导读:本文包含了部分线性回归模型论文开题报告文献综述及选题提纲参考文献，主要关键词:缺失数据,线性模型,部分线性模型,经验似然
部分线性回归模型论文文献综述
胡悦[1]（2019）在《响应变量缺失下线性和部分线性回归模型的异方差检验》一文中研究指出在实际应用中,数据缺失现象是普遍存在的。缺失数据给统计分析带来了诸多困难,如果忽略缺失项,只用完全观测到的数据进行统计推断,得到的结果可能与实际不符,所以对处理缺失数据的研究具有现实意义。回归模型是统计学中发展较早的统计模型,是应用最广泛的数据分析方法之一。在过去几十年的实践与应用中,该模型由参数回归模型发展到非参数回归模型、半参数回归模型。本文主要研究了线性回归模型以及部分线性回归模型。在回归模型中,通常假定模型的误差项是相互独立且具有相同方差。如果模型存在异方差,在对模型进行常规统计推断时得到的结果可能是不合理的,会出现参数估计量不是有效的,变量的显着性等检验失去意义等问题。因此,在统计推断之前,检验模型是否具有异方差是非常有必要的。本文主要研究了响应变量缺失下线性模型及部分线性模型的异方差检验问题。首先,利用回归借补的思想对随机缺失的数据进行补全;其次,把经验似然的方法引入到模型的异方差检验中来,构造经验似然比统计量,并证明了在零假设下该统计量渐近服从卡方分布;最后,利用R软件进行数值模拟,结果表明该检验统计量在检验水平和功效上均具有良好的效果,证明了经验似然方法在异方差检验中的可行性。(本文来源于《重庆理工大学》期刊2019-03-20）
杨雪梅,王小英,孙志华[2]（2019）在《部分线性分位回归模型估计的MM算法》一文中研究指出近年来,关于部分线性分位回归模型的估计方法的研究得到了较多的关注.但由于目标函数的非光滑性,估计程序的实现是比较具有挑战性的.文章将采用MM(Majorization Minimization)算法计算部分线性分位数回归模型的估计.其基本原理是首先找到目标函数的优化函数,然后借助优化函数的最小化过程,逐步迭代至目标函数的解.数值模拟和实证研究表明该算法具有较好的稳定性和较强的数值计算能力.(本文来源于《系统科学与数学》期刊2019年03期）
陈粮阳[3]（2018）在《基于整合分析的部分线性单指标分位数回归模型》一文中研究指出近年来,半参数回归模型在统计方法中逐渐盛行,无论是理论研究还是实际应用,都受到了广大学者的关注.部分线性单指标模型(PLSIM)是一种非常重要的高维半参数模型,它能够有效地解决数据高维性问题,并保持良好的可解释性和较广的适应性.目前,关于PLSIM模型的估计方法大多基于均值回归,然而当数据存在异常值、随机误差为异方差或者偏离正态分布时,模型的估计精度则会大大下降.另外,国内外学者关于部分线性单指标模型的研究更多建立在变系数和局部多项式方法上,当变量维度较高、数据量较大时,模型的计算速度则会变得很慢.因此,本文结合分位数回归和半参数方法研究了部分线性单指标分位数回归模型(QPLSIM)及其变量选择,对所建立的模型采取B样条函数逼近,引入MCP惩罚函数,并基于迭代加权最小二乘与单纯形搜索法给出了具体的两阶段估计算法.在一定条件下,本文证明了模型参数估计的渐近正态性与变量选择的oracle性质,并通过数值模拟和实证分析验证了所提方法的有效性,在保证准确率的同时,大大提高了模型的计算速度.此外,数据往往是由来源、格式或主体不同的数据集合并而成,且呈现出高维性和稀疏性.基于多个数据集,如何建立合适的统计方法来挖掘不同子样本之间的同质性与异质性,并实现降维去噪是大数据分析所面临的重大挑战之一.整合分析能够同时考虑多个数据集,避免因时间、地域等因素所引起的模型不稳定问题,是研究数据差异性的有效方法.它将每个协变量在所有数据集中的系数视为同一组,引入惩罚函数对系数组进行双层压缩,研究变量间的关联性并实现降维.因此,本文在QPLSIM模型的基础上继续深入研究,提出了基于整合分析的部分线性单指标分位数回归模型(IAQPLSIM).针对异构数据,本文采用了同时考虑组内与组间变量选择的复合惩罚函数(Composite MCP),在一定条件下证明了模型变量选择的oracle性质,并通过数值模拟和实证分析验证了所提方法的有效性.最后,将IAQPLSIM模型与QPLSIM模型的结果进行比较,发现前者的估计精度和变量选择准确率更高,模型的拟合效果更好。(本文来源于《浙江工商大学》期刊2018-12-01）
