半?yún)?shù)模型不僅具有非參數(shù)模型的靈活性而且保留了參數(shù)模型易于解釋的優(yōu)點。因此它們到了許多學者的廣泛關注并且在經(jīng)濟學、生物學以及醫(yī)學等領域有著廣泛的應用。本文主要研究了變系數(shù)模型、部分線性可加模型和變指標系數(shù)模型這三類重要的半?yún)?shù)模型�，F(xiàn)存的估計方法大多基于最小二乘或似然函數(shù)的方法。眾所周知,這兩種估計方法不穩(wěn)健,因為它們對數(shù)據(jù)中的異常點或者厚尾誤差分布比較敏感,從而大大降低估計的效率。更糟糕的是,當誤差的二階矩不存在時,最小二乘估計不再是相合的。因此,這就啟發(fā)我們從不同角度尋找多種穩(wěn)健的估計方法。另一方面,變量選擇無疑是統(tǒng)計建模的一項基礎而重要的工作。因為我們希望一個好的統(tǒng)計模型只含有與響應變量相關的協(xié)變量,從而得到更簡潔的模型結(jié)構和增強模型的預測能力。因此本文的研究目的是對變系數(shù)模型、部分線性可加模型和變指標系數(shù)模型構造一系列穩(wěn)健且有效的估計程序以及實施變量選擇。具體地,本文的研究內(nèi)容包括以下三部分。第一部分研究了變系數(shù)模型的穩(wěn)健估計與變量選擇問題。本文第二章利用B樣條基函數(shù)近似、雙重SCAD懲罰函數(shù)和秩回歸對變系數(shù)模型構造了一種穩(wěn)健且有效的統(tǒng)一變量選擇方法。這里的統(tǒng)一變量選擇方法是指在沒有任何先驗信息下,該方法不僅能夠選擇出重要的協(xié)變量而且還能同時區(qū)分常系數(shù)效應與變系數(shù)效應的協(xié)變量。在適當?shù)臈l件下,我們證明了所提方法在選擇重要變量和常系數(shù)效應與系數(shù)效應的區(qū)分方面都是相合的,以及非零參數(shù)估計具有Oracle性質(zhì),同時數(shù)值模擬和實例分析驗證了所提方法的穩(wěn)健性與有效性。注意到第二章所考慮的變系數(shù)模型不能處理離散響應變量。因此,本文第三章研究了更靈活的廣義變系數(shù)部分線性模型,該模型不僅能夠處理非高斯數(shù)據(jù)而且還能處理非線性的連接函數(shù)。在廣義變系數(shù)部分線性模型的框架下,我們利用指數(shù)得分函數(shù)和權函數(shù)構造了穩(wěn)健的估計方程。新估計不僅能夠同時克服響應變量和協(xié)變量中異常值的影響而且還具有很好的有效性通過選擇合適的調(diào)節(jié)參數(shù)。進一步,我們基于Ueki(2009)提出的光滑閾估計方程構造了關于參數(shù)部分的穩(wěn)健變量選擇程序。在適當?shù)臈l件下,證明了所提估計具有Oracle性質(zhì)。另外,基于Newton-Raphson的思想,我們給出了求解穩(wěn)健估計方程數(shù)值解的迭代算法,同時還討論了在實際問題中如何選擇估計方程中所涉及的一系列調(diào)節(jié)參數(shù)。數(shù)值模擬和實例分析進一步驗證了所提方法的優(yōu)越性。第二部分研究了部分線性可加模型的穩(wěn)健估計與變量選擇。本文第四章利用B樣條基函數(shù)近似、雙重SCAD懲罰函數(shù)和眾數(shù)回歸對部分線性可加模型構造了穩(wěn)健的變量選擇方法。在合適的條件下,該變量選擇方法在選擇重要的參數(shù)和非參數(shù)分量方面都是相合的,并且得到的非參數(shù)估計達到最佳收斂率以及非零參數(shù)估計具有Oracle性質(zhì)。同時,我們利用EM算法和局部二次近似給出了求解懲罰估計的實施步驟。數(shù)值模擬和實例分析均表明所構造的估計量是穩(wěn)健的且與存在的估計方法相比具有很大的優(yōu)越性。本文第五章研究了具有縱向數(shù)據(jù)結(jié)構的部分線性可加模型。在分位數(shù)回歸的框架下,我們構造了新的估計函數(shù)基于工作相關矩陣。該方法的最大優(yōu)點在于它不僅可以處理縱向數(shù)據(jù)的組內(nèi)相關性而且還具有穩(wěn)健性。為了克服估計函數(shù)非凸、不連續(xù)以及不可微等問題,我們運用Brown和Wang(2005)所提的感應光滑方法獲得所提估計方程的數(shù)值解。此外,我們構造了一種穩(wěn)健的光滑閾廣義估計方程來處理變量選擇問題。在合適的條件下,證明了所提估計具有Oracle性質(zhì)。數(shù)值模擬和實例分析進一步驗證了所提方法的優(yōu)良性質(zhì)。第三部分是關于變指標系數(shù)模型的穩(wěn)健估計問題的研究。變指標系數(shù)模型是一類非常靈活的半?yún)?shù)模型,它包括了許多常見的半?yún)?shù)模型,比如變系數(shù)模型、變系數(shù)部分線性模型、可加模型、部分線性可加模型等。在第六章中,我們運用B樣條基函數(shù)和眾數(shù)回歸對變指標系數(shù)模型構造了新的穩(wěn)健估計程序。因此,本章的研究可以看成是第四章的拓廣。在理論上,我們證明了所提估計的大樣本性質(zhì),包括估計的相合性與漸近正態(tài)性。同時,我們結(jié)合EM算法和Fisher’s score方法給出了求解估計的實施步驟。數(shù)值模擬和實例分析表明所提估計表現(xiàn)得很好。
