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。     

空间动态面板模型拟极大似然估计的渐近效率改进

Lee和Yu(2008)研究了一类同时带个体与时间固定效应的空间动态面板模型的拟极大似然估计量的大样本性质.本文说明当扰动项非正态时,拟极大似然估计量的渐近效率可以被进一步提高.为此,我们构造了一组合待定矩阵且形式一般的矩条件以用来包含对数似然函数一阶条件的特殊形式.从无冗余矩条件的角度,选取最优待定矩阵得到了最佳广义矩估计量.本文证明了当扰动项正态分布时,最佳广义矩估计量和拟极大似然估计量渐近等价;当扰动项非正态分布时,广义矩估计量具有比拟极大似然估计量更高的渐近效率.Monte Carlo实验结果与本文的理论预期一致.     

空间滞后单指标变系数模型的估计及其应用

研究目标:处理数据中同时存在的空间相关性和空间异质性。研究方法:本文提出了一种空间滞后单指标变系数模型,结合样条估计法和极大似然估计法构建了模型参数的估计方法,证明了估计量的一致性与渐近正态性。研究发现:采用Monte-Carlo模拟探究估计方法在有限样本下的表现,模拟结果表明模型估计量具有优良的表现,通过对比不同样本容量混合误差项方差,估计量的精度随着样本容量的增加而提高,随着误差项方差的减小而提高,且不同的空间相关系数下估计量仍然具有较高的精度,体现出估计方法的稳健性。研究创新:将空间滞后单指标变系数模型应用于环境污染分析中,结果表明空间滞后单指标变系数模型拟合效果优于多元线性回归模型和空间滞后模型,证实了模型的适用性。研究价值:空间滞后单指标变系数模型能够同时处理数据存在的空间相关性和空间异质性,拟合效果精确,为决策者提供更好的决策参考。     

水工结构可靠指标的极大似然估计

运用数理统计的知识,研究了水工结构可靠度功能函数正态分布在一个或者多个参数的统计特性未知情况下可靠指标的点估计值.同时对可靠指标估计值的无偏性以及一致性进行了一定程度的探讨.并对可靠指标点估计值运用进行了研究,以便说明该方法对解决实际工程问题的可行性及有效性.     

水工结构可靠指标的极大似然估计

运用数理统计的知识,研究了水工结构可靠度功能函数正态分布在一个或者多个参数的统计特性未知情况下可靠指标的点估计值。同时对可靠指标估计值的无偏性以及一致性进行了一定程度的探讨。并对可靠指标点估计值运用进行了研究,以便说明该方法对解决实际工程问题的可行性及有效性。     

微观计量分析中缺失数据的极大似然估计

微观计量经济分析中常常遇到缺失数据,传统的处理方法是删除所要分析变量中的缺失数据,或用变量的均值替代缺失数据,这种方法经常造成样本有偏。极大似然估计方法可以有效地处理和估计缺失数据。本文首先介绍缺失数据的极大似然估计方法,然后对一实际调查数据中的缺失数据进行极大似然估计,并与传统处理方法的估计结果进行比较和评价。     

浅谈似然函数的两种不同定义

本文通过两个具体例题表明当连续型总体可能的取值范围不是(-∞,+∞)时,利用第一种似然函数的定义解决点估计问题,学生不仅能够很容易地掌握最大似然估计法,同时对样本来自总体且估计离不开样本这一统计思想加深了理解。     

GARCH模型的经验似然统计方法

文章考察经验似然方法在GARCH模型的应用,运用经验似然方法来构造服从卡方分布的经验似然比统计量,进而构造其置信区间,最后通过数值模拟来说明经验似然应用于GARCH模型的优良性。     

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。     

Maximum Likelihood Estimation of a General Unbalanced Spatial Random Effects Model: a Monte Carlo Study

Abstract

This paper discusses the maximum likelihood estimator of a general unbalanced spatial random effects model with normal disturbances, assuming that some observations are missing at random. Monte Carlo simulations show that the maximum likelihood estimator for unbalanced panels performs well and that missing observations affect mainly the root mean square error. As expected, these estimates are less efficient than those based on the unobserved balanced model, especially if the share of missing observations is large or spatial autocorrelation in the error terms is pronounced.

Estimation de vraisemblance maximale d'un modèle général d'effets aléatoires spatiaux déséquilibré: une étude Monte Carlo

RÉSUMÉ La présente communication se penche sur l'estimateur du maximum de vraisemblance d'un modèle général d'effets aléatoires spatiaux déséquilibré avec des perturbations normales, en supposant l'absence aléatoire de certaines observations. Des simulations de Monte Carlo montrent que des groupes déséquilibrés se comporte bien, et que les observations manquantes affectent principalement l'erreur de la moyenne quadratique. Comme prévu, ces évaluations sont moins efficaces que celles qui sont basées sur le modèle équilibré non observé, notamment si la part des observations manquantes est importantes, ou l'on déclare une autocorrélation spatiale dans les termes d'erreur.