魏文科,王昕[4]（2018）在《部分线性回归模型的主成分Liu估计》一文中研究指出针对参数回归模型受很多函数假设限制和非参数回归模型受"维数灾难"影响问题,构造出半参数线性回归模型。结合半参数线性回归模型的主成分估计和Liu估计方法,提出了半参数线性回归模型的主成分Liu估计方法,分别推导出在无约束条件下、精确约束条件下和随机约束条件下的回归系数的各个数字特征,为进一步深入研究半参数线性回归模型的主成分Liu估计提供了有效的理论基础。(本文来源于《北京信息科技大学学报(自然科学版)》期刊2018年04期）
邓新[5]（2018）在《WOD误差下线性和部分线性回归模型中估计量的渐近性质》一文中研究指出回归模型是统计学中发展较早、理论内容丰富并且应用性强的统计模型.由于实际应用的需要,回归模型一直在不断发展进步,并由最初的参数回归模型发展到非参数及半参数回归模型.本篇论文主要讨论参数和半参数回归模型的两个经典模型:线性和部分线性回归模型.在回归模型中通常假设随机误差项是独立的,但事实上这一假设并不合理,尤其是在处理连续收集的经济数据中.因此,本篇论文主要考虑相对宽泛的相依随机误差:WOD随机误差,及由WOD随机变量序列产生的线性过程误差.首先,考虑经典的线性回归模型:Yi=xi'β+ei,i=1,...,n,≥1,其中x1,x2,…,xn是p× 1维的已知设计向量,e1,e2,…,en是均值为0的WOD随机误差,β是p×1l维的、未知的参数向量.本文先利用随机变量的截尾技术和常用不等式,建立WOD随机变量加权和的几乎处处收敛性,然后利用该强收敛性和Bernstein型不等式,进一步研究WOD随机误差下线性模型(1)中β的M估计的强相合性,所得结果将推广Chen和Zhao[113],陈希孺和赵林城[114]及Wu和Jiang[65]的相应结论.其次,在上述结果的基础上,继续深入研究M估计强相合性.利用Wang和Cheng[90]及Chen等[115]得到的WOD随机变量的强大数定律,建立更为广泛的WOD随机变量序列加权和的强收敛性,利用该性质研究M估计的强相合性.与Wu和Jiang[65]相应结果对比,所得结果不需要在δ=1时做任何的矩条件限制,大大减弱了假设条件,也进一步推广了 Wang和Hu[116]关于NSD随机误差的结果.第叁,众所周知,Bernstein型不等式是概率论与数理统计中的重要工具,但在应用的过程中该不等式会受到“随机变量有界”这一条件的限制,为此我们建立一个指数不等式,它不需要保证随机变量的有界性,证明思路完全不同于经典的Bernstein型不等式,推广了 Chen和Sung[117]关于NOD随机变量的结果.利用已建立的不等式,主要研究WOD随机误差下线性模型(1)中β的M估计的强线性表示,所得结果不仅推广了 Rao和Zhao[118]关于独立随机误差的相应结果(Rao和Zhao[118]并没有给出详细的证明过程),而且也适用于NA、NSD、NOD、END等相依随机误差.第四,考虑如下部分线性模型I:yi=xiβ + g(ti)+ σiei,i = 1,2,...,n,(2)其中σi2=f(ui),(xi,ti,ui)是固定非随机设计点列,β是未知待估参数,g(·)和f(·)是定义在紧集A C R上的未知函数,ei是期望为0的WOD随机误差,且被一随机变量e随机控制.本文主要在更弱的条件下,讨论模型(2)中,未知参数β和未知函数g(·)的最小二乘估计和加权最小二乘估计的矩相合性和强相合性,这些结果分别推广和改进了周兴才和胡舒合[29]及Baek和Liang[27]相应的结果.