非参数模型的局部逼近估计方法.pptVIP

;说明;一、密度函数的非参数核估计 ;1、密度函数的非参数估计 ;密度函数非参数方法 避免在估计之前需要设定参数函数形式所产生的问题。 不需要假定待估对象的准确函数形式，只需要假定待估对象满足一些常规的条件，例如平滑性（smoothness）和可微性（differentiability）。 既然对密度函数的函数形式施加比参数方法更少的结构，那么非参数方法就需要更多的数据信息，才能达到正确设定的参数模型相同的精确度。 ;2、一元密度函数的核估计 ;一般的密度函数核估计： ;常用核函数 ;2、核估计的大样本性质 ;最佳的窗宽选择 ;3、窗宽的交错鉴定法选择方法 ;4、窗宽的直接插入选择方法 ;5、多元密度函数的核估计 ;二、非参数回归模型的核估计 ;1、非参数回归模型的核估计 ;未知函数的核估计表达式为：;条件回归函数的估计是yi的线性组合，对应所得到的被解释变量的估计是yi的加权平均，权数利用了解释变量的信息，且由解释变量的数值来确定每个yi的权数的大小。 不同的核权函数的方法构成了不同的估计结果。;Nadaraya-Watson核估计 Nadaraya(1964)及Watson (1964)提出 。 选定原点对称的概率密度函数为核函数。 ;等价于局部加权最小二乘估计均匀核。因为 ;最常用的核函数有： 均匀核：k（）是[-1，1]上的均匀概率密度函数 ;m(x)的Nadaraya-Watson 核估计就是落在[x-h,x+h]的xi对应的yi的简单算术平均值。 ;Epanechnikov核： k（）是[-1，1]上的概率密度函数 ; 高斯核：k()是(-∞，+∞)上原点对称的标准正态密度函数 ;2、窗宽的选择 ;渐近方差随着窗宽减少而增大 ：;在估计的偏和方差中寻求平衡，使得均方误差达最小。 渐近均方误差＝渐近偏2＋渐近方差 使得渐近均方误差 达最小的最佳窗宽具有如下形式：;如何选择常数c：一种经验选择方法 当K()为[-1,1]上对称、单峰的概率密度时，mn(x)的估计量是集中在x附近一个邻域的xi对应的yi的加权平均，而hn正好是这个邻域的长度的一半。 不变窗宽和变窗宽 窗宽随xi改变，核估计效果更好。;3、核权函数的选择;4、例题—模拟例题;数据及其核估计拟合图;三、非参数单方程模型的局部线性估计;1、局部线性估计;2、局部线性估计的进一步解释;该多??式可用加权最小二乘法进行局部拟合。即最小化 ;若K()是[-1,1]上的均匀概率密度函数,则m(x)的局部线性估计就是落在[x-hn,x+hn]的xi与其对应的yi关于该局部模型的最小二乘估计 。 若K()是[-1,1]上的Epanechnikov概率密度函数,则m(x)的局部线性估计就是落在[x-hn,x+hn]的xi与其对应的yi关于该局部模型的加权最小二乘估计 。当xi越接近x时，对应yi的权数就越大，反之，则越小。 若K()是[-∞,∞]上原点对称的标准正态密度函数,则m(x)的局部线性估计就是该局部模型的加权最小二乘估计 。当xi越接近x时，对应yi的权数就越大，反之，则越小。当xi落在[x-3hn,x+3hn]之外时，权数基本上为零。 ;局部线性估计原理的示意图 ;3、局部线性估计的逐点渐近偏和方差 ;4、局部线性估计的优点;局部线性估计方法适合于随机设定模型解释变量分布均匀情形，也适合于分布不均匀的情形 局部线性估计不必进行边界修正，它在边界的偏差自动与内部的偏差有相同的阶 局部线性估计在所有线性估计中，在极小极大效率意义上接近于最优，它的有效性为100% ;此课件下载可自行编辑修改，供参考！ 感谢您的支持，我们努力做得更好！