论文部分内容阅读
线性回归模型是研究变量间相互依赖关系的一种统计分析方法之一,在此模型的基础上发展出了一些带异常结构的线性回归模型,例如,可能存在门限的线性回归模型和线性关系不确定时的模型。本文主要研究这两种带异常结构的线性回归模型的平均估计问题。主要研究内容包括: 第一章:阐述带异常结构的线性模型的研究背景和发展现状。 第二章:提出了可能存在门限的分段线性回归模型的系数的加权平均估计。最开始构建了一个近似Mallows准则,它的惩罚项用其在门限效应为零和无穷时的极限情形的均值来近似。然后,对系数在有门限和无门限时分别计算的估计量做加权平均,其权重由最小化近似的Mallows准则得到。进一步本文构建了另一种Mallows准则,它是对拟合模型做加权平均对模型进行估计得到的误差平方的估计值,并由此得到新的加权权重。研究第二个Mallows准则发现,在达到较低平方误差的意义下新的权重使得Mallows模型平均(MMA)估计量渐近最优。特别是在可能存在突变的情况下,如果真实模型有一个门限,新的权重被证明趋向于零或1。数值计算结果表明所提出的MMA估计在系数复杂变化情形下表现更好;在只可能存在一个突变的情形,确实能选到真实的模型。 第三章:研究了线性关系不确定时的模型的平均估计问题,提出了系数的预检验估计量和Mallows模型平均(MMA)估计量,并证明了MMA估计在一些条件下渐近最优,以及Mallows权重选择具有相合性。蒙特卡洛实验结果表明Mallows模型平均估计确实有效可行。