空间半参数变系数部分线性回归中的分位数估计.pdfVIP

中国科学: 数学 2013 年 第43 卷 第9 期: 899 912 空间半参数变系数部分线性回归中的分位数估计 唐庆国 南京理工大学经济管理学院, 南京 210094 E-mail: tangqguo@163.com 收稿日期: 2012-07-11; 接受日期: 2013-02-22 国家自然科学基金(批准号: 资助项目 摘要 本文研究了空间数据变系数部分线性回归中的分位数估计. 模型中的参数估计量通过未知系数 函数的分段多项式逼近得到, 而未知系数函数的估计量通过将参数估计量代入模型中并通过局部线性 逼近得到. 文中推导了未知参数向量估计量的渐近分布, 并建立了未知系数函数估计量在内点及边界 点的渐近分布. 通过Monte Carlo 模拟研究了估计量的有限样本性质. 关键词 空间数据 变系数部分线性模型 分位数 渐近分布 主题分类 62G05, 62G08 1 引言 最近20 年来, 空间统计已越来越受到人们的重视. 与地球表面位置相关的空间数据频繁出现在包 括经济学、传染病学、环境科学、影像分析和海洋学等众多研究领域. 通常我们收集到的数据呈不规 则分布, 但随着计算机技术的快速发展和广泛应用, 在密集的规则格点上测量和收集数据变得越来越 普遍. 许多学者研究过空间模型的参数估计方法, 如文献 [1,2]. 然而, 人们常常会碰到特定的参数模型 不能较好地拟合数据的情形. 这样一来, 非参数方法作为参数方法的替代日益受到人们的重视, 相关 空间数据密度函数估计法和回归模型估计法详见文献 [3–10]. 假定有在格点上的空间数据{(Yij , Xij , Zij , Uij ) : 1 i m; 1 j n}, 这里Yij 和Uij 取值于R, Xij 取值于 Rd , Zij 取值于 Rd , 它们定义于某个概率空间 (Ω, F , P ) 上. 应用中经常会碰到空间回归问 题, 相依变量 Yij 与自变量 Uij , Xij 与 Zij 之间存在着复杂的空间相依关系. 对这类问题通常的做法 是假定Yij 的条件期望存在, 以便定义条件期望函数η (x, z, u) = E (Yij | Xij = x, Zij = z, Uij = u) 并 对其做相关的统计推断. 正如许多文献中所提到的, 当d1 + d2 + 1 3 时, 由于“维数祸根”, 空间回归 函数不能较好地估计. 本文考虑空间分位数回归函数, 并且试图用如下形式的变系数部分线性函数 Ψ(Xij , Zij , Uij ) = X T ατ (Uij ) + ZTβτ (1.1) ij ij 来逼近空间分位数回归函数, 即在以上变系数部分线性函数集 {Ψ(Xij , Zij , Uij )} 中选择一函数使 Eρτ (Yij − Ψ(Xij , Zij , Uij )) 达到最小, 此处, ρτ (t) = t(τ − I(t0) ), 0 τ 1 为 τ 分位数损失函数, βτ = (βτ 1 , . . . , βτd )T 是一个d2 维未知参数向量, 而ατ (u) = (ατ 1 (u), . . . , ατd (u))T 是d1 维未知系数 函数向量. 英文引用格式 Tang Q G. Quantile estimation for spatial semiparametric varying coefficient partially linear regression (in Chi- nese). Sci Sin Math, 2013, 43: 899–912, doi: 10.1360/012013-169 唐庆国: 空间半参数变系数部分线性回归中的分位数估计 迄今为此, 已有不少人研究过变系数部分线性模型并已开发出不少新的理论成果, 如文献 [11–14], 文献 [13] 研究了纵向数据变系数部分线性模型的分位数估计. 同均值回归相比, 分位数回归具有以下 几方面的优势: 第一, 给定一列分位数并对其中的每一个做分位数回归能让我们对数据比单纯做均值 回归有更多的认识和理解; 第二, 分位数拟合