發(fā)布時間：2018-05-24 12:34

  本文選題：隨機(jī)效應(yīng) + 自適應(yīng)Lasso�。� 參考：《數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究》2017年05期

【摘要】：研究目標(biāo):解決隨機(jī)效應(yīng)分位回歸模型中固定效應(yīng)和隨機(jī)效應(yīng)系數(shù)同時估計(jì)和選擇問題。研究方法:對固定效應(yīng)和隨機(jī)效應(yīng)系數(shù)同時實(shí)施自適應(yīng)Lasso懲罰,并為參數(shù)估計(jì)設(shè)計(jì)交替迭代算法。研究發(fā)現(xiàn):新方法不僅對隨機(jī)誤差分布具有較強(qiáng)的穩(wěn)健性,而且在不同稀疏度模型下均有著良好的表現(xiàn),尤其是在高維情形時。研究創(chuàng)新:本文提出的方法在對模型中重要自變量進(jìn)行選擇的同時能夠充分考慮隨機(jī)效應(yīng)的影響;交替迭代算法不僅有效解決了需要選擇兩個懲罰參數(shù)的困境,而且收斂速度快。研究價(jià)值:為實(shí)際工作者對面板數(shù)據(jù)和縱向數(shù)據(jù)的分析提供了有效的建模方法。
[Abstract]:Objective: to solve the problem of simultaneous estimation and selection of fixed and random effect coefficients in the stochastic effect quantile regression model. Methods: adaptive Lasso penalty is applied to both fixed and random effect coefficients, and an alternative iterative algorithm is designed for parameter estimation. It is found that the new method not only has strong robustness to the random error distribution, but also has a good performance under different sparsity models, especially in the high dimensional case. Research innovation: the method proposed in this paper can fully consider the influence of random effect while selecting the important independent variables in the model, and the alternating iterative algorithm not only solves the dilemma of choosing two penalty parameters effectively, And the convergence speed is fast. Research value: provides an effective modeling method for practical workers to analyze panel data and longitudinal data.
【作者單位】： 湖北工業(yè)大學(xué)理學(xué)院;華中師范大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)學(xué)院;
【基金】：國家自然科學(xué)基金項(xiàng)目(11271368) 教育部人文社會科學(xué)研究青年基金項(xiàng)目(13YJC790105) 湖北工業(yè)大學(xué)博士科研啟動基金項(xiàng)目(BSQD13050)的資助
【分類號】：O212.1

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周永正;胡春來;;固定效應(yīng)、隨機(jī)效應(yīng)與另一隨機(jī)向量的聯(lián)合估計(jì)[J];南昌大學(xué)學(xué)報(bào)(工科版);2009年01期

2 徐淑一;王寧寧;;競爭風(fēng)險(xiǎn)下縱列數(shù)據(jù)的隨機(jī)效應(yīng)建模和估計(jì)[J];中山大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年01期

3 武大勇;萬建平;;不完全面板數(shù)據(jù)隨機(jī)效應(yīng)的檢驗(yàn)[J];黑龍江科技學(xué)院學(xué)報(bào);2007年03期

4 徐安察;湯銀才;;退化數(shù)據(jù)分析的EM算法(英文)[J];華東師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年05期

5 吳擰洪;;面板數(shù)據(jù)模型中隨機(jī)效應(yīng)存在性檢驗(yàn)的理論研究及其實(shí)證分析[J];統(tǒng)計(jì)研究;2011年09期

6 趙麗華;劉桂芬;田嬌妮;;重復(fù)測量計(jì)數(shù)資料的隨機(jī)效應(yīng)ZINB模型[J];中國衛(wèi)生統(tǒng)計(jì);2011年06期

7 黨紅;秦超英;劉金濤;;基于偏正態(tài)分布的隨機(jī)效應(yīng)meta回歸[J];紡織高�；A(chǔ)科學(xué)學(xué)報(bào);2013年01期

8 韓俊林,陳勵;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

9 趙澤茂;混合線性回歸模型中固定效應(yīng)和隨機(jī)效應(yīng)的G-M估計(jì)[J];江漢石油學(xué)院學(xué)報(bào);1992年01期

10 石磊;雙向分類隨機(jī)效應(yīng)套模型中異常值的UMPU檢驗(yàn)[J];應(yīng)用概率統(tǒng)計(jì);1997年02期

相關(guān)會議論文 前1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)研究會第十一屆學(xué)術(shù)年會論文集（上）[C];2003年

相關(guān)博士學(xué)位論文 前1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

相關(guān)碩士學(xué)位論文 前4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 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

4 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：1929068