导读:本文包含了回归估计论文开题报告文献综述、选题提纲参考文献，主要关键词:位数,模型,渐近,函数,数据,线性,系数。
回归估计论文文献综述写法
王快妮,曹进德,刘庆山[1]（2019）在《基于指数Laplace损失函数的回归估计鲁棒超限学习机》一文中研究指出实际问题的数据集通常受到各种噪声的影响,超限学习机(extreme learning machine, ELM)对这类数据集进行学习时,表现出预测精度低、预测结果波动大.为了克服该缺陷,采用了能够削弱噪声影响的指数Laplace损失函数.该损失函数是建立在Gauss核函数基础上,具有可微、非凸、有界且能够趋近于Laplace函数的特点.将其引入到超限学习机中,提出了鲁棒超限学习机回归估计(exponential Laplace loss function based robust ELM for regression, ELRELM)模型.利用迭代重赋权算法求解模型的优化问题.在每次迭代中,噪声样本点被赋予较小的权值,能够有效地提高预测精度.真实数据集实验验证了所提出的模型相比较于对比算法具有更优的学习性能和鲁棒性.(本文来源于《应用数学和力学》期刊2019年11期）
余平[2]（2019）在《基于FPCA的部分函数型线性模型的复合分位数回归估计》一文中研究指出本文研究了部分函数型线性回归模型的复合分位数估计问题.采用函数型主成分基函数对斜率函数和函数型预测变量进行展开,在相当宽松的条件下给出斜率函数的最优收敛速度和参数部分的渐近正态性.最后通过理论模拟来评价提出方法的有效性.(本文来源于《山西师范大学学报(自然科学版)》期刊2019年03期）
王松,罗双华[3]（2019）在《响应变量缺失下加权复合分位数回归估计》一文中研究指出目的讨论响应变量随机缺失下复合线性分位数回归模型的估计和渐近性质。方法逆概率加权方法和复合分位数回归方法相结合。结果得到了响应变量缺失下的加权复合分位数估计,且在一定条件下证明了所得估计的渐近正态性。结论复合分位数综合考虑了多个分位点的信息,提高了所得估计的效率。(本文来源于《宝鸡文理学院学报(自然科学版)》期刊2019年03期）
杨秀桃,杨善朝[4]（2019）在《α混合样本下积分权回归估计的强相合性》一文中研究指出本文在α混合样本下研究Gasser和Müller提出的一类积分权非参数核回归估计的大样本性质.利用α混合序列的概率指数不等式和矩不等式,在较弱的条件下获得了积分权回归函数估计的强相合性与一致强相合性,推广了独立样本下该回归函数估计的相合性结果.(本文来源于《数学杂志》期刊2019年06期）
罗登菊[5]（2019）在《纵向数据下几类回归模型的复合分位数回归估计》一文中研究指出本文主要利用复合分位数回归估计方法研究纵向数据下两类回归模型的统计推断问题.随机效应模型是纵向数据处理中最常用的模型之一.对于随机效应模型,利用复合分位数回归估计对模型的参数进行估计,并在一定正则条件下证明了该估计渐近正态性.通过模拟研究,比较了传统最小二乘估计、中位数回归估计以及复合分位数回归估计的精度,模拟结果显示,在样本有限的情况下,本文所提出的方法对随机效应模型的参数估计是有效的,特别是模型误差项不服从正态分布时,复合分位数回归估计的的Bias、SD以及RMSE都是最优的;在分位点的选取上,K=9计算简单且精度高;最后将本文所提方法应用到饮酒后血醇含量数据中,并得到了较好的结果.变系数模型是线性模型的推广,具有更强的灵活性和解释性,特别适合纵向数据的分析.对于变系数模型,在复合分位数回归框架下,基于局部多项式逼近构造出目标函数,求解目标函数得到模型的系数函数和方差函数的估计,在一定的正则条件下给出估计的大样本性质.在模拟研究时,用加权最小二乘估计与复合分位数回归估计作比较,模拟结果显示,在样本有限的情况下,本文所提出的方法对具有不同方差结构的变系数模型的估计是有效的,并且在不同方差结构下也有很好的表现.(本文来源于《贵州大学》期刊2019-06-01）
陈珩,黄尉,陈迪荣[6]（2019）在《基于系数正则的同时回归估计》一文中研究指出提取两个随机向量X与Y之间的相关性是非常重要的问题.核方法被用来提取非线性的相关性.本文通过极小化方差Var[f(X)-g(Y)]得到最大相关性,称为同时回归,其中f(X)和g(Y)分别是两个不同的再生核空间中的函数.本文利用正则经验方差极小化得到估计.为了所得的估计函数具有稀疏性,本文采用系数的l_1范数作为惩罚项,在一些常规条件下建立学习率.同时回归问题与典型相关分析、切片逆回归等密切相关.(本文来源于《中国科学:数学》期刊2019年09期）
