本文首次將Elastic Net這種用于高度相關(guān)變量的懲罰方法用于面板數(shù)據(jù)的貝葉斯分位數(shù)回歸,并基于非對稱Laplace先驗(yàn)分布推導(dǎo)所有參數(shù)的后驗(yàn)分布,進(jìn)而構(gòu)建Gibbs抽樣。為了驗(yàn)證模型的有效性,本文將面板數(shù)據(jù)的貝葉斯Elastic Net分位數(shù)回歸方法（BQR. EN）與面板數(shù)據(jù)的貝葉斯分位數(shù)回歸方法（BQR）、面板數(shù)據(jù)的貝葉斯Lasso分位數(shù)回歸方法（BLQR）、面板數(shù)據(jù)的貝葉斯自適應(yīng)Lasso分位數(shù)回歸方法（BALQR）進(jìn)行了多種情形下的全方位比較,結(jié)果表明BQR. EN方法適用于具有高度相關(guān)性、數(shù)據(jù)維度很高和尖峰厚尾分布特征的數(shù)據(jù)。進(jìn)一步地,本文就BQR. EN方法在不同擾動(dòng)項(xiàng)假設(shè)、不同樣本量的情形展開模擬比較,驗(yàn)證了新方法的穩(wěn)健性和小樣本特性。最后,本文選取互聯(lián)網(wǎng)金融類上市公司經(jīng)濟(jì)增加值（EVA）作為實(shí)證研究對象,檢驗(yàn)新方法在實(shí)際問題中的參數(shù)估計(jì)與變量選擇能力,實(shí)證結(jié)果符合預(yù)期。 

【文章來源】：統(tǒng)計(jì)研究. 2020,37(03)北大核心CSSCI

【文章頁數(shù)】：20 頁

【參考文獻(xiàn)】：
期刊論文
[1]GJR-CAViaR模型的貝葉斯分位數(shù)回歸——基于Gibbs抽樣的MCMC算法實(shí)現(xiàn)[J]. 張穎,傅強(qiáng).  中央財(cái)經(jīng)大學(xué)學(xué)報(bào). 2017(07)
[2]面板數(shù)據(jù)的自適應(yīng)Lasso分位回歸方法研究[J]. 李子強(qiáng),田茂再,羅幼喜.  統(tǒng)計(jì)與信息論壇. 2014(07)
[3]面板數(shù)據(jù)的貝葉斯Lasso分位回歸方法[J]. 李翰芳,羅幼喜,田茂再.  數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究. 2013 (02)
[4]基于逆跳MCMC的貝葉斯分位自回歸模型研究[J]. 朱慧明,王彥紅,曾惠芳.  統(tǒng)計(jì)與信息論壇. 2010(01)



本文編號(hào)：3041389