由于在回歸估計當中,經典的最小二乘估計僅僅關注了相應變量中心部分的變化趨勢,存在一定的局限性,為了克服這種局限,更全面的了解數據,1978年,Koenker提出了分位數回歸的方法。與常見的均值回歸相比較而言,分位數回歸是一種通過最小化加權殘差絕對值和來建立模型的方法,這種方法能夠通過設定不同的分位值點,來更全面的刻畫數據整體的分布特征,尤其在針對模型存在誤差項異方差、或數據包含有異常值時的情形下具有更好的表現。因此分位數回歸方法受到了廣泛的關注以及更為深入的實踐應用。但分位數回歸的估計效率會受到分位點取值的影響,因此衍生出了復合分位數回歸方法,在分位數回歸的基礎上,強制不同分位點上的回歸系數保持一致,從而進一步提高估計的效率。模型平均化是將來自不同模型的估計結果或預測結果,通過一定的權重進行平均化的方法,也稱為模型組合。與模型選擇相比,模型平均化方法能夠避免遺失數據信息及由于選擇錯誤模型而造成偏差的風險,相對于模型選擇方法更加穩健,是解決模型選擇不確定性并減低誤差的有效方法。本論文中,介紹了復合分位數回歸及模型平均化的理論基礎和優良性質,并在局部偏差框架下,將這兩方法相結合,用于參數估...

【文章頁數】：47 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1. 緒論
    1.1 論文研究背景
    1.2 分位數回歸的發展與研究現狀
    1.3 模型平均方法起源及發展
2. 分位數回歸基本理論與性質
    2.1 基本原理
    2.2 分位數回歸的性質
        2.2.1 分布特征指標及同變性
        2.2.2 穩健性
        2.2.3 分位數估計的漸近性質
3. 復合分位數回歸
    3.1 基本原理
    3.2 漸近性質
    3.3 Oracle性質
    3.4 局部復合分位數回歸
4. 模型平均方法
    4.1 模型平均方法基本原理
    4.2 權重選擇方法
5. 復合分位數平均估計模型
    5.1 基本框架
    5.2 性質及證明
    5.3 權重選擇
6. 數據模擬
    6.1 數據模擬
        6.1.1 數據生成
        6.1.2 結果分析
    6.2 實例分析
7. 總結與展望
    7.1 論文工作總結
    7.2 研究展望
參考文獻
致謝



本文編號：4000166