版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、響應(yīng)變量受限制(Limited Dependent Variable(LDV))模型在計(jì)量經(jīng)濟(jì)學(xué)研究中有著廣泛的應(yīng)用,它是一種很重要的模型,而且計(jì)量經(jīng)濟(jì)學(xué)中許多重要的進(jìn)展都與LDV模型有關(guān)。一般情況下,LDV模型的響應(yīng)變量被限制在實(shí)數(shù)集合的某一個(gè)子集(區(qū)間)內(nèi)。LDV模型包含截?cái)囗憫?yīng)變量模型(truncated dependent model)和刪失響應(yīng)變量模型(censored dependent model),截?cái)囗憫?yīng)變量模型是指響
2、應(yīng)變量從一個(gè)不完全總體(incomplete population)中抽取,而刪失響應(yīng)變量模型是指響應(yīng)變量來自于完全總體(complete population),但是個(gè)體觀測(cè)值低于(或高于)某一給定值時(shí)不能被指定。本文研究的刪失回歸模型(Tobit模型)是一種特殊的響應(yīng)變量受限制模型,它的響應(yīng)變量受非負(fù)限制,我們只能觀測(cè)到響應(yīng)變量不小于0的部分。對(duì)于刪失回歸模型,本文研究的主要問題包括三方面:刪失回歸模型中的回歸參數(shù)的LASSO-型變
3、量選擇和估計(jì),回歸系數(shù)線性假設(shè)檢驗(yàn)的隨機(jī)加權(quán)逼近以及刪失回歸模型中的轉(zhuǎn)變點(diǎn)估計(jì)和收斂速度。 首先,本文提出了刪失回歸模型中自變量是固定設(shè)計(jì)向量時(shí)回歸參數(shù)的一種LASSO-型變量選擇準(zhǔn)則和估計(jì)方法。模型(變量)選擇在建模時(shí)是一個(gè)很重要的研究環(huán)節(jié)。對(duì)于刪失回歸模型,變量選擇問題在目前文獻(xiàn)中研究的比較少。本文給出了一個(gè)LASSO-型變量選擇和估計(jì)方法:多樣化懲罰L<,1>限制方法(diverse penalty L<,1>constr
4、aint method(DPLC))。DPLC方法一方面可以選擇顯著非0的參數(shù)(相應(yīng)的變量),另一方面可以給出這些參數(shù)的一個(gè)估計(jì)。在一些條件下,我們建立了該估計(jì)的相合性質(zhì)和漸近分布性質(zhì)。我們?cè)谀M研究中比較了DPLC方法和最優(yōu)子集選擇方法(best subset selection method(BSSM))在選取變量和估計(jì)方面的能力。大量的模擬結(jié)果表明:DPLC方法具有和BSSM方法幾乎一樣的效果。然而,當(dāng)變量個(gè)數(shù)較大時(shí),BSSM方法
5、因計(jì)算量大而不可行。 其次,我們考慮了刪失回歸模型中自變量是固定設(shè)計(jì)向量時(shí)線性假設(shè)檢驗(yàn)的一種隨機(jī)加權(quán)逼近方法。刪失回歸模型中的線性假設(shè)檢驗(yàn)已被廣泛研究,但是以往檢驗(yàn)統(tǒng)計(jì)量的極限分布中含有未知誤差分布密度這個(gè)冗余參數(shù),確定檢驗(yàn)的臨界值比較困難,尤其當(dāng)樣本量比較小時(shí),誤差分布密度的估計(jì)準(zhǔn)確度比較差。本文利用隨機(jī)加權(quán)方法給出刪失回歸模型中線性假設(shè)檢驗(yàn)的一種隨機(jī)加權(quán)統(tǒng)計(jì)量,使用該隨機(jī)加權(quán)統(tǒng)計(jì)量的條件分布來逼近檢驗(yàn)統(tǒng)計(jì)量在原假設(shè)下的分布。
