广义单指标模型中指标向量的岭型预计.pdfVIP

中文摘要 摘 要 本文主要研究在协变量复共线性和维数发散下，广义单指标模型中指标向量的方向 估计问题以及方向估计的大样本性质，同时简单讨论了指标向量的变量选择问题． 在线性模型下，最小二乘估计是估计参数向量的最为常用的方法．但是，许多应用实 践表明，当设计矩阵降秩，或者协变量之间存在复共线关系时，最小二乘估计的性质不够 理想，有时甚至很坏．为此，文献中出现了岭回归估计．在均方误差意义下，通过适当地平 衡估计的偏差和方差，岭回归估计能够改进最小二乘估计． 对于复杂高维数据问题，线性模型至多只能作为”真实”模型的一种近似，而检验某 个参数模型的合理与否是非常之困难的．为了减少建模偏差，同时避免”统计维数祸根 问题，本文从广义单指标模型出发，考查了指标向量的方向估计和变量选择问题．首先， 通过借鉴充分性降维技术以及岭回归估计的思想，在广义单指标模型连接函数结构未知 的情况下，我们提出了指标向量的岭型方向估计，同时解决了协变量复共线性以及高维 数问题．在一定的条件下，我们讨论了岭型方向估计的大样本性质，包括强相合性和渐近 正态性．与经典方法