删失分位数回归模型基于扩展兴趣信息准则平均估计.pdfVIP

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[0]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[6]提出了 一 个新的模型选择准则，即FIC准则．FIC准则的 目的是挑选出使对应兴趣参数估计的均方误差达到 最小的模型，并且对不同的兴趣参数鼓励挑选不同的最 优“”模型．近年来，FIC准则得到广泛关注和 应用，例如，文献 7『-91等分别针对不同的模型给出了基于 FIC准则的模型选择方法．遗憾的是，FIC 准则的设计仅针对单个兴趣参数，研究者在应用FIC准则时 一次模型选择仅能对一个兴趣参数进行 然而，在许多应用科学的领域，研究者往往需要在一次模型选择时同时关注多个兴趣参数即一个参数 向量．例如，在回归模型中，经常需要用不同幂级数的多项式 组“合”衡量某个解释变量对被解释变量 的非线性影响，该组多项式是一个整体，为了衡量其对解释变量的非线性影响，其对应的所有 回归参数 应该被同时考虑：又或者研究者经常需要用多个虚拟变量对某个解释 因素进行分组 因此，需要考虑 这几个虚拟解释变量作为一个 “组”的行为，同组的解释变量要么同时进入模型，要么都不进入模型． 在这些情形下，对参数逐个考虑的传统 FIC准则不再有效．因此，研究针对 向量的FIC准则具有重要 的理论价值和实际意义． 模型选择方法在一定程度上解决了如何选择较 优“”模型的问题．然而，越来越多的研究成果表 明，模型选择方法也存在忽略模型选择阶段存在的随机性，导致低估估计的方差，可能遗失其他模型或 其他变量包含的信息，且无法避免选到 差“的模型”的风险等不足之处．而基于模型选择的平均估计 方法是一个有效的补充．与模型选择方法相 比，模型平均方法不依赖选 出的单个模型，因此不会忽略 选择阶段的不确定性；通过选取 0和 1作为权重把模型选择包含为特殊情形，且可把 0和 1权重替换 为连续权重，因此更稳健；组合多个模型而不轻易排除任何模型，减少有用信息的遗失，且避免了选到 很差模型的风险：部分模型平均方法的构造直接 以降低估计或预测的风险为 目标，避免 目标偏离 1【()】． 目前，模型平均问题是统计学国际前沿课题，己经得到了一些行之有效的理论研究成果，其基本思想 是基于不同的选择准则，如 AIC、BIC、FIC和 准则，对所有或部分潜在模型进行加权平均，参见 文献 f7，11—161等．由于 FIC准则 以降低特定兴趣参数估计的风险为 目标 因此 光滑 FIC平均估计 方法比其他光滑平均方法具有更高的效率，并且在模型信噪比比较小时，该优势更为明显．近年来，光 滑 FIC平均估计方法受到广泛关注和讨论，如文献 f8，16201等．这些研究成果从均值建模的角度对 模型平均估计理论体系的建立做 了重要推进． 目前，模型平均估计方法的研究已有不少成果，但总的来说，该领域研究仍然处于初步阶段 还有 一 些难题亟待解决，其中突出的一个是文献 中模型平均方法基本建立在似然或最小二乘方法之上，而 似然和最小二乘方法对异常值是非常敏感的，且对厚尾模型误差效果较差．并且 在不同的分位数水 平上，协变量对响应变量的影响作用不同，因此，实际数据分析 中，不仅需要考虑协变量对响应变量中 心的影响，还应考虑对其他分位数的影响，以全面描述响应变量的分布特征．另外 目前对于模型平均 方法的研究基本是对简单随机样本进行的，其方法对删失数据等复杂数据类型不再有效，原因是删失 变量的存在导致数据出现不平衡性，破坏了估计方程的无偏性．因此，研究针对删失数据本身结构的 模型平均方法就显得尤为重要和迫切．目前对该问题讨论的文献还很少见．相对于简单随机样本，删失 数据的复杂性大大增加，如何基于删失数据本身的结构提取有效信息，构造模型平均估计本身是一个 极具挑战性 的问题． 本文拟结合分位数回归技术尝试解决上述问题．分位数回归方法对响应变量的条件分位数进行建 模，可以系统地反应协变量如何影响整体分布的位置、范围和形状．与传统的最小二乘对于响应变量 的条件均值进行建模的方法相比，分位数回归对异常值的敏感性较弱，因此可以给出更为稳健的估计 量．另外，分位数 回归并不对模型误差分布形式作出参数形式的假定，故能更好地处理非正态的模型 858 中国科学 ：数学 第 44卷 第 8期 误差．目前对于分位数 回归的研究成果己非常丰