半参数变系数空间滞后模型的截面极大似然估计

在线性参数空间滞后模型中,解释变量的系数一般假设为固定常数,本文首先放松了这种假设,将解释变量的系数设定为某一变量的未知函数,提出一类全新的半参数变系数空间滞后模型;其次导出了该模型的截面极大似然估计,并证明了该估计的一致性;最后用蒙特卡洛数值模拟方法考察了该估计在小样本条件下的性质,数值模拟结果显示我们提出的估计方法在小样本条件下依然有优良的表现。     

组合分析法在消费者产品属性偏好研究中的应用

组合分析法是一种用于测量和估计消费者对产品属性以及属性水平偏好结构的十分有效的市场分析技术。本文详细地讨论了属性相对重要性以及产品总效用函数的估计方法，并提出了一种新的基于定性和定量属性的消费者单属性边际效用函数回归模型，同时结合一个案例数据，介绍了该方法数据分析的实际应用。     

时空动态半参数变系数随机效应面板模型的估计

研究目标：克服半参数变系数面板模型中扰动项和因变量存在时空动态性问题。研究方法：提出一类更加一般化的时空动态半参数变系数随机效应面板模型，并构建截面似然估计量。研究发现：估计量具有良好的小样本性质，估计误差随着样本总量的提高而减小，在Case空间矩阵下，空间滞后和时空滞后系数的估计精度随空间复杂度的增大而降低，用该方法分析我国外商直接投资、知识产权保护与经济增长关系，进一步证实了模型的适用性。研究创新：证明了估计量满足一致性和渐近正态性，数值模拟考察了估计量的小样本性质。研究价值：拓展了现有半参数变系数空间面板模型的形式，增强了模型的适用性和解释力，有益于经济问题实证研究的开展。     

市场比较法中因素调整过程的改进——归一法与Hedonic模型法

针对市场比较法的因素调整过程中调整因子和加权系数均由估价师凭经验确定，难以避免偏向性评估的问题，本提出了两种能够利用可比案例信息直接计算调整因子和估价对象价格的方法——归一法和Hedonic模型法。归一法可直接求出调整因子和估价对象价格，不需加权平均；Hedonic模型法通过建立模型，估计出房地产属性的隐含价格，可直接用于评估。这两种方法需要比普通的因素调整方法更多的信息，其系数具有较强的经济含义，评估的精确度和公正性也能够得到保证，适用于我国目前的房地产评估业。     

基于CBR和GBOM的产品配置方法

在分析传统物料清单结构的基础上,提出了基于GBOM和CBR的产品配置模型,着重讨论基于面向对象技术建立GBOM模型和基于最近距离法、层次分析法的相似实例提取方法。该方法可以有效地从众多相似方案中提取出与客户需求最相近的方案。最后以某型减速器产品族为例,阐述了该方法的实际应用。     

一种基于MCMC稳态模拟的贝叶斯索赔校正模型

Btihlmann模型是贝叶斯方法在经验费率厘定中最为著名的应用，然而该模型在结构参数先验信息不足的情况下，并不能得出参数的无偏后验估计。本文针对传统方法的不足，运用基于MCMC模拟的贝叶斯方法对历史数据进行校正，通过Gibbs抽样构造出一种多层Poisson模型稳态分布的马尔可夫链，动态模拟出索赔频率的后验分布以及缺失参数值的后验估计，改进了传统的索赔校正模型，提高了计算的精度。利用WinBUGS软件包进行建模分析，证明了该模型的直观性与有效性。     

质量标杆案例：系统化解决问题方法的实践

系统化解决问题的方法就是针对产品出现的问题进行系统化的分析，从技术层面和管理层面找到问题产生及流出的根本原因，制定有效的纠正预防措施。系统化解决问题的方法还可以引导公司从产品设计出发加以预防，从源头避免类似问题的发生，大大降低质量成本，提高客户满意度。本文阐述了该方法的建立背景、主要方法及实施过程，对该方法的实践经验和体会进行分享。     

面板数据的贝叶斯Lasso分位回归方法

文章讨论了含有随机效应的面板数据模型,通过引入条件Laplace先验,文章构造了一种新的贝叶斯Lasso分位回归法。与一般贝叶斯分位回归法不同的是,该方法能够更大程度的将模型中非重要解释变量系数压缩至0,从而在估计系数的同时也起到了变量选择的作用。利用积分恒等式,文章构造了一种易于实施的参数估计的切片Gibbs抽样算法。模拟结果显示,在模型含有较多变量时,新方法排除“噪声”变量的能力明显高于现有文献中其他方法。文章最后对我国各地区多个宏观经济指标的面板数据进行了建模分析,演示了新方法估计参数与挑选变量的能力。     

半参数变系数空间误差回归模型的估计

研究目标：克服半参数变系数回归模型中误差项可能存在的空间相关性问题。研究方法：提出一类新的半参数变系数空间误差回归模型,并构造其截面似然估计。研究发现：在小样本条件下,模型估计量具有良好的表现,其精度随着样本容量的增加而提高;应用该方法分析我国资源禀赋与地方公共品供给之间的相互关系,进一步证实了模型较强的适用性。研究创新：证明了估计量的一致性与渐近正态性,并通过蒙特卡洛模拟考察了估计方法的小样本表现。研究价值：新方法对于其他结构的半/非参数空间计量模型理论研究具有推广价值,其估计技术在经济、管理等学科中具有应用价值。     

Logistic回归的ArctanLASSO惩罚似然估计及应用

Logistic回归是计量经济学中应用最广的离散选择模型。当变量个数较多时,极大似然估计解释性较差,为此本文基于新的惩罚函数ArctanLASSO,给出Logistic回归的一种非凸惩罚似然估计进行参数估计和变量选取,并证明了估计量的n1/2相合性和Oracle性质。本文结合二阶近似处理、LLA方法和梯度下降法给出估计算法,并通过最小化BIC准则对正则化参数进行选取。模拟数据分析显示,当样本量较大时,该方法在参数估计和变量选取两个方面都优于传统的LASSO、SCAD和MCP方法,样本量较小时,该方法同样具有很大优势。实际数据分析表明,该方法很好地权衡了拟合程度和非零系数的选择,是最优的备选模型,具有重要的实际意义。