部分线性单指标模型的复合分位数回归及变量选择.pdfVIP

吕亚召等：部分线性单指标模型的复合分位数回归及变量选择 素为正，即0】0，其中 lI．II表示 Euclid范数．为方便起见，我们称0为指标参数，g(．)为指标函数， 为线性参数． 作为部分线性模型和著名的降维方法的单指标模型的组合，部分线性单指标模型可以有效地避免 “维数灾难”的影响，同时又保持了模型的灵活性．源于此，部分线性单指标模型激发了很多学者的研 究兴趣，很多估计和推断方法相继提出．文献 3『1基于局部线性方法提出了一步估计和全迭代 的方法． 文献 f4]指出文献 3【】所提方法不够稳定，而且为得出参数的可达最优收敛速度的估计，对指标函数的 欠“光滑”是无法避免的．为了克服这个困难，文献 4『]基于惩罚样条提出了一个估计方法．之后，文 献 5『]推广 了文献 6【]关于单指标模型的MAVE方法到部分线性单指标模型，基于构造性的方法得到 了参数的可达 、／收敛速度的估计．文献 [7]采用剖面似然的方法重新考虑 了部分线性单指标模型，指 出剖面似然方法是半参数意义下最有效的估计，同时指出MAVE方法所得估计量的方差也达到了最 小值．近年来，文献 8『1从降维角度提出了关于部分线性模型的两步估计方法，有效地避免了迭代计算， 提高了计算效率． 上述关于部分线性单指标模型的估计方法都是集 中于均值回归，基于最小二乘法或似然方法．但 是均值回归容易受到异常点的影响，特别地，当误差服从非正态分布时，其估计效率大打折扣．为克服 均值回归的这一弱点，文献 9『]提出了分位数回归．如今分位数 回归作为均值回归分析的稳健替代被 广泛地用于探索响应变量与协变量之间的潜在关系．在实际应用中，分位数回归可以刻画响应变量更 多的分布特征，引起了统计学者的广泛关注，采用分位数回归进行统计推断的理论研究成果层出不穷， 可参见文献 1『0]以获得更深入的了解． 文献 1『1]指出，分位数回归估计的效率容易受到分位数特定取值的影响，为了进一步提高估计效 率，文献 1『11提出了CQR，综合了多处分位数回归的信息，提高了模型估计效率．文献 [12】将 CQR 理论推广到非参数回归中，提出了局部多项式复合分位数回归 f局部 CQR)用于估计非参数回归函数． 局部多项式 CQR方法被证实是非参数估计中局部多项式方法的一种安全且有效的替代方法．此外， 在模型误差服从非正态分布时，CQR和局部 CQR方法 已经被证实可以显著地提高估计效率．受到关 于局部 CQR估计的优 良性质的启发，文献 f13]将局部 CQR推广到了半参数变系数部分线性模型． 单指标模型和部分线性单指标模型是另一类重要的半参数模型，已经有文献关注单指标模型的分 位数回归和复合分位数回归．文献 1『4]提出了一个最小化平均分位数损失的算法，用于实现单指标模 型分位数回归．文献 1『51将这种算法推广到单指标模型的复合分位数回归．最近，文献 1【6]又提出 了一个新的两步估计方法，可 以在 线“性条件”满足的条件下实现单指标模型的复合分位数回归．文 献 1【7]考虑了单指标模型的复合分位数回归，并结合 SCAD (smoothlyclippedabsolutedeviation)方 法 [1引实现了其中的变量选择 问题．尽管关于单指标模型的分位数回归己有较多的研究成果，关于部 分线性单指标模型的分位数回归的研究MU~IJ起步，文献 1『91考虑 了PLSIM 的分位数回归和其中的变 量选择 问题，关于 PLSIM 的复合分位数回归仍未见有文献研究． 在实际数据分析中采用 PLSIM 建模时，常常遇到的问题是有不少的无关变量包含在 x或 z之 中，此时，如何挑选显著变量构建模型成为实施PLSIM 建模时亟待解决的问题．均值回归下部分线性 单指标模型的变量选择问题 已经有部分学者进行了讨论，如文献 f71结合 SCAD惩罚方法和剖面似然 方法实现了变量选择，文献 2『0]利用 自适应 LASSO提出了两步方法，实现变量选择．尽管有文献研究 了均值 回归意义下PLSIM 的变量选择问题，复合分位数回归框架下部分线性单指标模型的变量选择 问题仍亟待解决． 本文提出CMACLE方法实现了部分线性单指标模型的复合分位数回归．首先，本文基于高维核 函数构造 0和 的相合估计作为初始估计，进一步地，采用一维的指标核函数提高估计效率，从而得 1300 中国科学：数学 第 44卷 第 12期 到了参数 0和 的可达 收敛速度的估计，与此同时，所得9f．)