کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7546062 1489620 2018 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Model averaging procedure for varying-coefficient partially linear models with missing responses
ترجمه فارسی عنوان
روش میانگین محاسبه برای مدل خطی تقریبی ضرایب با پاسخ های گمشده
ترجمه چکیده
این مقاله در مورد روش میانگین سازی مدل برای مدل های خطی متغیر با ضریب متغیر با پاسخ های از دست رفته است. روند برآورد فاکتورهای کمی مربع و روش وزن معکوس معکوس برای تخمین ضرایب رگرسیون از مدل های محدود به کار رفته محدود می شود که در آن نمره گرایش با روش نمره ی گرایش متعادل کردن کاواریات برآورد می شود. برآوردگرهای پارامترهای خطی نشان داده شده اند که به طور صحیح طبیعی هستند. سپس ما معیار اطلاعات متمرکز را توسعه می دهیم، فرمول تخمینی میانگین محاسبه مدل را ارائه می دهیم و فواصل اطمینان متناظر را ایجاد می کنیم. برخی از مطالعات شبیه سازی برای بررسی عملکرد نمونه های محدود از روش های پیشنهادی انجام شده است. ما دریافتیم که نمره گرایش متعادل کننده متغیر عملکرد برآوردگر وزن معکوس احتمال را افزایش می دهد. ما همچنین برتری مدل پیشنهادی برآورد کننده میانگین را نسبت به استراتژی های موجود را از نظر خطای متوسط ​​مربع و احتمال پوشش، نشان می دهیم. در نهایت، رویکرد ما بیشتر به نمونه ای واقعی داده شده است.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات آمار و احتمال
چکیده انگلیسی
This paper is concerned with model averaging procedure for varying-coefficient partially linear models with missing responses. The profile least-squares estimation process and inverse probability weighted method are employed to estimate regression coefficients of the partially restricted models, in which the propensity score is estimated by the covariate balancing propensity score method. The estimators of the linear parameters are shown to be asymptotically normal. Then we develop the focused information criterion, formulate the frequentist model averaging estimators and construct the corresponding confidence intervals. Some simulation studies are conducted to examine the finite sample performance of the proposed methods. We find that the covariate balancing propensity score improves the performance of the inverse probability weighted estimator. We also demonstrate the superiority of the proposed model averaging estimators over those of existing strategies in terms of mean squared error and coverage probability. Finally, our approach is further applied to a real data example.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of the Korean Statistical Society - Volume 47, Issue 3, September 2018, Pages 379-394
نویسندگان
, , , ,