最后,考虑如下部分线性模型II:yi(n)=xi(n)β+g(ti(n))+εi(n),i=1,2,…,n,n≥1,其中g是定义在紧集A(?)Rp上的未知函数,β是R上的未知参数,xi(n)和ti(n)是已知的、非随机的设计点列,yi(n)是在点列xi(n)和ti(n)处的观测值,εi(n)是随机误差.假设对任意的n,(ε1(n),ε2(n),…,εn(n)与(ζ1，ζ2，…,ζn)具有相同的分布,并且ζi具有如下形式:(?)其中{ei}是均值为0的同分布WOD随机变量序列,{ψj}是一实数序列,满足(?)|ψj|<∞.本文先证明如(4)所定义的线性过程{ζi}的完全收敛性,然后利用此结果得到部分线性模型(3)中β和g(·)的最小二乘估计的完全相合性.(本文来源于《安徽大学》期刊2018-05-01）
黄建杰[6]（2018）在《部分线性变系数空间面板回归模型的统计推断》一文中研究指出面板数据同时包含截面数据和时间序列,是近年来计量经济学和统计学的研究热点之一。部分线性变系数回归模型结合了参数模型和非参数模型的特点,具有灵活、容易解释的优点,较经典模型有更好的拟合效果,在统计学和计量经济等领域有广泛的讨论和应用。实际问题中个体指标通常存在空间相关性且解释变量之间有交互作用,为了使得模型更适应复杂的实际问题,本文在假定存在固定效应和内生性的情况下,引入变系数部分线性空间面板回归模型。论文重点关注该模型的统计推断,主要包括参数和变系数函数的估计等。先用通过一阶差分消除固定效应,运用样条方法逼近变系数部分。然后,再运用两阶段最小二乘法处理模型内生性问题,给出相应的估计。同时,证明了参数估计量的渐近正态性以及变系数函数估计的收敛速度和渐近性质。进一步还给出了估计量渐近协方差阵的估计并讨论了这些估计量的相合性。最后,通过蒙特卡罗模拟方法验证了本文提出的估计方法的有限样本性质。(本文来源于《北京工业大学》期刊2018-05-01）
王万玲[7]（2018）在《基于新对称分布的部分线性回归模型的参数估计》一文中研究指出建立回归模型的一个重要方面是假设误差项的分布,实际应用中为简便起见通常认为误差项服从正态分布。然而,这一假定存在一些缺点,比如标准正态分布的峰度值是3,但在许多实际情况中,所研究的数据分布可能呈现低峰态而不是常峰态。为此,一些学者通过设置一个影响峰度大小的新参数,提出了一个低峰态的新对称分布,该分布被视为重尾分布的一种。重尾分布能够很好的刻画发生极端值的概率比正态分布出现极端值的概率大这一特性,因此它能够有效地解释极端事件合理存在又不常发生的原因。由于该新分布的概率密度曲线尾部更加厚重,进而能够涵盖更多的离群值。在分析低峰态数据时,系统研究误差项服从新对称分布的回归模型是有意义的。部分线性回归模型作为参数模型和非参数模型的结合,既有参数模型的优点又有非参数模型的优点,因此具有更大的灵活性和适用性。但是,由于现实生活中存在着许多异方差甚至更加复杂的数据,特别是在经济领域和工业产品的质量改进试验中。注意到联合均值与方差模型能够克服这些问题,因为它同时对均值和方差进行建模,能够更好的分析错综复杂的数据。本文拟建立误差项服从新对称分布的部分线性回归模型和联合均值与方差模型,采用最大似然估计和惩罚样条估计分别拟合参数部分和非参数部分,推导出模型的惩罚最大似然估计量,并利用牛顿迭代法得到回归模型的参数估计,最后通过模拟研究和实例分析说明提出的两种模型和方法的有效性和可行性。(本文来源于《上海师范大学》期刊2018-05-01）
王咪咪,丁辉[8]（2018）在《函数型部分线性自回归模型在金融中的应用》一文中研究指出综合金融市场中的滞后特点和高频数据的函数型数据视角分析方法,提出了函数型部分线性自回归模型,使用剖面最小二乘方法得到了该模型参数的估计,使用统计模拟说明了估计方法的优良性,借助于金融市场中关于上证指数的实际例子来体现模型的灵活性和优良的预测性。(本文来源于《长春大学学报》期刊2018年02期）
