对独立及相依数据的非参和半参模型的半参调整金融数学与金融工程专业论文.docxVIP

对独立及相依数据的非参和半参模型的半参调整王凯平 对独立及相依数据的非参和半参模型的半参调整 王凯平 (山东大学数学与系统科学学院，济南，250100) 摘要 传统来讲，统计分析中的函数估计有两种方法，其一是参数方法，另一种是非参 数方法． 非参数方法具有吸引人的灵活性，然而，在多变量情况下，由于维数问题的影响， 其估计的函数不能达到合理的准确度．为避免维数问题的影响，人们开始越来越多的 关注半参数方法，例如可加模型，部分线性模型等等． 在第1章中，我们简单介绍了一些基本的非参数和半参数模型。 对于非参数模型，最具代表性的就是核平滑，包括核密度估计与核回归估计。核 回归估计又包括Nadaraya-Watson估计，GasseroMiiller估计和局部多项式估计． 对于半参数模型，我们介绍几种典型的形式，包括可加模型、部分线性模型、广义 可加模型、广义部分线性模型以及广义部分线性可加模型． 一元随机变量的概率密度函数(简称为密度)的估计是统计学中的一个基本问题。 令蜀， ，．k为一列独立同分布的一元随机变量，其密度为，．我们可以通过参数方 法(如最大似然估计)或非参数方法(如核密度估计)来估计，． 非参数模型具有很好的灵活性，然而，参数模型也有自己的优势，如，其结构容易 被理解和接受．为结合这两种方法的优点，人们提出了一种半参数乘积调整方法(Hiort， ＆Glad，1995，H．jort＆Jones，1996，Naito，2004)．该方法首先使用一个参数密度估 计g(x，臼)，将它作为真实密度f(z)的一个粗略的近似，这个参数估计再乘以一个调 整因子f=∈(z)，该调整因子可以按照某些调整准则通过非参数方法来确定。H．)ort ＆Glad(1995)，H．jort＆Jones(1996)以及Naito(2004)提出了几种不同的确定调 整因子的准则。H．jort＆G1ad(1995)的准则是基于对∈的一种简单估计；H．iort＆ Jones(1996)给出了两种调整准则：局部似然准则和局部L2拟合准则；Naito(2004) 提出了一种带有指数＆的局部L2拟合准则，该准则是最为一般的情况，其它几个准 则都是其特例．理论比较表明，在非常大的一类密度中，该半参数密度估计要优于传 统的核密度估计． 然而，以上所讨论的方法都是基于独立同分布的观测。该方法对相依数据的统计 性质迄今为止还没有得到研究．而无论是在理论分析还是实际应用中，都需要对非线 山东大学博士学位论文 山东大学博士学位论文 性时间序列建模、估计时间趋势、建立预测区间等等对于非线性时间序列的处理，这 促使我们考虑该方法是否适用于相依数据的情况． 在第2章中，我们将这种半参数调整方法推广到时间序列的情况，给出了估计的 渐近性质并做了有限样本模拟。我们发现，当观测数据满足一定的混合条件时，所得 结果与独立样本时非常相似：偏差没有受到相依性的影响，而渐近方差(方差的主要 部分)与独立情况下相同．然而，渐近方差的结果主要依赖于Xt之间的相依强度。令 Zt=风(Xt～X)go(X￡)1一。，贝0有 T yQr(T_∑旎)=亍1哳(z-)+；∑(1一事)c伽(Zl，Zl+lT ) (木)式右边的第一项就是独立情况下的方差，第二项是由X，之间的相依性造成的额外 可变性．相依强度就可以通过y-=1 Cov(z1，≈+1)加以度量．对n混合过程，我们有 如下的标准结果： F lCov(z1，Zl+1)I=o(h_)． 所以有 Var厶(z)2赢R(K)．厂(z)+。(赢)· 然而，如果不满足一定的相依条件，(木)式右边的第二项就会非常大，达到可以超过第 一项的程度，这会极大地影响到所得估计的收敛速度． 在第3章，我们研究的是关于时间序列数据的回归问题。假设观测到甲稳序列 Ⅸ-，M)， ，(X丁，珞)，感兴趣的问题是如何估计条件均值函数 m(z)=E(YIX=z)． 在独立同分布的情况下，Glad(1998)提出了一种新的估计回归函数的半参数方法， 该方法首先给出一个参数回归，然后用一个局部多项式回归估计对此参数回归进行乘 积调整。与标准的非参数回归估计相比，当所选的参数回归估计属于真实回归曲线的 一个很大的邻域时，所得到的估计都可以有效的降低估计的偏差，而渐近方差不受影 响。 本章中，我们证明了该半参数方法可以推广到混合相依数据，此时的数据可以服 从P混合过程或Q混合过程．尽管相依情况下的结果与独立时类似，但是证明过程却 有很大差别。对于独立同分布的情况，可以通过关于设计阵X取条件期望得到偏差与 方差的表达式，而对相依数据却不可以，如对于自回归模型，对X取条件期望相当于 对整个序列来取，所以在推导渐近性质时需要采用不同的方法．本文中，我们通过推 导估计的渐近正态性而得到其渐近偏差和