• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文学位 >Robust estimators for finite mixtures of count data regression models and their applications.
【24h】

Robust estimators for finite mixtures of count data regression models and their applications.

机译：计数数据回归模型的有限混合的稳健估计器及其应用。

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Finite mixtures of count data regression models have been successfully used for modeling discrete responses arising from heterogeneous populations. But the maximum likelihood (ML) estimator for such models are sensitive to data contamination and extreme values. This dissertation develops two robust estimators for finite mixtures of count data regression models. One is the minimum Hellinger distance (MHD) estimator and the other is the minimum L2 error (L2E) estimator, a special case of the minimum density power divergence estimator. Two Monte Carlo simulation studies show that the MHD and L 2E estimators are more robust than the ML one but come at the cost of efficiency. However, the robustness property of the MHD and L2E estimators is deteriorated as the mixing probability approaches one.;For empirical application, this dissertation uses the data from Dionne et al. (1996), the extent of non-payments of personal loans in Spain, and from Deb and Trivedi (2002), counts of utilization from the RAND Health Insurance Experiment, respectively. The estimated results show that the two-component Poisson mixture regression model is the best fit model for the first data set and the two-component negative binomial one mixture regression model for the second data set. But both of the model specifications are preferred to be estimated by the ML estimation that could be attributed to the flexibility of the finite mixture model and data processing procedures.
机译：计数数据回归模型的有限混合已成功地用于对异类种群产生的离散响应进行建模。但是，此类模型的最大似然（ML）估计器对数据污染和极值敏感。本文针对计数数据回归模型的有限混合，建立了两个鲁棒的估计器。一个是最小Hellinger距离（MHD）估计器，另一个是最小L2误差（L2E）估计器，这是最小密度功率发散估计器的一种特殊情况。两项蒙特卡洛仿真研究表明，MHD和L 2E估计量比ML 1和2 L估计量更稳健，但以效率为代价。然而，随着混合概率接近1，MHD和L2E估计量的鲁棒性会变差。;对于经验应用，本文使用Dionne等人的数据。 （1996年），以及西班牙Deb和Trivedi（2002年）未偿还个人贷款的程度，分别来自RAND健康保险实验的使用率。估计结果表明，两组分Poisson混合回归模型是第一个数据集的最佳拟合模型，而二组分负二项式一个混合回归模型是第二个数据集的最佳拟合模型。但是，两个模型规范最好都由ML估计来估计，这可以归因于有限混合模型和数据处理过程的灵活性。

著录项

  • 作者

    Tsao, Ti-Jen.;

  • 作者单位

    City University of New York.;

  • 授予单位 City University of New York.;
  • 学科 Economics General.
  • 学位 Ph.D.
  • 年度 2010
  • 页码 100 p.
  • 总页数 100
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号