【學位單位】：重慶大學
【學位級別】：博士
【學位年份】：2015
【中圖分類】：O212.1
【文章目錄】：
中文摘要
英文摘要
主要符號對照表
1 緒論
    1.1 變系數(shù)模型
    1.2 部分線性可加模型
    1.3 變指標系數(shù)模型
    1.4 本文的主要工作
2 變系數(shù)模型基于秩回歸的穩(wěn)健變量選擇與參數(shù)元素識別
    2.1 引言
    2.2 穩(wěn)健的變量選擇和參數(shù)元素識別
        2.2.1 估計方法
        2.2.2 漸近理論
    2.3 算法與調(diào)節(jié)參數(shù)的選擇
    2.4 數(shù)值模擬
    2.5 實例分析
    2.6 本章小結(jié)
    2.7 主要結(jié)果的條件和證明
3 廣義變系數(shù)部分線性模型中的穩(wěn)健光滑閾估計方程
    3.1 引言
    3.2 估計方法與理論性質(zhì)
        3.2.1 穩(wěn)健的估計方程
        3.2.2 漸近理論
    3.3 穩(wěn)健的光滑閾估計方程與Oracle性質(zhì)
    3.4 算法與調(diào)節(jié)參數(shù)的選擇
    3.5 數(shù)值模擬
    3.6 實例分析
    3.7 本章小結(jié)
    3.8 主要結(jié)果的條件和證明
4 部分線性可加模型基于眾數(shù)回歸的穩(wěn)健變量選擇
    4.1 引言
    4.2 穩(wěn)健的眾數(shù)估計及其理論性質(zhì)
        4.2.1 估計方法
        4.2.2 理論性質(zhì)
    4.3 漸近窗寬與相對效率
        4.3.1 漸近窗寬
        4.3.2 漸近相對效率
    4.4 部分線性可加模型中的變量選擇問題
    4.5 調(diào)節(jié)參數(shù)的選擇與估計算法
        4.5.1 調(diào)節(jié)參數(shù)的選擇
        4.5.2 算法
    4.6 數(shù)值模擬
    4.7 實例分析
    4.8 本章小結(jié)
    4.9 主要結(jié)果的條件和證明
5 縱向數(shù)據(jù)下部分線性可加模型的穩(wěn)健變量選擇
    5.1 引言
    5.2 分位數(shù)回歸模型與理論性質(zhì)
        5.2.1 樣條近似與估計
        5.2.2 參數(shù)與協(xié)方差矩陣的估計
        5.2.3 漸近理論
    5.3 光滑閾廣義估計方程和Oracle性質(zhì)
        5.3.1 變量選擇過程
        5.3.2 調(diào)節(jié)參數(shù)的選取
    5.4 數(shù)值模擬
    5.5 實例分析
    5.6 本章小結(jié)
    5.7 主要結(jié)果的條件和證明
6 變指標系數(shù)模型基于眾數(shù)回歸的穩(wěn)健估計
    6.1 引言
    6.2 剖面樣條眾數(shù)估計
        6.2.1 估計程序
        6.2.2 漸近性質(zhì)
    6.3 兩步估計方法及其Oracle性質(zhì)
    6.4 漸近窗寬
        6.4.1 PSME的漸近窗寬
        6.4.2 SBLLM估計的漸近窗寬
    6.5 估計算法
        6.5.1 關于PSME的估計算法
        6.5.2 關于LLM和SBLLM的估計算法
    6.6 數(shù)值模擬
    6.7 實例分析
    6.8 本章小結(jié)
    6.9 主要結(jié)果的條件和證明
7 總結(jié)
致謝
參考文獻
附錄
    A. 作者在攻讀博士期間的研究成果及發(fā)表的論文

