基于粗糙性懲罰的變系數縱向數據模型的參數估計

郭海兵,李連慶

(1.淮海工學院 理學院，江蘇 連云港 222005；2.中國人民大學 統計學院，北京 100872)

0 引言

傳統的線性模型

中，往往認為回歸系數β是固定的，但是在一些問題中，這樣的假設很不合適。例如在縱向數據中，β表示某種藥品的邊際效用，顯然隨著時間的變化，單位藥品帶來的效用是在不斷的變化，甚至于病愈后這樣的效用是負的。Hastie(1993)通過很多的例子來揭示模型(1)的不足之處，并據此提出了變系數線性模型

1 參數估計及其性質

2.1 一些符號標記

其中:

這里假設所有的樣本信息都以提煉到模型之中了，誤差項只是一組白噪聲序列，也就是

1.2 參數估計

對于模型（5）中的變系數β() t的估計，通常使用非參數的方法。Fan(1999)和Xia(2004)等運用局部線性多項式

將問題轉化成局部最小二乘估計，并且證實了具有很好的漸進性質，但是估計的過程中涉及到兩個量——帶寬（bandwidth）和權重（weight）的選擇和優化是非常困難的事情。Hoover（1998）等人在使用了B樣條的方法進行了估計，但是該法對節點t0的要求比較高，當節點的間隔不等距的時候，計算過程帶來很大的困難。本文考慮如下基于粗糙性的懲罰似然函數的估計量

其中,q=n1+n2+…+nm,K1=…=Kp=K*,于是（7）式可以寫成

解之得

綜上，可以得到如下結論：

定理1變系數縱向數據模型(5)關于粗糙性懲罰似然函數（8）的估計量為:

其中:

1.3 估計量的數字特征

定理2定理1中的估計量的期望和協方差陣分別為:

證明：由于

而

帶入(10)式，可以得到(11)的前面部分。又因為

2 模擬計算

考慮模擬如下的模型：

圖1 光滑參數關于MSE的三維圖

圖2 三維等高線

圖1和圖2分別為光滑參數λ1,λ2關于MSE的三維圖和等高曲線圖。從中可以看出，MSE隨光滑參數λ1和λ2的增加逐漸減少，并且當兩者接近于2時候，即接近于穩定。因此，光滑參數的選擇上可以運用網格搜索的方法來實現。

表1 均方誤差關于me的比較

表1給出了不同的光滑參數組合下，分別進行30次、100次和200次模擬的得到MSE、MSE1和MSE2的平均值。從表1可以看出，隨著模擬次數的增加，誤差在逐漸的減少，隨著光滑系數的增加誤差也在減少；并且當λ1,λ2很小的時候，不同的組合，對于誤差的影響較大；兩者取值較大時，不同組合影響在減小。

圖3 β1模擬結果

圖4 β2的模擬結果

圖3和圖4分別是β1和β2的模擬結果，從左到右依次為30次、100次和200次模擬的平均值。其中實線為真實值，虛線為估計值。

[1]Hastie,T.J.,Tibshriani,R.J.Varying-Coefficient Model[J]J.Roy.Statist. Soc.,1993,(B55).

[2]Hoover,D.R.,Rice,J.A.,Wu,C.O.,Etal.Noparametric Smoothing Estimates of Time-Varying Coefficient Models with Longitudinal Data[J]. Biometrika,1998,(85).

[3]Fan,J.Q.,Zhang,W.Y.Statistical Estimation In Varying Coefficient Models[J].Ann.Statist.,1999，(33).

[4]Xia,Y.,Zhang,W.,Tong,H.Efficient Estimation for Semivarying-Coefficient Models[J].Biometrika，2004,(91).

[5]Li,Z.X.,Xu,W.L.,Zhu,L.X.Influence Diagnostics and Outlier Tests for Varying Coefficient Mix Models[J].Journal of Multivariate Analysis，2009,(100).

[6]Green,P.J.,Silverman,B.W.Nonparametric Regression Generalied Linear Model[M].London:Chapman and Hall,1994.

[7]唐慶國,王金德.縱向變系數模型中的減元估計法[J].中國科學A輯,2008，(38).