基于双自适应Lasso惩罚的随机效应分位回归模型研究

研究目标：解决随机效应分位回归模型中固定效应和随机效应系数同时估计和选择问题。研究方法：对固定效应和随机效应系数同时实施自适应Lasso惩罚,并为参数估计设计交替迭代算法。研究发现：新方法不仅对随机误差分布具有较强的稳健性,而且在不同稀疏度模型下均有着良好的表现,尤其是在高维情形时。研究创新：本文提出的方法在对模型中重要自变量进行选择的同时能够充分考虑随机效应的影响;交替迭代算法不仅有效解决了需要选择两个惩罚参数的困境,而且收敛速度快。研究价值：为实际工作者对面板数据和纵向数据的分析提供了有效的建模方法。     

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。