空间变系数分位数回归模型的稳健模型识别问题研究

发布时间：2021-04-12 18:28

　　空间变系数回归模型因其在空间数据分析中包含多种优秀的性能而受到广泛关注,其主要特点是可以解决模型中存在的空间非平稳性问题。分位数回归方法,虽对非正态分布数据或响应变量中存在异常值时具有稳健性,但不能处理协变量存在异常值的情形。此外,在高维数据分析中常常存在较多的干扰/无关变量,如何准确找出这些无关或者相关性很低的变量来提高模型的可解释性显得十分有必要。即使有些变量和响应变量是相关的,但是这种相关性很可能并不随着时间或空间位置的变化而变化,如何识别出这些常系数变量以便提高模型的简洁性同样显得很有意义。为此,本文结合加权分位数回归方法和双惩罚压缩估计的思想,考虑了空间变系数回归模型的稳健模型识别问题。新方法能有效地处理非正态误差分布以及模型中自变量或者因变量存在异常值的问题。最终,通过若干蒙特卡洛模拟和一个实例分析验证新方法的稳健性和有效性。 

【文章来源】：湖南师范大学湖南省 211工程院校

【文章页数】：49 页

【学位级别】：硕士

【部分图文】：

变系数图

【参考文献】：
期刊论文
[1]稳健矩阵回归模型和方法研究[J]. 陈丙振,孔令臣,尚盼.  计算数学. 2018(04)
[2]基于Group Lasso的Logistic回归模型构建绝经后骨质疏松性骨折初发风险评估工具[J]. 章轶立,魏戌,聂佩芸,申浩,虞鲲,康树,谢雁鸣.  中国骨质疏松杂志. 2018(08)
[3]带有缺失数据的分位数回归模型的参数估计[J]. 丁先文,陈建东,朱小芹.  统计与决策. 2018(06)
[4]广义自回归模型参数的收缩估计[J]. 熊健,李元.  数理统计与管理. 2008(04)

博士论文
[1]地理时空神经网络加权回归理论与方法研究[D]. 吴森森.浙江大学 2018
[2]高维模型的变量选择与稀疏正则化[D]. 王延新.武汉大学 2013

硕士论文
[1]删失指示量缺失情形下变系数部分线性模型的统计推断[D]. 宁黎明.武汉科技大学 2019
[2]线性Bayes混合地理加权回归模型参数估计及其应用[D]. 赵静.新疆财经大学 2018
[3]变系数模型的复合分位数回归及变量选择[D]. 叶卢灵.浙江工商大学 2018
[4]基于分位数回归的自适应组Lasso变量选择[D]. 牟建波.西南交通大学 2017
[5]时空地理加权回归模型的统计诊断[D]. 刘美玲.西安建筑科技大学 2013
[6]分位数回归在时间序列中的应用[D]. 彭良玉.天津大学 2010
[7]混合地理加权回归模型的统计推断[D]. 齐飞.中央民族大学 2010



本文编号：3133768