响应变量删失情况下线性模型的FIC模型选择和模型平均.pdf

孙志猛等：响应变量删失情况下线性模型的FIC模型选择和模型平均 给出了比例风险模型的FIC模型选择方法；Zhang和 Liang[9]给出了广义可加部分线性模型的 FIC 模型选择方法；Du等人[101提出了基于分位数回归的FIC模型选择．这些模型选择方法在一定的条件 下解决了引入哪些解释变量才能使所选模型相对较 优“”的问题．然而，越来越多的研究成果表明，这 些方法也有着本身固有的不足．Yuan和 Yang[11]指出了这种模型选择方法的稳健性不够理想，数据 较小的波动，往往有可能导致不同的模型选择结果；Leeb和PStscher[12．13]指出了模型选择方法会忽 略模型选择阶段存在的随机性，从而可能给统计推断带来严重后果，例如得到的置信水平为95％的置 信区间的实际置信度可能仅为 75％，甚至更低，又或者一定检验水平的检验方法的实际水平可能会更 高等；Leung和 Barron[14】指出了模型选择方法无法避免选到 差“的模型”的风险．为了克服这些不 足，一种有效方法是对不同模型下的估计量进行加权平均．这种方法称作模型平均法．由于考虑 了不 同模型下的数据信息，模型平均方法可以防止模型选择的不确定性，避免选择单一模型潜在的风险，减 小估计的均方误差，提高覆盖概率 (参见文献 f14，151)，稳健性也更强．对模型平均方法的研究最早可 追溯到Bates和 Granger[16]．近年来，模型平均方法成为统计学国际前沿课题，涌现了大量的研究成 果．其 中一个重要的分支是频率模型平均方法，如 Buckland等人 [17]基于 AIC准则和 BIC准则讨论 了模型平均权重的光滑 AIC和光滑 BIC方法；Hansen[18]基于Mallows准则讨论了模型平均估计的 权重选择方法；njort和Claeskens[19]提出了模型平均的光滑FIC方法；Liang等人 提出了模型平 均的最优 (optima1)权重选择方法；Deng和 Liang[21】研究了半参数可加部分线性模型的模型平均方 法；Zhang和 Liang9[]研究了广义可加部分线性模型的模型平均，并给出了模型平均估计的渐近正态 性；Du等人 [1Ol把分位数回归和模型平均技术结合起来，给出了基于分位数 回归的模型平均方法，有 效地解决了随机误差分布是厚尾的情况；Sun[22]考虑了因子线性模型的光滑 FIC模型平均估计．这 些研究成果，对回归建模理论作出了重要推进．然而，这些研究基本是对独立同分布样本进行的，而对 于现代统计实践中经常出现的删失数据，还不能有效解决．鉴于删失数据在现代统计实践，尤其是临 床医学和保险领域的广泛存在性，在这些工作的基础上，对删失数据的模型平均方法的研究就显得尤 为迫切．另一方面，删失数据本身结构的复杂性使得其理论研究也具有较大难度．这是因为对于删失数 据而言，由于删失变量的存在会带来数据的不平衡性，一般需要在参数的估计方程中调整删失变量带 来的偏差，然而这一调整往往会使估计方程不再是独立随机变量的和，从而给参数估计渐近正态性的 证明带来较大难度．目前，对于响应变量被随机删失情况下的回归模型的模型平均估计的研究还非常 少见，本文拟对这一问题进行探索． 删失数据是现代统计实践中常见的复杂数据类型．近年来，对删失数据统计分析方法的研究是一 个国际热点课题．Buckley2[3]，Koul等人 [24]和 Leurgans[25]通过构造不同的无偏变换变量，研究了删 失数据下线性模型的估计问题：Wang和 Li2[6】用经验似然方法研究了随机右删失数据下部分线性模 型的统计推断理论：Stute[27，2s]提出并证明了响应变量删失情况下线性模型的加权最d,-乘估计的相 合性和渐近正态性；Li和 Wang[29]考虑了删失变量随机缺失情况下的线性模型的加权最小二乘估计； Bang和Tsiatis 研究了删失数据下线性模型的加权中位数回归；Peng和 Huang3[1]研究了删失数 据的加权分位数回归问题；Shows等人I3。]研究了删失分位数回归的模型选择问题；Sun等人 3【3]考虑 了响应变量删失和协变量带有测量误差情况下部分线性单调回归模型的估计．这些研究成果丰富了删 失数据的理论研究体系．然而，这些成果往往是在固定模型或模型选择的框架下进行的，而对于模型 平均问题的研究还没有看到．而删失数据结构的复杂性也使得对于这一问题的研究具有一定难度．本 文对这一问题进行研究，给出删失线性模型的FIC模型选择方法和基于FIC的模型平均方法． 本文剩余的部分组织结构如下：第2节给出每个子模型下参数的估计及其渐近性质；第 3节