6、在一些條件下我們證明了,不論在原假設(shè)下還是在局部對(duì)立假設(shè)下,隨機(jī)加權(quán)檢驗(yàn)統(tǒng)計(jì)量在給定觀測(cè)值的條件下的條件漸近分布和檢驗(yàn)統(tǒng)計(jì)量在原假設(shè)下的漸近分布相同。因此我們不需要估計(jì)冗余參數(shù),利用隨機(jī)加權(quán)方法可以確定檢驗(yàn)線性假設(shè)的臨界值。對(duì)給定的名義顯著水平,重復(fù)生成隨機(jī)權(quán)變量,得到隨機(jī)加權(quán)檢驗(yàn)統(tǒng)計(jì)量的加權(quán)版本序列,然后用這些加權(quán)版本的(1-名義顯著水平)樣本分位數(shù)作為檢驗(yàn)統(tǒng)計(jì)量的臨界值,而當(dāng)檢驗(yàn)統(tǒng)計(jì)量大于此臨界值時(shí),否定原假設(shè)。容易證明,在給定檢驗(yàn)
7、水平時(shí),由隨機(jī)加權(quán)統(tǒng)計(jì)量確定臨界值的檢驗(yàn)和估計(jì)冗余參數(shù)得到臨界值的檢驗(yàn)具有相同的漸近水平,并且在對(duì)立假設(shè)下具有相同的漸近效函數(shù)。模擬研究結(jié)果表明隨機(jī)加權(quán)統(tǒng)計(jì)量的條件分布能夠很好地逼近檢驗(yàn)統(tǒng)計(jì)量在原假設(shè)下的分布。最后,本文研究了刪失回歸模型中自變量是隨機(jī)向量時(shí)轉(zhuǎn)變點(diǎn)的估計(jì)問題。轉(zhuǎn)變點(diǎn)問題一直是統(tǒng)計(jì)學(xué)中很熱門的一個(gè)研究方向,人們對(duì)它的關(guān)注起源于工業(yè)自動(dòng)化控制。隨著社會(huì)的發(fā)展,轉(zhuǎn)變點(diǎn)模型在經(jīng)濟(jì)、金融、計(jì)算機(jī)等方面有著越來越廣泛的應(yīng)用。對(duì)于刪失
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 43519.刪失回歸模型中壓縮估計(jì)的若干問題研究
- 區(qū)間刪失下廣義冪威布爾回歸模型的統(tǒng)計(jì)診斷.pdf
- 45650.刪失回歸模型中的分位數(shù)估計(jì)
- 隨機(jī)刪失非參數(shù)固定設(shè)計(jì)回歸模型的統(tǒng)計(jì)分析.pdf
- 刪失指示量隨機(jī)缺失情況下回歸模型統(tǒng)計(jì)推斷.pdf
- 刪失非線性模型的中位數(shù)回歸.pdf
- 區(qū)間刪失數(shù)據(jù)的若干問題研究.pdf
- 區(qū)間刪失數(shù)據(jù)對(duì)回歸模型的影響分析.pdf
- 非參數(shù)模型中變點(diǎn)的檢測(cè)及刪失數(shù)據(jù)中刪失指標(biāo)隨機(jī)缺失下回歸函數(shù)的估計(jì).pdf
- 區(qū)間刪失數(shù)據(jù)的回歸分析.pdf
- 比例風(fēng)險(xiǎn)模型下區(qū)間刪失數(shù)據(jù)的參數(shù)回歸模型研究.pdf
- 協(xié)變量區(qū)間刪失情況下回歸模型的參數(shù)估計(jì)問題.pdf
- 收縮估計(jì)和懲罰估計(jì)在gamma刪失回歸模型中的應(yīng)用
- 刪失數(shù)據(jù)下線性EV模型的統(tǒng)計(jì)推斷.pdf
- 刪失數(shù)據(jù)下的變系數(shù)模型的回歸分析.pdf
- 19726.生存分析中刪失數(shù)據(jù)比例對(duì)cox回歸模型影響的研究
- 基于刪失試驗(yàn)的貝葉斯生存回歸模型及其應(yīng)用.pdf
- 基于經(jīng)驗(yàn)似然的刪失線性模型的統(tǒng)計(jì)診斷.pdf
- 存在刪失數(shù)據(jù)時(shí)的正交回歸.pdf
- 3067.基于加法模型的相依區(qū)間刪失數(shù)據(jù)的回歸分析
評(píng)論
0/150
提交評(píng)論