摘要：文章对含多重随机效应的纵向数据模型提出了两种新的惩罚分位回归法,通过对分位回归系数分别施加Lasso和自适应Lasso惩罚,两种方法能够对模型中的自变量进行自动选择。并设计了参数估计的交替迭代算法,讨论了最优惩罚参数选取方法。蒙特卡罗模拟结果显示,新方法不仅能对分位回归系数做出准确的估计和选择,而且对随机误差分布也具有较强的稳健性。

摘要：随机效应的引入为面板数据建模中样本相关和异方差问题提供了重要解决途径,过多的随机效应不仅会极大地增加模型复杂度,而且给固定效应系数的估计带来偏差。文章在考虑到随机效应具有整体性基础上,以横截面个体为单位,对其进行整体压缩。通过对固定和随机效应分别引入不同形式的条件Laplace先验,构造了一种与Group Lasso-Lasso惩罚相等价的贝叶斯双惩罚分位回归估计方法。通过设计切片Gibbs抽样算法,快速有效地解决了模型参数估计问题。计算机模拟显示,该方法不仅能对固定和随机效应参数进行精确估计,而且能对模型中真实包含的固定和随机效应进行自动选择。