2006年部分线性EV回归模型的极大经验似然估计的渐近性质
需积分: 10 106 浏览量
更新于2024-08-12
收藏 284KB PDF 举报
本文档主要探讨了"部分线性Errors-in-Variables (EV)回归模型"中的极大经验似然估计问题。作者李高荣、薛留根和冯三营在2006年的《北京工业大学学报》上发表的研究论文,针对带有协变量误差的线性回归模型,采用经验似然方法进行参数估计。
论文的核心内容集中在以下几个方面:
1. 模型介绍:模型假设包含可观测随机向量(Ti)和不可观测随机向量(Xi),其中Ti的取值范围被限定在[0,1]。模型误差êi独立且期望为零,而测量误差u_i具有独立同分布特性,与观测变量和协变量相互独立,且其协方差阵具有特定形式。
2. 理论贡献:论文证明了在特定条件下,通过经验似然方法得到的未知参数的极大经验似然估计具有渐近正态性,这意味着随着样本量增加,这些估计的分布会趋向于正态分布。这在统计推断中是非常重要的性质,因为它提供了参数估计的稳定性和准确性。
3. 非参数估计的优化:作者还进一步得到了非参数估计的最优收敛速度,即p(n-1/3),这意味着在样本容量增大时,非参数估计的精度会按照这个速率提高,这是一个关于估计效率的重要结果。
4. 经验似然方法的应用:经验似然方法由Owen首次提出,后来被Qin等人推广到半参数模型中,证实了其有效性。本文将这一方法应用于部分线性EV模型,表明其在处理此类复杂模型估计中的适用性和优势。
5. 相关研究回顾:论文提及了近年来对部分线性EV模型的其他研究进展,包括对特定分布误差、随机设计、非参数协变量误差、缺失数据和重复观测等情况下的估计及其性质。
这篇论文在部分线性EV回归模型的估计理论方面做出了重要贡献,尤其是在参数估计的渐近性质和非参数估计的收敛速度方面,为该领域的理论发展和实际应用提供了新的洞察。
2022-06-26 上传
点击了解资源详情
2023-09-18 上传
518 浏览量
点击了解资源详情
点击了解资源详情
点击了解资源详情
点击了解资源详情
点击了解资源详情
weixin_38621427
- 粉丝: 10
- 资源: 941
最新资源
- Fisher Iris Setosa数据的主成分分析及可视化- Matlab实现
- 深入理解JavaScript类与面向对象编程
- Argspect-0.0.1版本Python包发布与使用说明
- OpenNetAdmin v09.07.15 PHP项目源码下载
- 掌握Node.js: 构建高性能Web服务器与应用程序
- Matlab矢量绘图工具:polarG函数使用详解
- 实现Vue.js中PDF文件的签名显示功能
- 开源项目PSPSolver:资源约束调度问题求解器库
- 探索vwru系统:大众的虚拟现实招聘平台
- 深入理解cJSON:案例与源文件解析
- 多边形扩展算法在MATLAB中的应用与实现
- 用React类组件创建迷你待办事项列表指南
- Python库setuptools-58.5.3助力高效开发
- fmfiles工具:在MATLAB中查找丢失文件并列出错误
- 老枪二级域名系统PHP源码简易版发布
- 探索DOSGUI开源库:C/C++图形界面开发新篇章