贝叶斯复合分位回归的Gibbs抽样算法（英文）

作     者：田玉柱 王立勇 武新乾 田茂再 TIAN Yuzhu;WANG Liyong;WU Xinqian;TIAN Maozai

作者机构：中央财经大学统计与数学学院北京100081 河南科技大学数学与统计学院洛阳471023 中国人民大学应用统计科学研究中心北京100872 

出 版 物：《应用概率统计》 (Chinese Journal of Applied Probability and Statistics)

年 卷 期：2019年第35卷第2期

页      面：178-192页

学科分类：02[经济学] 0202[经济学-应用经济学] 020208[经济学-统计学] 07[理学] 0714[理学-统计学（可授理学、经济学学位）] 070103[理学-概率论与数理统计] 0701[理学-数学] 

基　　金：partly supported by the China Postdoctoral Science Foundation(Grant No.2017M610156) the National Natural Science Foundation of China(Grant No.11501167) the Young Academic Leaders Project of Henan University of Science and Technology(Grant No.13490008) 

主　　题：复合反对称Laplace分布(CALD) 马尔可夫链蒙特卡洛(MCMC)算法 分位回归 Gibbs抽样 分层模型 后验推断 

摘      要：大多数基于传统均值回归的建模方法都对非正态误差表现出不稳健的估计结果.和传统均值回归相比,复合分位回归(CQR)可以产生稳健的估计.基于一个复合反对称Laplace分布(CALD),我们建立了加权复合分位回归(WCQR)的贝叶斯分层模型.Gibbs抽样算法被发展用于WCQR的后验推断.最后,我们提供了一些模拟研究和一个实际数据分析来验证所提方法.