经验(欧氏)似然方法是近年来非常流行的一种非参数统计方法.
针对经验(欧氏)似然的凸包限制和计算复杂问题,
本文借助Emerson和Owen(2009)所提出的平衡增加思想对经验欧氏似然进行修正,
得到了平衡增加的经验欧氏似然. 随后论文从理论和模拟两个方面进行了研究.
理论上给出了该方法与经验欧氏似然检验函数之间的联系,
即在固定的样本量下随着添加点位置的连续变化,
检验方法可以从简单的均值增加经验欧氏似然变化到经验欧氏似然检验; 模拟结果显示,
适当选取调整因子, 平衡增加的经验欧氏似然相对于(调整)经验欧氏似然而言,
在大多数情况下, 其分布更接近于对应的极限分布.
分位数变系数模型是一种稳健的非参数建模方法. 使用变系数模型分析数据时,
一个自然的问题是如何同时选择重要变量和从重要变量中识别常数效应变量.
本文基于分位数方法研究具有稳健和有效性的估计和变量选择程序. 利用局部光滑和自适应组变量选择方法,
并对分位数损失函数施加双惩罚, 我们获得了惩罚估计. 通过BIC准则合适地选择调节参数,
提出的变量选择方法具有oracle理论性质, 并通过模拟研究和脂肪实例数据分析来说明新方法的有用性.
数值结果表明, 在不需要知道关于变量和误差分布的任何信息前提下,
本文提出的方法能够识别不重要变量同时能区分出常数效应变量.