广西师范大学学报（自然科学版） ›› 2022, Vol. 40 ›› Issue (1): 150-165.doi: 10.16088/j.issn.1001-6600.2021060917

• 研究论文 • 上一篇    下一篇

面板数据贝叶斯双惩罚分位回归方法研究

舒婷, 罗幼喜, 李翰芳*   

  1. 湖北工业大学 理学院, 湖北 武汉 430068
  • 收稿日期:2021-06-09 修回日期:2021-06-22 出版日期:2022-01-25 发布日期:2022-01-24
  • 通讯作者: 李翰芳(1979—), 女, 湖北麻城人, 湖北工业大学讲师, 博士。E-mail: 420360735@qq.com
  • 基金资助:
    国家社会科学基金(17BJY210); 湖北省教育厅人文社科重点项目(20D043); 湖北工业大学博士启动基金(BSQD2020103)

Double Penalty Quantile Regression for Panel Data Models Based on Bayesian Method

SHU Ting LUO Youxi LI Hanfang*   

  1. School of Science, Hubei University of Technology, Hubei Wuhan 430068, China
  • Received:2021-06-09 Revised:2021-06-22 Online:2022-01-25 Published:2022-01-24

PDF (PC)

203

摘要： 在面板数据混合效应模型中,大量未知随机效应的存在,给模型参数估计带来极大困难;同时随机误差的分布未知,不同分布下的随机误差会增加模型计算的复杂度,对固定效应与随机效应系数的变量选择与估计带来困难。为了解决这一问题,本文建立贝叶斯双Adaptive Lasso分位回归模型,将Adaptive Lasso惩罚函数同时引入到含固定效应与随机效应的面板数据中,构造参数估计的Gibbs抽样算法。蒙特卡罗模拟结果表明,该方法不仅能准确估计不同面板数据模型的参数系数,还能对重要变量进行选择。

关键词: 双Adaptive Lasso惩罚, Gibbs抽样算法, 分位回归, 随机效应, 贝叶斯方法

Abstract: In the mixed-effects models of panel data, it is difficult to estimate the parameters of the model because of a large number of unknown random effects. At the same time, because the distribution of random errors is unknown, the random errors under different distributions increase the complexity of model computation and bring difficulties to the selection and estimation of variables for the coefficients of fixed and random effects. To solve this problem, this paper establishes a double Bayesian Adaptive Lasso quantile regression model, and introduces the Adaptive Lasso penalty function into the panel data with fixed and random effects at the same time. A Gibbs sampling algorithm for parameter estimation is also constructed. The Monte Carlo simulation results show that the method not only accurately estimates the parameter coefficients of different panel data models, but also allows the selection of important variables.

Key words: double adaptive Lasso penalty, Gibbs sampling algorithm, quantile regression, random effects, Bayesian method

中图分类号: 

