论文部分内容阅读
Zou和Yuan在2008年提出了一种新的估计方法:复合分位数回归方法。相比极大似然法估计及最小二乘法估计,复合分位数回归方法无需假定误差分布,应用条件更为宽松;相比分位数回归方法,复合分位数回归方法可以利用因变量的多个条件分位数对自变量做回归,得到更高效的估计。因此,近年来复合分位数回归方法引起了越来越多的统计学家们的关注。 在统计学的研究中,到处可见缺失数据这种现象,给数据分析工作者带来了很大的困扰,而大部分的统计方法是基于“完全数据”的,直接舍去带有缺失数据的样本,只对完整数据的样本进行分析,会降低估计的效率,甚至可能导致错误的推断。 本文针对协变量随机缺失的线性模型,提出一种基于经验似然的加权复合分位数回归推断方法:经验似然加权法。此方法计算较为简单,且对回归参数的估计效率高于逆概率加权法。我们证明了在数据随机缺失机制下该方法的大样本性质,接着又进行了模拟实验,对模拟实验得到的数据进行了分析,得出了无论是哪种误差分布,经验似然加权估计在大多数情形下都优于逆概率加权估计,此结论与理论相符。 本文结构如下:第一章是引言;第二章讨论了基于逆概率的加权复合分位数回归推断方法;第三章提出了基于经验似然的加权复合分位数回归推断方法;第四章进行数值模拟研究;第五章给出结论。