个体观测次数与协变量个数都趋于无穷的二值数据GEE估计的渐近性质

广义估计方程是专用于处理纵向数据的统计模型,有效地解决了纵向数据中协变量相关的问题,得到稳健的参数估计值。但由于观测次数的不唯一,大多数文献对观测次数设置了上限,前人在假设个体观测次数为有限的条件下,证明了经典Logit广义估计方程估计的渐近性质。而随着大数据时代的到来,试验中需要对个体进行更多次观测,以便得出更为精准的结论。鉴于此,对于观测个体的数量n、协变量个数pn以及观测次数m三者都趋于无穷的情况,通过限定m的发散速度,即在mp_n~3/n和m~4p_~4n/n都趋于0和其他正则条件下,基于微分中值定理及根的存在定理,证明了经典Logit广义估计方程估计的渐近存在性和相合性;并在该估计的相合性的基础上,通过Slutsky定理进一步证明出了该估计的渐近正态性。     

广义线性模型的M-估计

用M-估计来估计广义线性模型中的未知参数β.首先,在一定的假设条件下,根据已有的对广义线性模型中未知参数β的极大似然估计方法,应用大数定律及鞅中心极限定理,证明了广义线性模型的M-估计的两个重要性质,印相合性及渐近正态性.其次,将固定设计的思想引入M-估计,并与广义线性模型相结合,证明了其相合性及渐近正态性.最后通过数...     

高维纵向属性数据的惩罚广义估计方程分析

文章证明了分析高维纵向二值属性数据的惩罚广义估计方程估计的渐近存在性,相合性与渐近正态性.     

纵向数据中伪似然方程的根的相合性

研究了伪似然方程的根的渐近存在性和相合性大样本性质．伪似然方程是研究纵向数据的一种方法，它是广义估计方程（GEE）的一种推广，用适当的矩阵去估计相关阵，这也是研究意义所在．自从Shao（1999）定义伪似然方程以来，其大样本性质也不断完善．本文证明了在一定条件下伪似然方程的根的渐近存在性及相合性．     

高维广义线性模型的拟似然自适应Lasso估计

利用惩罚拟似然方法,讨论高维广义线性模型的拟似然自适应Lasso估计。该方法能同时进行变量选择和参数估计。在适当的条件下,证明了所得估计的相合性和Oracle性质,并利用数据模拟和实例分析说明了所提方法的优良性质。     

GEE下经验似然估计的渐近正态性质

在较弱的限制条件和不服从独立同分布的情况下,分析含有参数信息的广义估计方程下的经验似然方法。首先给出较易验证的假设条件和正态收敛法则等引理及其证明,其次在较弱条件下给出经验似然估计存在性、相合性和渐近正态分布等的理论验证,结果表明经验似然比L_E(β)在条件范围内几乎处处收敛到经验似然比最小值L_E(■)且经验似然估计参数表达式■渐近高维正态分布等,使得对于GEE下经验似然估计的相合和渐近正态等性质有了更为准确,更易满足现实模型的理论结果。最后运用R语言运行统计模拟,发现经验似然方法比广义估计方程方法回归拟合度更理想。     

刀切广义岭估计的渐近性质

经典的大样本理论研究了当自变量数 p固定(或p→∞ ),并且样本容量 n→∞时估计量的性质,但 n固定并且 p→∞这种情况几乎没有被讨论过.后者对髙维数据的研究具有重要意义,本文研究了刀切广义岭估计在 n固定 p→∞时的渐近性质,建立了刀切广义岭估计在一定条件下的均方误差相合性,提供了一个剔除次要变量的变量筛选方法,并证明了这个筛选程序的强相合性.     

时空加权回归模型局部线性估计的渐近性质

在模型分析中,对未知参数的估计及其相关性质的研究甚为重要。首先通过假定时空加权回归模型的回归系数是时空位置的函数,给出了时空加权回归模型的一种局部线性估计方法。其次,在假设I~V及引理1下,研究了由此估计方法得到的第p个系数函数估计量所具有的渐近条件性质。最后,证明了第p个系数函数估计量的渐近条件偏差和渐近条件方差。结果表明该估计具有良好的表现。     

两阶段估计非参数固定效应Panel Data模型

推广参数Panel Data模型,考虑非参数固定效应Panel Data模型的估计.采用两阶段估计步骤,推导出了估计量的具体表达式.在一些假设条件下,分别得到了固定效应参数和非参数函数的收敛率以及渐近正态分布性质.此外,Monte Carlo模拟显示我们的估计比一阶差分估计具有更令人满意的有限样本性质.     