Estimación de la probabilidad máxima de un modelo espacial general desequilibrado de efectos al azar: un estudio de Monte Carlo

RÉSUMÉN Este trabajo discute el estimador de probabilidad máxima de un modelo espacial general desequilibrado de efectos al azar con alteraciones normales, suponiendo que faltan algunas observaciones al azar. Las simulaciones de Monte Carlo muestran que el estimador de probabilidad máxima para los paneles desequilibrados funciona satisfactoriamente, y que las observaciones omisas afectan principalmente al error de la media cuadrática. Como se suponía, estas estimaciones son menos eficientes que las basadas en el modelo equilibrado inadvertido, especialmente si la cantidad de omisiones es grande/o la autocorrelación en los términos de error es pronunciada.

     

Estimation of variances in orthogonal finite discrete spectrum linear regression models

The Invariant Quadratic Estimators, the Maximum Likelihood Estimator (MLE) and Restricted Maximum Likelihood Estimator (REML) of variances in an orthogonal Finite Discrete Spectrum Linear Regression Model (FDSLRM) are derived and the problems of unbiasedness and consistency of these estimators are investigated.Acknowledgement. The research was supported by the grants 1/0272/03, 1/0264/03 and 2/4026/04 of the Slovak Scientific Grant Agency VEGA.     

分整阶数半参数估计的有限样本性质研究

随着对经济和金融时间序列长记忆性的研究,分整阶数估计已成为当前理论研究的焦点问题。以对数周期图回归和局部Whittle方法为代表的半参数分整阶数估计方法在实践中得到广泛应用,但对这两类半参数估计方法的有限样本性质的比较则鲜有涉及,影响了在实践中对估计方法的选择。利用蒙特卡洛模拟方法,在不同数据产生的过程下,这两种半参数估计方法有限样本性质的研究结果表明：在ARFIMA(0, d, 0)过程下,LW类估计量具有较好的小样本性质;在平稳ARFIMA(1, d, 0)过程下,本文建议的QGPH估计量的有限样本性质要优于其他对数周期图估计量;在非平稳过程下,MGPH的偏差最小。     

Small-sample Properties of Panel Spatial Autoregressive Models: Comparison of the Bayesian and Maximum Likelihood Methods

Abstract

This article considers autoregressive (SAR) models. We method to estimate the parameters of likelihood (ML) method. Our Bayesian by the Monte Carlo studies. We found the efficient as the ML estimators.     

Estimation of spatial autoregressive panel data models with fixed effects

This paper establishes asymptotic properties of quasi-maximum likelihood estimators for SAR panel data models with fixed effects and SAR disturbances. A direct approach is to estimate all the parameters including the fixed effects. Because of the incidental parameter problem, some parameter estimators may be inconsistent or their distributions are not properly centered. We propose an alternative estimation method based on transformation which yields consistent estimators with properly centered distributions. For the model with individual effects only, the direct approach does not yield a consistent estimator of the variance parameter unless T is large, but the estimators for other common parameters are the same as those of the transformation approach. We also consider the estimation of the model with both individual and time effects.     

Strong Consistency of the Maximum Likelihood Estimator in Generalized Linear and Nonlinear Mixed-Effects Models

Generalized linear and nonlinear mixed-effects models are used extensively in biomedical, social, and agricultural sciences. The statistical analysis of these models is based on the asymptotic properties of the maximum likelihood estimator. However, it is usually assumed that the maximum likelihood estimator is consistent, without providing a proof. A rigorous proof of the consistency by verifying conditions from existing results can be very difficult due to the integrated likelihood. In this paper, we present some easily verifiable conditions for the strong consistency of the maximum likelihood estimator in generalized linear and nonlinear mixed-effects models. Based on this result, we prove that the maximum likelihood estimator is consistent for some frequently used models such as mixed-effects logistic regression models and growth curve models.     

Simulated Likelihood Estimation of the Normal-Gamma Stochastic Frontier Function

The normal-gamma stochastic frontier model was proposed in Greene (1990) and Beckers and Hammond (1987) as an extension of the normal-exponential proposed in the original derivations of the stochastic frontier by Aigner, Lovell and Schmidt (1977). The normal-gamma model has the virtue of providing a richer and more flexible parameterization of the inefficiency distribution in the stochastic frontier model than either of the canonical forms, normal-half normal and normal-exponential. However, several attempts to operationalize the normal-gamma model have met with very limited success, as the log likelihood is possesed of a significant degree of complexity. This note will propose an alternative approach to estimation of this model based on the method of maximum simulated likelihood estimation as opposed to the received attempts which have approached the problem by direct maximization.