论文部分内容阅读
Hastie和Tibshirani(1993)所提出的变系数模型(Varying Coefficient Models),其定义如下Y=sum from i=1 to pαi(U)Xi+ε,其中(U,X1,X2,…,Xp)T为给定的协变量向量,Y为响应变量,随机误差ε独立于(U,X1,X2,…,Xp)T且满足E(ε)=0,Var(ε)=σ2。由于该模型比线性模型具有更好的灵活性和适用性,在许多领域都获得了广泛的应用。在实践中,人们希望知道变系数模型中函数系数是否真正变化,从而引出检验某些函数系数是否为常数的问题,即检验原假设H0∶αi(U)=βi,对某些i是否成立。在对某些i原假设H0成立的条件下,变系数模型被称为半变系数模型(Semi-Varying Coefficient Models),其定义如下Y=sum from i=1 to pαi(U)Xi+sum from j=1 to qβjZj+ε,其中Y是响应变量,随机误差ε独立于协向量(U,X1,X2,…,Xp,Z1,…,Zq)且E(ε)=0,Var(ε)=σ2,α(·)=(α1(·),…,αp(·))T是p维函数系数向量,β=(β1,…,β1)T是q维常系数向量。该模型由包含函数系数{αi(·),i=1,2,…,p}的非参数部分和包含常系数{βj,j=1,…,q}的线性部分组成。为避免“维数祸根”问题,通常假定U是一元的。半变系数模型是一类比较广泛的模型,例如,当αi(·)≡0(i=1,…,p)时,即为线性模型;当βj=0(j=1,…,q)时,即为变系数模型;如果将常系数βj看作函数,半变系数模型又可以认为是变系数模型的一种特殊情况;当p=1,X1≡1时,就成为部分线性模型(Partially Linear Models)。本文首先考虑线性约束下半变系数模型的估计问题。假设约束条件为相容线性方程组Aβ=b其中A为m×q矩阵,且秩为m,b为m×1向量。在Fan和Huang(2005)想法的基础上,通过改进PLS(Profile Least Squares)估计,给出常系数向量和函数系数向量的约束PLS估计,并证明了估计的渐近正态性。其次,考虑响应变量随机删失时半变系数模型的估计问题。设{Yi,1≤i≤n}因随机右删失而不能被完全观察到,仅能观察到{(Ti,δi),1≤i≤n},其中截断变量{Vi,1≤i≤n}独立同分布(Independent Identically Distributed)且与{Yi,1≤i≤n}独立。在响应变量随机右删失的情况下,通过数据变换,并改进Zhang,Lee和Song(2002)所提出的估计方法,采用局部线性方法和平均方法给出了常系数的估计,采用局部线性方法和Backfitting技巧给出了函数系数的两步估计,进而证明了该估计的渐近正态性。最后,考虑广义半变系数模型(Generalized Semi-Varying Coefficient Models)的估计问题。设条件均值和条件方差为其中V为一给定函数,σ2为未知的规模参数,U,Y∈R,X∈Rp,Z∈Rq。拟似然函数Q(μ,y)通过下式定义广义半变系数模型定义为其中g(·)是一给定的联系函数,α(u)=(α1(u),…,αp(u))为未知的函数系数向量,β=(β1,…,βq)为未知的常系数向量。先通过局部拟似然方法可获得广义半变系数模型函数系数的初估计,并以其代回模型,采用拟似然方法获得常系数的估计,再采用局部拟似然方法和Backfitting技巧给出了函数系数的估计。此外证明了该估计的渐近正态性。