变系数多维线性结构关系EV模型参数的加权M估计

考虑变系数多维线性结构关系EV模型y=xτβ(t),Y=y+ε,X=x+u中的参数β(t)=(β1(t),β2(t),….,βP(t))τ的估计,利用线性模型中的M方法和权函数方法,构造出t=t0处的参数β(t0)的加权M估计量βn(t0),并证明了它具有相合性.     

一元线性结构关系EV模型的假设检验

给出了一元线性结构关系EV模型y=a+bx,Y=y+ε,X=x+u中关于线性关系y=a+bx的假设检验法则.     

随机变系数线性结构关系EV模型的参数估计

利用随机加权正交回归最小二乘法给出了随机变系数线性结构关系EV模型中的参数估计。     

随机变系数线性结构关系EV模型参数估计的强相合性

证明了随机变系数线性结构关系EV模型中参数估计的强相合性.     

线性结构关系EV模型中参数的可估性分析

从线性回归模型中参数的可估性出发 ,研究了常系数和变系数线性结构关系EV模型中参数可估的条件 .这一条件是很一般的 .     

变系数线性结构关系EV模型中参数β〔t0〕的加权M估计的渐近正态性

考虑变系数多维线性结构关系EV模型y=xTβ〔t〕,Y=y+ε,X=x+u,利用一般的函数ρ〔·〕.构造了参数β〔t〕=β1〔t〕,β2〔t〕,…,βp〔t〕T〕在t=t0处的参数β〔t0〕的估计量β^n〔t0〕,并证明它具有渐近正态性.     

EV线性模型中参数估计

证明了EV（errors-in-variables）线性模型中调整的最小二乘估计的强收敛性和渐近正态性,通过模拟实验验证了结果的正确性．     

p混合误差线性模型回归参数估计的强相合性

研究了随机误差为p混合序列的线性模型,获得了回归参数估计的强相合性,推广了独立情形相应的结果.     

利用交叉验证准则选择线性模型

考虑建立在交叉验证准则基础上线性回归模型的选择问题．对原来的交叉验证准则进行改进,通过增加惩罚函数来解决交叉验证过程中模型过度拟合问题,从而提出一个新模型选择准则．在一定的假设条件下,新准则确定的模型具有强相合性并且在样本容量充分大时能得到最小的真实模型．本文证明新准则确定的模型在一定条件下具有强相合性,并给出一般条件下模型选择准则．     

混合系数线性模型的参数估计

将从整体数据出发,继续讨论a和b的估计,并且在系数矩阵呈病态的情况下,给出了可估函数c′d的最佳线性无偏估计。在系数矩阵趋于病态的时候,这里提出一种新的估计—局部Stein估计。这是在混合系数线性模型参数的Stein估计的基础上对LS估计的一种改进估计。     

变系数回归模型的参数估计

讨论了变系数回归模型中变系数的加权最小二乘估计和变系数的加权可估函数的线性估计的最优性;推广了Gauss-Markov定理;并且构造出参数σ2的估计量.     

广义线性模型极大似然估计弱相合性的数值模拟

广义线性模型是经典线性模型的自然推广,它是一类应用广泛的统计模型.选择Probit模型,利用matlab编程,通过数值模拟的方法验证了广义线性模型的极大似然估计的弱相合性.     

时间序列ARFIMA模型的参数估计

ARFIMA模型是时间序列分析领域中应用最为广泛的一类模型。本文采取两阶段方法估计ARFIMA(p,d,q)模型的参数。第一阶段采取R/S分析法估计出该模型的分形差分参数d,进而将ARFIMA模型转化为ARMA模型,第二阶段针对于ARMA模型利用基于Gibbs抽样的Markov Chain Monte Carlo贝叶斯方法估计模型的其他参数。最后对我们采取的两阶段方法进行模拟仿真,实验表明:我们采取的方法可以精确的估计ARFIMA模型的参数。     

广义线性模型中拟似然估计的弱相合性及收敛速度

在非自然联系情形下讨论了广义线性模型拟似然方程的解βn在λ—n→∞和其他一些正则性条件下证明了解的弱相合性,并得到其收敛于真值β0的速度为Op(λ—n-1/2),其中λ—n(λ—n)为方阵Sn=iΣ=n1XiX'1的最小(最大)特征值.