  • O212.8
[1] TIAN R Q, XUE L G. Generalized empirical likelihood inference in generalized linear models for longitudinal data[J]. Communications in Statistics-Theory and Methods, 2014, 43(18): 3893-3904.
[2]JAYNES E T. Information theory and statistical mechanics[J]. Physical Review, 1957, 106(4): 620.
[3]JAYNES E T. Information theory and statistical mechanics. II[J]. Physical Review, 1957, 108(2): 171.
[4]TIBSHIRANI R. Regression shrinkage and selection via the Lasso[J]. Journal of the Royal Statistical Society: Series B (Methodological), 1996, 58(1): 267-288.
[5]PARK T, CASELLA G. The Bayesian Lasso[J]. Journal of the American Statistical Association, 2008, 103(482): 681-686.
[6]杨磊, 夏亚波, 毛欣瑶, 等. 基于分层贝叶斯Lasso的稀疏ISAR成像算法[J]. 电子与信息学报, 2021, 43(3): 623-631.
[7]ZOU H. The adaptive Lasso and its oracle properties[J]. Journal of the American Statistical Association, 2006, 101(476): 1418-1429.
[8]LI B H, WU J. Bayesian bootstrap adaptive Lasso estimators of regression models[J]. Journal of Statistical Computation and Simulation, 2021, 91(8): 1651-1680.
[9]李翰芳, 罗幼喜, 田茂再. 面板数据的贝叶斯Lasso分位回归方法[J]. 数量经济技术经济研究, 2013,30(2): 138-149.
[10]李子强, 田茂再, 罗幼喜. 面板数据的自适应Lasso分位回归方法研究[J]. 统计与信息论坛, 2014, 29(7): 3-10.
[11]王小燕, 姚佳含, 袁欣. 带网络结构的自适应Lasso分位数回归及其应用[J]. 系统工程理论与实践, 2019, 39(8): 1954-1965.
[12]张巧琦. 基于MM算法的纵向数据双惩罚分位模型研究[D]. 上海:上海师范大学, 2018.
[13]NEAL R M. Slice sampling[J]. The Annals of Statistics, 2003, 31(3): 705-767.
[14]ALHAMZAWI R, YU K M. Bayesian Lasso-mixed quantile regression[J]. Journal of Statistical Computation and Simulation, 2014, 84(4): 868-880.
[15]KOZUMI H, KOBAYASHI G. Gibbs sampling methods for Bayesian quantile regression[J]. Journal of Statistical Computation and Simulation, 2011, 81(11): 1565-1578.
[16]ANDREWS D F, MALLOWS C L. Scale mixtures of normal distributions[J]. Journal of the Royal Statistical Society: Series B (Methodological), 1974, 36(1): 99-102.
[17]罗幼喜, 田茂再. 面板数据的分位回归方法及其模拟研究[J]. 统计研究, 2010,27(10): 81-87.
[1] 孙烨, 蒋京京, 王纯杰. 广义极值回归模型下现状数据的贝叶斯估计[J]. 广西师范大学学报（自然科学版）, 2022, 40(1): 82-90.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
[1] 刘国伦, 宋树祥, 岑明灿, 李桂琴, 谢丽娜. 带宽可调带阻滤波器的设计[J]. 广西师范大学学报（自然科学版）, 2018, 36(3): 1 -8 .
[2] 刘铭, 张双全, 何禹德. 基于改进SOM神经网络的异网电信用户细分研究[J]. 广西师范大学学报（自然科学版）, 2018, 36(3): 17 -24 .
[3] 胡郁葱, 陈栩, 罗嘉陵. 多起终点多车型混载的定制公交线路规划模型[J]. 广西师范大学学报（自然科学版）, 2018, 36(4): 1 -11 .
[4] 唐堂, 魏承赟, 罗晓曙, 丘森辉. 基于附加惯性项人群搜索算法的四旋翼无人机姿态控制研究[J]. 广西师范大学学报（自然科学版）, 2018, 36(4): 12 -19 .
[5] 林越, 刘廷章, 黄莉荣, 奚晓晔, 潘建. 基于双向KL距离聚类算法的变压器状态异常检测[J]. 广西师范大学学报（自然科学版）, 2018, 36(4): 20 -26 .
[6] 韦振汉, 宋树祥, 夏海英. 基于随机森林的锂离子电池荷电状态估算[J]. 广西师范大学学报（自然科学版）, 2018, 36(4): 27 -33 .
[7] 许远静, 胡维平. 基于随机森林的不同程度病态嗓音识别[J]. 广西师范大学学报（自然科学版）, 2018, 36(4): 34 -41 .
[8] 张灿龙, 苏建才, 李志欣, 王智文. 基于AdaBoost置信图的红外与可见光目标跟踪[J]. 广西师范大学学报（自然科学版）, 2018, 36(4): 42 -50 .
[9] 刘电霆, 吴丽娜. 社会网络中基于信任的LDA主题模型领域专家推荐[J]. 广西师范大学学报（自然科学版）, 2018, 36(4): 51 -58 .
[10] 姜影星, 黄文念. 非线性薛定谔-麦克斯韦方程的基态解[J]. 广西师范大学学报（自然科学版）, 2018, 36(4): 59 -66 .
版权所有 © 广西师范大学学报（自然科学版）编辑部
地址：广西桂林市三里店育才路15号　邮编：541004
电话：0773-5857325　E-mail: gxsdzkb@mailbox.gxnu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发