朱坤英[7]（2019）在《基于局部线性回归估计的模型线性检验》一文中研究指出在统计学的研究和应用中,线性回归模型是一类重要的参数回归模型,是研究其他统计回归模型的基础。线性回归模型的应用也非常广泛,比如在经济学、金融学、医学、工业、农业等领域都有广泛的应用。但是如果数据不服从线性回归模型,仍然用它对数据进行统计推断,或许不能揭示数据中隐藏的真正的相关关系,造成对所判断事物的错误理解,从而导致对所判断事物的预测失去了准确性。因此,对数据是否服从线性回归模型或者某一给定的参数回归模型的研究是非常重要的。人们通常假设观测数据服从某一线性模型结构:Y=f(X)+ε,如果回归函数f(X)的形式已知,只有未知参数,则用参数回归模型对数据进行研究分析,如果回归函数的形式完全未知,则用非参数回归模型进行分析,再对模型的结构进行探索研究。在实际应用和统计分析中,回归模型的函数形式一般是不知道的,所以常用非参数回归模型进行研究,用非参数回归模型对回归函数的估计方法有很多,常用的有核方法、局部多项式方法,样条方法等。本文主要研究的问题是假设对一组数据已经有了基于局部多项式方法(文中主要讨论的是局部线性回归法)对回归函数的估计,通过对局部回归得参数估计的结果进行分析,比如作出拟合值的散点图,发现这些拟合曲线可能是一条直线,由此提出本文的研究问题:如果观测数据服从线性模型,那么在理论上局部参数估计的期望相同,估计值差别不大,从而将检验观测数据的线性问题转化为检验局部参数估计的差异问题。文中对提出的检验问题构造了合适的检验统计量,并讨论其性质,通过数据模拟对理论结果进行了验证,表明方法是可行的。论文创新点在于不是基于原始观测数据构造检验统计量进行回归检验,而是通过局部线性回归得到局部参数估计后,基于局部参数估计构造检验统计量进行假设检验。显然若我们有原始的观测数据,则可直接构造全局的线性回归模型完成模型的线性检验,而文中提出的检验统计量是基于局部线性回归估计构造的。显然看起来没有基于原始观测数据构造的检验统计量好。但这样做的意义在于即使观测数据丢失只有其局部参数估计的条件下,依然能对数据进行线性检验。而在现代信息技术高速发展的背景下,原始数据量可能非常大,不易存储或者存在缺失时,文中研究的问题则具有一定的意义。(本文来源于《华中师范大学》期刊2019-05-01）
罗登菊,戴家佳,罗兴甸[8]（2019）在《随机效应模型的复合分位数回归估计》一文中研究指出在纵向数据处理中,随机效应模型是使用频率非常高的模型之一。本文主要采用复合分位数回归估计的方法,在对其参数进行估计的同时,证明了此估计渐近正态性。经模拟研究,比对了中位数回归估计、传统最小二乘估计和复合分位数回归估计叁种估计的精度,模拟结果显示,在样本有限的情况下,本文所提出的方法对随机效应模型的参数估计是有效的,尤其当模型误差项不遵循高斯分布时,复合分位数回归估计的实用性是明显的。(本文来源于《贵州大学学报(自然科学版)》期刊2019年02期）
陈光慧[9]（2019）在《多阶连续抽样设计下广义加权回归估计方法研究》一文中研究指出在抽样调查领域中,关于抽样方案设计的研究应用较为充分和完整,但关于抽样估计的研究应用却较为缺乏和滞后。本文首先总结了国外相关研究成果,研究了基于广义加权回归的抽样估计方法,同时证明其满足渐近设计无偏和最小化渐近期望方差的理论条件。同时,本文以各类常见的抽样设计为基础,通过模型组和模型水平将现有的超总体回归模型进行扩展,基于复杂的多阶连续抽样调查,建立各种类型的超总体回归模型进行模型辅助的广义加权回归抽样估计,给出了具体的回归估计步骤和结果,最终形成一套关于广义加权回归抽样估计的理论方法体系,为抽样估计方法在我国政府统计部门中的有效应用奠定理论基础。(本文来源于《数理统计与管理》期刊2019年06期）
王江峰,裘良华,张慧增[10]（2019）在《删失数据下回归函数的加权局部复合分位数回归估计》一文中研究指出在右删失数据下,研究了误差具有异方差结构的非参数回归模型,利用局部多项式方法构造了回归函数的加权局部复合分位数回归估计,并得到了该估计的渐近正态性结果,最后通过模拟,当误差为重尾分布时,该估计比局部多项式估计以及核估计表现得更好.(本文来源于《高校应用数学学报A辑》期刊2019年01期）
回归估计论文开题报告范文
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文研究了部分函数型线性回归模型的复合分位数估计问题.采用函数型主成分基函数对斜率函数和函数型预测变量进行展开,在相当宽松的条件下给出斜率函数的最优收敛速度和参数部分的渐近正态性.最后通过理论模拟来评价提出方法的有效性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
回归估计论文参考文献
[1].王快妮,曹进德,刘庆山.基于指数Laplace损失函数的回归估计鲁棒超限学习机[J].应用数学和力学.2019
[2].余平.基于FPCA的部分函数型线性模型的复合分位数回归估计[J].山西师范大学学报(自然科学版).2019
[3].王松,罗双华.响应变量缺失下加权复合分位数回归估计[J].宝鸡文理学院学报(自然科学版).2019
[4].杨秀桃,杨善朝.α混合样本下积分权回归估计的强相合性[J].数学杂志.2019
[5].罗登菊.纵向数据下几类回归模型的复合分位数回归估计[D].贵州大学.2019
[6].陈珩,黄尉,陈迪荣.基于系数正则的同时回归估计[J].中国科学:数学.2019
[7].朱坤英.基于局部线性回归估计的模型线性检验[D].华中师范大学.2019
[8].罗登菊,戴家佳,罗兴甸.随机效应模型的复合分位数回归估计[J].贵州大学学报(自然科学版).2019
[9].陈光慧.多阶连续抽样设计下广义加权回归估计方法研究[J].数理统计与管理.2019
[10].王江峰,裘良华,张慧增.删失数据下回归函数的加权局部复合分位数回归估计[J].高校应用数学学报A辑.2019