面板数据贝叶斯双惩罚分位回归方法研究

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

所属期刊栏目：40

分类号：O212.8(概率论与数理统计)

资助基金：国家社会科学基金;湖北省教育厅人文社科重点项目;湖北工业大学博士启动基金

在线出版日期：2022-02-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共16页

页码：150-165