删失分位数回归模型基于扩展兴趣信息准则的平均估计-science.pdfVIP

中国科学: 数学 2014 年 第44 卷 第8 期: 857 874 删失分位数回归模型基于扩展兴趣信息准则的 平均估计 孙志猛 中央财经大学统计学院, 北京 100081 E-mail: sunzhimeng99@126.com 收稿日期: 2013-07-19; 接受日期: 2014-03-18 国家自然科学基金 (批准号: 和、2014 中央财经大学重大科研课题培育项目 (基础理论类)、国家科技支 撑计划课题 (批准号: 2013BAH16F02)、中央财经大学第二批青年科研创新团队、教育部人文社会科学研究青年基金 (批准号: 10YJC790220)、2012 全国统计科学研究 (计划) (批准号: 2012LY138)、中央财经大学学科建设经费和2012 年北京市社科联青年 社科人才资助项目 摘要 本文结合分位数回归技术, 基于删失回归模型, 把Claeskens 和Hjort 的传统兴趣信息准侧(fo- cused information criterion, FIC) 扩展到兴趣向量的情形, 提出扩展的兴趣信息准则(extended focused information criterion, E-FIC), 有效解决了同时针对多个兴趣参数的平均估计问题, 并且对删失响应变 量的不同水平分位数进行建模, 以全面反映响应变量分布特征, 有效克服异常值和厚尾模型误差的影 响. 基于扩展的兴趣信息准则给出参数的平均估计方法, 证明估计的渐近性质. 通过Monte Carlo 随 机模拟试验比较所提估计方法和最小二乘方法在有限样本量下的表现, 用所提方法对原发性胆汁性肝 硬化数据集进行数据分析. 关键词 兴趣信息准则 随机右删失 模型选择 分位数回归 模型平均 主题分类 62N01, 62G05 引言 模型选择是统计建模的关键环节, 其致力于借由某种准侧选择最 “优” 模型. 近年来, 模型选择问 题是国际统计学研究热点课题之一, 其研究成果已数以千计, 涌现了许多著名的模型选择准则, 其中 一类是以AIC (Akaike information criterion) 和BIC (Bayesian information citerion) 为代表的经 典准则, 这类准则自 20 世纪中后期得到了广泛关注, 直到今天仍然在许多领域有着重要应用. 这类 方法也有一些不足之处 如其对分布的假定比较敏感等 另外一类是 准则 、 , ; Cp Lasso (least absolute shrinkage and selection operator) 准则 和SCAD (smoothly clipped absolute deviation) 准则 等, 该 类准则一般是对均值假定一个结构, 针对这个结构构造一个拟合优度, 并制定一个与模型包含解释变 量的个数相联系的惩罚量以衡量模型复杂程度, 在模型拟合与模型的复杂程度之间取得平衡, 其中一 些准则需要选择光滑参数. 与第一类方法相比, 该类方法放宽了对模型分布的假定, 然而, 该类方法进 行模型选择的 “ 目的” 不是特别明确, 在统计解释的自然性上有所欠缺, 并且对参数估计的误差考虑较 少. 除此之外, 这些模型选择准则基本是用选出的某一个 “好” 的模型去解释数据信息的各个方面, 例 英文引用格式 孙志猛: 删失分位数回归模型基于扩展兴趣信息准则的平均估计 如, 用来估计不同的兴趣参数. 然而, Claeskens 和 Hjort 实例分析表明, 不同的兴趣参数对应着不 同的“好” 的模型, 用单一模型去估计不同参数不是最优的策略. 鉴于此, Claeskens 和Hjort 提出了 一个新的模型选择准则, 即FIC 准则. FIC 准