【相似文獻】

相關期刊論文 前10條

1 楊麗霞;魏立力;;基于粗糙集方法的有序尺度變量選擇[J];寧夏大學學報(自然科學版);2009年02期

2 趙宇;黃思明;;帶有變量選擇過程的分類模型誤差分析[J];數(shù)學的實踐與認識;2010年17期

3 樊亞莉;徐群芳;;穩(wěn)健的變量選擇方法及其應用[J];上海理工大學學報;2013年03期

4 陶靖軒;多元分析中的變量選擇問題研究[J];中國計量學院學報;2001年01期

5 李樹軍,紀宏金;對應聚類分析與變量選擇[J];地球物理學進展;2005年03期

6 陳黎明;趙永紅;;轉(zhuǎn)換函數(shù)未知時轉(zhuǎn)換模型的變量選擇[J];四川大學學報(自然科學版);2011年05期

7 劉民千,張潤楚;超飽和設計的變量選擇[J];南開大學學報(自然科學版);2000年03期

8 王進;;聚類分析中的距離與變量選擇[J];山西財經(jīng)大學學報;2007年S1期

9 張波;方國斌;;高維面板數(shù)據(jù)降維與變量選擇方法研究[J];統(tǒng)計與信息論壇;2012年06期

10 高仁祥,張世英,劉豹;基于神經(jīng)網(wǎng)絡的變量選擇方法[J];系統(tǒng)工程學報;1998年02期

相關博士學位論文 前10條

1 呂晶;幾類半?yún)?shù)回歸模型的穩(wěn)健估計與變量選擇[D];重慶大學;2015年

2 王大榮;分散度量模型中的變量選擇[D];北京工業(yè)大學;2009年

3 王明秋;高維數(shù)據(jù)下若干回歸模型的變量選擇問題研究[D];大連理工大學;2012年

4 劉吉彩;生存數(shù)據(jù)統(tǒng)計模型的變量選擇方法[D];華東師范大學;2014年

5 樊亞莉;穩(wěn)健變量選擇方法的若干問題研究[D];復旦大學;2013年

6 唐凱臨;變量選擇和變換的新方法研究[D];同濟大學;2008年

7 董瑩;高維共線性統(tǒng)計模型的參數(shù)估計與變量選擇[D];大連理工大學;2014年

8 葉飛;相對誤差準則下的估計理論和變量選擇方法的研究[D];清華大學;2013年

9 袁晶;貝葉斯方法在變量選擇問題中的應用[D];山東大學;2013年

10 王樹云;基于Bayes方法和圖限制下正規(guī)化方法的變量選擇問題及其在基因組數(shù)據(jù)中的應用[D];山東大學;2010年

相關碩士學位論文 前10條

1 趙冬琦;基于變量選擇的股指期貨對股票市場影響的實證研究[D];蘭州大學;2015年

2 程勇;多水平模型的變量選擇在農(nóng)戶人均收入數(shù)據(jù)中的應用[D];云南財經(jīng)大學;2015年

3 鄧秋玲;SCAD和ADS方法在比例風險模型中的應用[D];廣西大學;2015年

4 韋新星;幾種變量選擇方法在Cox模型中的應用[D];廣西大學;2015年

5 王唯;部分線性模型的變量選擇問題研究[D];湘潭大學;2015年

6 徐國盛;若干模型的分位數(shù)變量選擇[D];浙江財經(jīng)大學;2016年

7 郭雪梅;部分線性模型中差分估計與SCAD的比較及帶有異常點的非負變量選擇[D];重慶大學;2015年

8 王艷;復共線性及異方差線性模型中的參數(shù)估計與變量選擇[D];重慶大學;2015年

9 楊成敏;廣義線性模型中的參數(shù)估計及變量選擇方法研究[D];重慶大學;2015年

10 鐘冬梅;線性模型中的變量選擇及股票市場實證研究[D];重慶大學;2015年

本文編號：2860585