【摘要】：隨機(jī)效應(yīng)的引入為面板數(shù)據(jù)建模中樣本相關(guān)和異方差問題提供了重要解決途徑,過多的隨機(jī)效應(yīng)不僅會(huì)極大地增加模型復(fù)雜度,而且給固定效應(yīng)系數(shù)的估計(jì)帶來偏差。文章在考慮到隨機(jī)效應(yīng)具有整體性基礎(chǔ)上,以橫截面?zhèn)�體為單位,對其進(jìn)行整體壓縮。通過對固定和隨機(jī)效應(yīng)分別引入不同形式的條件Laplace先驗(yàn),構(gòu)造了一種與Group Lasso-Lasso懲罰相等價(jià)的貝葉斯雙懲罰分位回歸估計(jì)方法。通過設(shè)計(jì)切片Gibbs抽樣算法,快速有效地解決了模型參數(shù)估計(jì)問題。計(jì)算機(jī)模擬顯示,該方法不僅能對固定和隨機(jī)效應(yīng)參數(shù)進(jìn)行精確估計(jì),而且能對模型中真實(shí)包含的固定和隨機(jī)效應(yīng)進(jìn)行自動(dòng)選擇。
[Abstract]:The introduction of random effect provides an important way to solve the problem of sample correlation and heteroscedasticity in panel data modeling. Too many random effects not only greatly increase the complexity of the model, but also bring deviation to the estimation of fixed effect coefficients. On the basis of considering the integrity of the random effect, this paper compresses the random effect in the unit of cross section individuals. By introducing different forms of conditional Laplace priori for fixed and random effects, a Bayesian double penalty quantile regression method is constructed, which is equal to Group Lasso-Lasso penalty. By designing sliced Gibbs sampling algorithm, the problem of model parameter estimation is solved quickly and effectively. Computer simulation shows that this method can not only accurately estimate the parameters of fixed and random effects, but also can automatically select the fixed and random effects contained in the model.
【作者單位】： 湖北工業(yè)大學(xué)理學(xué)院;湖北工業(yè)大學(xué)產(chǎn)品質(zhì)量工程研究院;華中師范大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)學(xué)院;中國人民大學(xué)統(tǒng)計(jì)學(xué)院;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(11271368) 教育部人文社科青年基金資助項(xiàng)目(10XNL018) 湖北省教育廳人文社科項(xiàng)目(2012G078) 湖北工業(yè)大學(xué)博士科研啟動(dòng)基金項(xiàng)目(BSQD13050)
【分類號(hào)】：F224.7

【相似文獻(xiàn)】

相關(guān)期刊論文 前4條

1 韓俊林,陳勵(lì);隨機(jī)效應(yīng)Logistic模型的參數(shù)估計(jì)[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;2005年01期

2 張進(jìn)峰;;空間面板誤差模型隨機(jī)效應(yīng)的穩(wěn)健檢驗(yàn)[J];數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究;2012年10期

3 朱萬闖;林俊岐;;基于格點(diǎn)搜索的隨機(jī)效應(yīng)的GLS估計(jì)[J];統(tǒng)計(jì)與信息論壇;2011年05期

4 ;[J];;年期

相關(guān)會(huì)議論文 前2條

1 錢偉民;王娟;;線性混合效應(yīng)模型中隨機(jī)效應(yīng)密度的非參數(shù)估計(jì)[A];2003中國現(xiàn)場統(tǒng)計(jì)研究會(huì)第十一屆學(xué)術(shù)年會(huì)論文集（上）[C];2003年

2 張?jiān)?劉紅云;;多水平中介模型[A];第十二屆全國心理學(xué)學(xué)術(shù)大會(huì)論文摘要集[C];2009年

相關(guān)博士學(xué)位論文 前2條

1 賴欣;對隨機(jī)效應(yīng)混合治愈模型的一些推廣[D];中國科學(xué)技術(shù)大學(xué);2009年

2 符利勇;非線性混合效應(yīng)模型及其在林業(yè)上應(yīng)用[D];中國林業(yè)科學(xué)研究院;2012年

相關(guān)碩士學(xué)位論文 前5條

1 許雙林;頻率風(fēng)險(xiǎn)模型的參數(shù)估計(jì)及預(yù)測[D];大連理工大學(xué);2006年

2 嚴(yán)國義;含有隨機(jī)效應(yīng)增長曲線模型回歸系數(shù)陣與協(xié)方差陣的估計(jì)[D];華中師范大學(xué);2003年

3 朱生春;含右刪失數(shù)據(jù)模型的隨機(jī)效應(yīng)存在性問題[D];揚(yáng)州大學(xué);2009年

4 段君;面板數(shù)據(jù)混合效應(yīng)模型的譜分解估計(jì)[D];華中師范大學(xué);2008年

5 周布;非參數(shù)混合效應(yīng)模型的正交化估計(jì)[D];華東師范大學(xué);2012年

，

本文編號(hào)：2378515