论文部分内容阅读
如今，由于经济、金融、医疗卫生等各研究领域的数据的复杂程度以及数据量都在不断提升，简单的均值回归模型或者参数模型已经不能很好的满足现代数据分析的要求。我们需要能够全面刻画变量分布状况的分位回归模型，以及同时具有较好模型解释力和灵活性的偏线性模型来更好地挖掘数据信息。 本文主要研究偏线性分位回归模型的估计问题，首次提出了在局部多项式估计方法中加入ICI(Intersection of Confidence Intervals)准则这一适应性方法为模型估计选择适当的窗宽，并创造性地对ICI准则中的控制参数设置提出了一个简单而高效的方法，最终，通过优化窗宽选择实现提高估计的准确度的目标。 把新方法与一种经典偏线性分位回归模型估计方法(AQR(AverageQuantile Regression)，2003)，以及两种最前沿的偏线性分位回归模型估计方法(基于B-spline的新方法和基于Bootstrap的新方法，2009)进行比较。通过蒙特卡洛模拟，探讨了ICI准则的控制参数设置问题;比较了四种的偏线性分位回归模型估计方法以及不同的窗宽选择方法;验证了本文所提出方法的可行性以及优越性。最后，把文章提出的理论方法应用到一个具有空间分布特性的调查数据中，既展现了偏线性分位回归模型能具有更全面有效的解释能力，也表明了本文提出的模型估计方法具有良好的解决实际问题的能力。