基于复合分位数回归的平均模型

发布时间：2024-07-02 23:21

　　由于在回归估计当中,经典的最小二乘估计仅仅关注了相应变量中心部分的变化趋势,存在一定的局限性,为了克服这种局限,更全面的了解数据,1978年,Koenker提出了分位数回归的方法。与常见的均值回归相比较而言,分位数回归是一种通过最小化加权残差绝对值和来建立模型的方法,这种方法能够通过设定不同的分位值点,来更全面的刻画数据整体的分布特征,尤其在针对模型存在误差项异方差、或数据包含有异常值时的情形下具有更好的表现。因此分位数回归方法受到了广泛的关注以及更为深入的实践应用。但分位数回归的估计效率会受到分位点取值的影响,因此衍生出了复合分位数回归方法,在分位数回归的基础上,强制不同分位点上的回归系数保持一致,从而进一步提高估计的效率。模型平均化是将来自不同模型的估计结果或预测结果,通过一定的权重进行平均化的方法,也称为模型组合。与模型选择相比,模型平均化方法能够避免遗失数据信息及由于选择错误模型而造成偏差的风险,相对于模型选择方法更加稳健,是解决模型选择不确定性并减低误差的有效方法。本论文中,介绍了复合分位数回归及模型平均化的理论基础和优良性质,并在局部偏差框架下,将这两方法相结合,用于参数估...

【文章页数】：47 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1. 绪论
    1.1 论文研究背景
    1.2 分位数回归的发展与研究现状
    1.3 模型平均方法起源及发展
2. 分位数回归基本理论与性质
    2.1 基本原理
    2.2 分位数回归的性质
        2.2.1 分布特征指标及同变性
        2.2.2 稳健性
        2.2.3 分位数估计的渐近性质
3. 复合分位数回归
    3.1 基本原理
    3.2 渐近性质
    3.3 Oracle性质
    3.4 局部复合分位数回归
4. 模型平均方法
    4.1 模型平均方法基本原理
    4.2 权重选择方法
5. 复合分位数平均估计模型
    5.1 基本框架
    5.2 性质及证明
    5.3 权重选择
6. 数据模拟
    6.1 数据模拟
        6.1.1 数据生成
        6.1.2 结果分析
    6.2 实例分析
7. 总结与展望
    7.1 论文工作总结
    7.2 研究展望
参考文献
致谢



本文编号：4000166