谢璃,刘磊,曹瑞元[9]（2018）在《一种新的空间计量模型——部分线性可加自回归模型及其应用》一文中研究指出本文提出一种新的空间计量模型,部分线性可加空间自回归模型。首先,引入样条逼近可加函数分量,然后利用截面拟似然的思想得到模型参数的估计;所提出的估计方法简单易行,且对误差分布的要求低。通过模拟研究,得到所提出估计方法的有限样本性质,模拟结果显示了所提出估计的有效性;最后,将估计方法应用到波士顿房屋数据进行统计分析,得到了较他人估计更好的结果。(本文来源于《数理统计与管理》期刊2018年02期）
柏培鑫[10]（2017）在《半函数型部分线性回归模型局部线性估计量的渐近性质》一文中研究指出随着时代发展及科学技术进步,研究人员在收集数据的途径得到扩展、能力得到提高,收集到的一些数据具有明显的函数型的特点。例如:食品行业猪肉的光谱数据、电力行业日均负荷数据、多个地区的多个指标的经济数据以及地区气温、降水量等数据。因此,对于函数型数据的研究已经成为国内外数理统计学界的研究的热点之一。本学位论文主要由局部线性回归下研究半函数型部分线性回归模型的渐近性质以及函数型数据在实际生活中的应用组成,主要内容如下:一、基于局部线性的半函数型部分线性回归模型的估计在半函数型部分线性回归模型下,通过局部线性回归的方法对模型中函数型非参数部分进行新的估计,得到参数及非参数部分的估计量,并探究参数部分估计量的渐近正态性、函数型非参数估计量的几乎处处收敛速度。最后给出模拟分析,并与经典的Nadarage-Watson核估计方法进行比较,通过箱型图表现出在局部线性方法要比核估计方法的效果好;对于参数部分我们通过直方图检验估计量的渐近正态性。二、基于函数型非参数方法的气温数据分析预测在函数型非参数模型下,我们通过Nadarage-Watson核估计方法分析安徽省1955年1月至2010年12月月度平均气温数据,建立函数型非参数回归模型,并对2010年气温数据进行实证分析研究。同时,从预测值的均方方差以及预测的气温曲线两方面来对有限维非参数回归模型及函数型非参数模型进行比较,从而得出函数型非参数模型的优越性。(本文来源于《合肥工业大学》期刊2017-04-01）
部分线性回归模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
近年来,关于部分线性分位回归模型的估计方法的研究得到了较多的关注.但由于目标函数的非光滑性,估计程序的实现是比较具有挑战性的.文章将采用MM(Majorization Minimization)算法计算部分线性分位数回归模型的估计.其基本原理是首先找到目标函数的优化函数,然后借助优化函数的最小化过程,逐步迭代至目标函数的解.数值模拟和实证研究表明该算法具有较好的稳定性和较强的数值计算能力.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
部分线性回归模型论文参考文献
[1].胡悦.响应变量缺失下线性和部分线性回归模型的异方差检验[D].重庆理工大学.2019
[2].杨雪梅,王小英,孙志华.部分线性分位回归模型估计的MM算法[J].系统科学与数学.2019
[3].陈粮阳.基于整合分析的部分线性单指标分位数回归模型[D].浙江工商大学.2018
[4].魏文科,王昕.部分线性回归模型的主成分Liu估计[J].北京信息科技大学学报(自然科学版).2018
[5].邓新.WOD误差下线性和部分线性回归模型中估计量的渐近性质[D].安徽大学.2018
[6].黄建杰.部分线性变系数空间面板回归模型的统计推断[D].北京工业大学.2018
[7].王万玲.基于新对称分布的部分线性回归模型的参数估计[D].上海师范大学.2018
[8].王咪咪,丁辉.函数型部分线性自回归模型在金融中的应用[J].长春大学学报.2018
[9].谢璃,刘磊,曹瑞元.一种新的空间计量模型——部分线性可加自回归模型及其应用[J].数理统计与管理.2018
[10].柏培鑫.半函数型部分线性回归模型局部线性估计量的渐近性质[D].合肥工业大学.2017