时空加权回归模型局部线性估计的渐近性质

在模型分析中,对未知参数的估计及其相关性质的研究甚为重要。首先通过假定时空加权回归模型的回归系数是时空位置的函数,给出了时空加权回归模型的一种局部线性估计方法。其次,在假设I~V及引理1下,研究了由此估计方法得到的第p个系数函数估计量所具有的渐近条件性质。最后,证明了第p个系数函数估计量的渐近条件偏差和渐近条件方差。结果表明该估计具有良好的表现。
     

关于回归函数的核估计的渐近正态性

研究了回归函数的核估计的渐近性质。证明了在一定条件下、回归函数的核估计序列是渐近正态的。     

广义河床流体模型方程单调递减扭状孤波解的渐近稳定性

研究了广义河床流体模型方程单调递减扭状孤波解的渐近稳定性。首先运用平面动力系统的理论和方法证明了该方程扭状孤波解的存在性;其次证明了该单调递减扭状孤波解具有的3个性质,特别是给出了该行波解的一阶和二阶导数估计式;最后运用反导数方法、先验估计方法和Young不等式,证明了该模型方程单调递减扭状孤波解是渐近稳定的。     

半参数单调变系数部分线性EV模型的估计

主要研究半参数单调变系数部分线性EV模型的估计问题,提出了单调纠偏profile最小二乘估计方法,给出了模型中未知参数和单调变系数函数的估计,并在适当条件下证明了参数估计的渐近正态性和非参数单调估计的渐近性质.最后利用计算机数值模拟验证了本文所提方法的可行性及有限样本估计结果的性质.     

纵向数据分析中一种压缩经验似然估计方法的大样本性质证明

在一些纵向研究中,协变量往往依赖于观测时间,此时流行的广义估计方程方法在任意的工作相关矩阵下不再保持估计的无偏性和稳健性,若仅使用独立工作相关矩阵则会造成效率低下,而使用不合适的工作相关矩阵可能会错误地包含有偏估计函数,最终导致估计有偏.为此,Leung等提出一种压缩的经验似然估计方法,将大量的无偏估计函数和其他辅助估计函数综合起来,模拟研究表明所提方法相比传统方法是有效的.但他们对其理论性质并未研究.这里对这种压缩经验似然估计量的大样本性质进行了研究,证明了在合适的条件下,压缩经验似然估计量具有相合性和渐近正态性,并给出了经验似然比的渐近分布.     

带有线性测量误差的半参数EV模型的估计

研究一类带有线性测量误差的半参数EV模型的估计问题.通过综合利用核光滑方法、修正最小二乘法和广义最小二乘法给出未知参数和未知函数的估计.在一般条件下,证明了未知参数估计的渐近正态性并给出了未知函数估计的收敛速度.     

由高斯移动平均过程驱动的一类随机微分方程的极大似然估计

在高斯移动平均过程是半鞅情况下,研究由其驱动的随机微分方程的极大似然估计获得了渐近一致的估计,并证明了该估计量的强相容性和渐近正态性,从而推广了经典情形下的相应结果.     

基于M-估计单指标模型的变量选择

结合M-估计与Adaptive Lasso方法用于实现单指标模型(SIM)的变量选择.用B-样条基函数逼近联系函数,构造惩罚估计方程.进一步建立并证明了所提变量选择方法具有oracle性质.随机模拟和实例分析验证了所提方法在有限样本时的表现,证实了所提方法的优良性.     

非齐次等式约束下奇异型线性回归模型的广义条件岭估计

文章对线性回归模型参数有偏估计做进一步研究,提出了在非齐次等式约束下奇异型线性回归模型参数的广义条件岭估计,并给出它的一些性质,而且证明了在一定条件下,在均方误差阵和广义均方误差意义下,广义条件岭估计都优于约束最小二乘估计.最后,通过实际数据进行实证分析,得到了取不同岭参数矩阵时对应的广义条件岭估计及其MSE,验证了广义条件岭估计优于约束最小二乘估计的充分条件的正确性.     

多维广义线性模型极大拟似然估计的渐近正态性

对固定设计的多维广义线性模型, 在λ(1/2/n)(1)/(2)λn/n→0和其他一些正则性条件下,证明了自然联系函数下的拟似然方程n∑i=1xi(yi-μ(x′iβ))=0 的解β^n即拟似然估计的渐近正态性, 其中,λn(λn) 表示∑ni=1xix′i的最小(最大)特征根, xi是有界的p×q回归变量,yi 是q×1响应变量.     

部分线性模型的LASSO估计及其渐近性

结合截面最小二乘估计思想,构造了LASSO惩罚截面最小二乘估计,并研究了惩罚参数和窗宽的选择问题。由于部分线性模型LASSO解仍为线性优化问题,因此容易实现。在一定条件下,本文还研究了参数估计量的相合性和渐近正态性。最后通过蒙特卡洛模拟研究了变量选择方法的小样本性质。