令ρτ(u)=u[τ-I(u<0)]是分位数损失函数且τ∈(0,1)。设
QY(τ|X,W)=inf{y:P(Y≤y|X,W)≥τ}
为给定变量X和W的条件下Y的τ条件分位数。因为
FY|X,W{QY(τ|X,W)|X,W}=τ,
部分线性模型(4.0.1)中Y的τ条件分位数可表示为
当数据没有截断且gτ(·)是已知的,模型(4.1.5)中的βτ的分位数估计量是下列函数的最小值
它的积分形式为
其中是{(Xi,Yi,Wi),1≤i≤N}的经验分布。在左截断情形下,用(4.1.4)中的Fn(x,y,w)替换(4.1.6)中的,得
于是,通过使下列加权的分位数损失函数取最小值
可得(4.1.5)中βτ在左截断数据下的分位数估计量。注意到(4.1.8)包含未知的非参数部分gτ(·),它可由局部线性方法估计。当Wi在点w的某一邻域里,gτ(Wi)可由下列的局部线性方法逼近,即
gτ(Wi)≈gτ(w)+g′τ(w)(Wi-w)∶=aτ+bτ(Wi-w)。
于是(4.1.5)可表示为
接下来借助Kai等人(2011)中的三阶段估计方法。第一阶段,采用局部线性回归方法获得βτ和gτ(·)的初始的估计量,第二和第三阶段,进一步改进初始估计量βτ和gτ(·)的有效性。令是下列局部加权分位数损失函数的最小值
其中Kh(·)=K(·/h)/h是一个核函数K(·),h是窗宽。记=,我们取作为初始估计量。
给定(X,W)=(x,w),令和分别表示ε的条件分布函数和条件密度函数。再令(www.daowen.com)
μj=∫ujK(u)du且νj=∫ujK2(u)du,j=0,1,2,…。
定理4.1.1 假设4.4节中条件(C1)—(C6)成立,若h→0,且nh→∞,则
其中C2(w)=E{fε(0|X,W)(1,XT)T(1,XT)|W=w},D2(w)=。
注4.1.1 定理4.1.1表明是一个相合估计量。这是因为我们仅使用了在w的局部邻域里的数据去估计βτ。
基于初始估计量,可以进一步改进,通过下式获得βτ的一个新的估计量
令δ(x,w)=,对任意一个矩阵H,H⊗2=HHT。
定理4.1.2 假设4.4节中条件(C1)—(C6)成立,若nh4→0,且nh2/log(1/h)→∞,则
其中A=E{fε(0|X,W)X⊗2},B=,=X-δ(X,W)。
定理4.1.2给出了的一个相合估计量。进一步,基于,可改进的有效性。为此,令是下列函数的最小值
定义。
定理4.1.3 假设4.4节中条件(C1)—(C6)成立,若h→0,且nh→∞,则
其中C3(w)=E{fε(0|X,W)|W=w}。
注4.1.2 定理4.1.3表明和一样,有相同的条件渐近偏差,但比的条件渐近方差小。因此,比有效。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。