论文部分内容阅读
考虑到在实际应用中解释变量对被解释变量的影响可能随某些变量变化,变系数模型将解释变量的系数定义为关于某些变量的函数。该模型可以有效地探测数据的动态特征,降低模型偏差,缓解高维灾难,同时便于模型的解释。但是以前大部分文献主要探讨的是变系数条件均值回归模型。而与均值回归相比,分位回归可以对数据有更全面的理解。基于以上优点,变系数分位回归模型逐渐成为经济、金融及医学等领域数据分析的重要工具。 本文主要研究变系数分位回归模型的估计问题,首次尝试将自适应加权平滑方法应用到变系数分位回归模型的估计中。自适应加权平滑方法可以根据数据结构特点自适应地选择用于估计的局部窗宽,能够很好地探测到未知函数的动态特征;同时,算法执行简单直接,所选择参数围绕默认值的微小变动不会对估计产生很大影响。因此,将该方法引入变系数分位回归模型可以简化窗宽等参数的选择,同时对波动较大或有不连续点的函数特征能够更好地捕捉。 本文同时考察了自适应加权平滑估计量的性质,验证了本文所提出的模型局部线性检验准则的可行性。通过数据模拟,将该方法与目前已有的变系数分位回归模型的其他估计方法:局部多项式方法、B-样条方法进行了比较,同时对相关参数的设置给予了说明。最后,分析了两组实例数据,阐述了变系数分位回归模型的实际应用。