擦和国际资本流动摩擦是形成中国经常项目波动的重要传导机制,两类资本市场摩擦机制的引入有助于准确拟合中国经常项目波动的波动性、协动性和持续性等各项特征;（2）贝叶斯估计得到的中国的资本调整成本和利率风险利差的参数值反映了中国资本配置效率和国际资本流动程度介于其他新兴市场经济体和发达经济体的水平之间;（3）中国经常项目波动主要由利率变动冲击和偏好冲击等两类结构性外生冲击通过国内资本市场摩擦机制和国际资本流动摩擦机制传导形成。     

中国股票市场的长期记忆性与趋势预测研究

本文首次在国内利用较新的精准局部似然函数法（Exact Local Whittle）,以上证指数为对象,估计了ARFIMA(p,d,q)模型的长期记忆参数d,并分析了上证指数的趋势性变化。估计结果和稳健性检验均表明,上证指数具有长期记忆性,以上证指数为代表的股票市场并非有效;模拟结果显示,当滚动窗口n=260,带宽m=[n0.65]时,长期记忆参数即估计量d既具备一致性,又具有渐进正态性。在2004年10月8日至2015年11月13日期间,模型给出了8次上涨或下跌的趋势转换信号,其中7次信号是正确的,仅有1次给出了错误信号;股票价格由下跌趋势转为上涨趋势、由上涨趋势转为下跌趋势两种情况相比,记忆参数d在前一种情况时下跌幅度更大,给出的信号更明显。     

多边价格指数中的价格异方差问题与CPD法的改进

CPD法是国际比较项目（ICP）中应用的一种重要的多边价格比较方法,多边价格比较方法的可靠性直接影响ICP公布的各国购买力平价数据的可信度。本文从理论上系统地分析了CPD法中存在的价格异方差问题,引入一种消除异方差的WLS估计方法。然后以2011年ICP居民实际消费支出各大类商品的价格数据为例,实证说明WLS估计的CPD法能显著提高各国购买力平价数据的可靠性;相对而言,存在异方差的CPD法会系统性高估发展中国家的居民实际消费支出水平。     

第三类Tobit模型的半参数估计方法

本文给出第三类Tobit模型的一种新的半参数估计方法。在独立性假设下,利用主方程和选择方程中可观察受限因变量的条件生存函数所满足的关系式,构造第三类Tobit模型参数的一步联立估计量。在已知选择方程中参数一致性估计量的条件下,这种方法也可用于构造主方程模型参数 的两步估计量。本文证明了所提出的一步联立估计量和两步估计量的一致性和渐近正态性。实验模拟表明,我们提出的估计量在有限样本下具有良好表现,且一步联立估计量的有限样本表现优于或接近于Chen（1997）的估计量。     

并发多样本滚雪球抽样的捕获再捕获估计

滚雪球抽样是一种非概率抽样方法,一般采用线索触发的方式进行抽样,通过同伴推荐和再推荐来逐次抽取并组织样本。本文引入捕获再捕获抽样估计方法对并发式多样本滚雪球抽样的总体规模进行估计,比较了Peterson、Chapman等的估计方法,提出了以并发式加权线性模型去估计总体规模的基本思路,在本文设计的三种估计量中,共权估计量方差最小,离散性质局部最优。最后,对一个真实的滚雪球抽样调查过程进行了实证分析。     

基于半参数方法的模型辅助抽样估计研究

在总结现有模型辅助估计方法的基础上,本文通过构造一种半参数超总体模型,同时结合广义差分估计思想提出一种新型的模型辅助估计量。该估计量比传统的非参数和半参数回归估计利用更少、更易得到的辅助信息,即只需利用和广义回归估计相同的辅助信息,但一般会比广义回归估计拥有更高的估计精度。理论证明了该估计量是渐近设计无偏和设计一致的,其渐近设计均方误差为广义差分估计量的方差。模拟结果显示：其至少与广义回归估计一样好;对于线性程度越低的超总体模型,其估计精度比广义回归估计有越明显的提高;就本文模拟而言,光滑参数在0.04～0.12间适当取值时其会取到相对较好的估计效果。     

航班动态定价机制下的机票价格序列变点估计

文章旨在研究受航空业动态定价机制影响下的机票价格序列变点估计模型,文中分析了机票价格u8序列数据的结构特点,提出了可用于高噪声数据环境下、阶梯状、带明显多变点的多阶段序列变点估计框架,该框架中级联组合了DBSCAN算法、EM-高斯混合模型聚类、凝聚层次聚类算法和基于乘积划分模型的变点估计方法等多种成熟的数据分析方法,通过对“北京-昆明”航线航班的实证分析,验证了数据分析框架的有效性和普遍适用性。     

样本选择模型的一个简单半参数估计量

本文发展了一个针对样本选择模型的两阶段半参数估计量,其首先在第一阶段基于对数欧几里得分布差异测度估计离散选择概率,进而在第二阶段利用非参数sieve方法估计一个包含参数和非参数部分的部分线性模型以得到模型参数的估计。相对于文献中已有的半参数估计量,该估计量的计算更加简便,且计算负担相对较小。我们说明了该半参数估计量的一致性和渐近正态性,同时给出了其渐近方差的计算公式。蒙特卡洛模拟结果符合我们的理论结论。     

A maximum-likelihood estimator with infinite error

The standard error of the maximum-likelihood estimator for 1/μ based on a random sample of size N from the normal distribution N(μ,σ²) is infinite. This could be considered to be a disadvantage.Another disadvantage is that the bias of the estimator is undefined if the integral is interpreted in the usual sense as a Lebesgue integral. It is shown here that the integral expression for the bias can be interpreted in the sense given by the Schwartz theory of generalized functions. Furthermore, an explicit closed form expression in terms of the complex error function is derived. It is also proven that unbiased estimation of 1/μ is impossible.Further results on the maximum-likelihood estimator are investigated, including closed form expressions for the generalized moments and corresponding complete asymptotic expansions. It is observed that the problem can be reduced to a one-parameter problem depending only on , and this holds also for more general location-scale problems. The parameter can be interpreted as a shape parameter for the distribution of the maximum-likelihood estimator.An alternative estimator is suggested motivated by the asymptotic expansion for the bias, and it is argued that the suggested estimator is an improvement. The method used for the construction of the estimator is simple and generalizes to other parametric families.The problem leads to a rediscovery of a generalized mathematical expectation introduced originally by Kolmogorov [1933. Foundations of the Theory of Probability, second ed. Chelsea Publishing Company (1956)]. A brief discussion of this, and some related integrals, is provided. It is in particular argued that the principal value expectation provides a reasonable location parameter in cases where it exists. This does not hold generally for expectations interpreted in the sense given by the Schwartz theory of generalized functions.