半参数TBS模型的局部线性估计.pdfVIP

四川大学硕士学位论文 半参数TBS模型的局部线性估计 半参数回归分析是通过建立半参数模型来研究变量之间相关关系(巧i确 定性关系)的一种统计方法。其目的是为了降低回归函数的假设条件，使函 数能更立了地描述数据。设x和Y分别是d维和一维随机变量。似定ElyI∞， 则，n(z)=E(YIX=z)存在，我们称m(叫为Y对x的回归函数。回归分析的基 本问题在于通过从(x，Y)抽出的独立同分布样本(托，K)(i=1，2，…，¨)去估计 回归函数m仕)．在传统的回归分析中，往往假定m(o)有某种特定的数学彤式， 如线性型岛+∑：1屈茁。，并假定“误差”Y—m(z)的分布为正态。一‘类简捷有 用的多元线性回归模型就是： K一霹p十口。日， 矗i．id—N(O，1) (1) 这时用最小二乘方法对回归系数屈进行估计，即可得至Um(x)的估计。 51．1假设条件及意义 统计上采用最小二乘估计，需要若干假设条件： (1)正确的期望函数。 因为我们希望所建立的模型可以预测自然界的现象，但对于几乎所有的线 性回归和大量的的非线性回归来说，我们往往不知道“真实”的模型，但可以 通过情况分析、观察散点图和相关关系等方法，来选择一个较为合理的模型。 (2)因变量等于期望函数与随机扰动项的和。 这个假设在理论上是重要的，因为它使得因变量y的概率密度函数可以通 过随机变量￡的概率密度函数加以计算，因而有p(Y)=p(Y—xp)。在实践中， 四川大学硕士学位论文 2 这个假设条件与误差方差齐性的假设紧密联系在一起。 (3)随机扰动独立于期望函数。 这个假设的意义之一就是，人们必须很好的测量控制变量或预测变量。此 外，任何不包含在模型中的重要变量都不会与因变量有系统性的关联。所以， 随机安排实验顺序是提高本假设正确性的…个重要技术。 (4)随机性扰动服从正态分布。 这一假设是重要的，因为它给出了描述因变量的样本分布，并由此得到参 数的似然函数，由此导出了最小二乘的准则。如果随机扰动中各个单项的影响 都很小，那么其合成扰动项就趋于正态分布。在大多数实验中，正态性的假定 是合理的。 (5)随机扰动具有零均值。 对于非线性回归，该假设是重要的，因为许多期望函数不包括常数项。这 个假设条件的主要意义在于，我们假设随机扰动项之间不存在由于某种意外 变量引起的系统偏差。 (6)随机扰动具有方差齐性。 本假设的主要意义在于，所有数据值具有相同的不确定性，所以可以采用 最小二乘准则。 (7)随机扰动项相互独立。 这时，向量y的联合密度函数是单个随机变量×，i=l，…，n的概率密度乘 积。这个假设的意义是，不同试验点的随机扰动不系统相关。 51．2半参数TBS模型的引入及其估计方法简述 在实际统计分析中，由于考虑该模型要求满足上述假设条件中随机扰动 四川大学硕士学位论文 方差齐性和分布正态性这些较为苛刻的性质，当残差呈现明显非正态时，很自 然地想到要变换数据或模型，例如Box—Cox于1964年提出的对模型(1)的改进方 法％他们应用含参数A的变换族g(．，A)对观测y进行适当的变换。对于合适 的A，下式成立 2 (2) 9(×)=群岛+印￡。 E。2d～N(0，1)． 这里 g(Y，A)={蕊j窖’。 A为待定参数，此变换为Box．Cox变换。 通过选择一个近似的A，不需任何先验信息，完全基于数据本身，模型(2)可 近似满足随机扰动方羞齐性和分布正态性等，但是模型(2)改变了观测y和协变 于1984年提出了另外的改进办法【3j，并称之为TBS回归模型。 9暇)=9(Ⅳ(五，岛)+印矗，巨i．i．d—N(0，1)． (4) 他们将参数为A的Box—Cox变换同时用到观测响应和期望响应，其中最优 的A值由其极大似然估计决定。 在许多经济和医学