有谁知道关于非线性回归的统计文献的好评论文章?我主要对一致性结果和渐近性感兴趣。
特别感兴趣的是模型
用于面板数据。
非参数方法的兴趣不大。
也欢迎提供期刊建议。
目前,我正在阅读《计量经济学手册》中的 Amemiya(1983),但我希望能得到更多更新的信息。
Wooldridge,JM(1996)《计量经济学杂志》中的“用不同的工具为不同的方程式估计方程系统” 是一个比上述评论晚的贡献的例子,因此不包括在内。
有谁知道关于非线性回归的统计文献的好评论文章?我主要对一致性结果和渐近性感兴趣。
特别感兴趣的是模型
用于面板数据。
非参数方法的兴趣不大。
也欢迎提供期刊建议。
目前,我正在阅读《计量经济学手册》中的 Amemiya(1983),但我希望能得到更多更新的信息。
Wooldridge,JM(1996)《计量经济学杂志》中的“用不同的工具为不同的方程式估计方程系统” 是一个比上述评论晚的贡献的例子,因此不包括在内。
Answers:
贝茨和瓦茨(Bates&Watts)撰写的《非线性回归分析及其应用》(2007年)一书立即浮现在人们的脑海。它由回归算法设计的一位大师(D. Bates)合着。注意并非完全新鲜 ; 我链接的版本于2007年发布,但大部分材料来自1989年版。话虽这么说,它绝对是权威的并且已经非常老了。我有时将它用作参考书,而且非常好。特别是在计算方面,这是必不可少的。它与Pinheiro&Bates 撰写的 “ S和S-PLUS中的混合效应模型 ”(2000年)非常吻合,该模型更接近于该问题的面板数据范例。
次要建议:Ruppert等。“ 半参数回归 ”(Semiparametric Regression, 2003)的计算重点不及B&W,但我认为它的范围也更广。根据我们定义非线性回归的方式,查看广义加法模型可能非常有见地,在某种程度上,伍德的“ 广义加法模型:R简介 ”(2017年;第二版)可能是最新的。参考那里,这是一个很好的阅读。同样,如果我们更关心局部回归模型,那么请检查Fan&Gijbels的“ 局部多项式建模及其应用 ”(1996年)也绝对是经典之作。(我很欣赏这些次要建议正在进一步远离面板数据范式,但我需要它们来说明我的观点。
评论:人们可能注意到,最近非参数回归书籍越来越少。这并非完全是偶然的:机器学习发生了。抛开最好的一般书籍,例如:Hastie等人的“ Statistics Learning Learning ”(2009年)。Murphy的“ 机器学习:概率论视角 ”(2013年),研究了Devroye等人。“ 模式识别的概率论 ”(1997年)非常详细地介绍了一致性结果,界限,错误率,收敛性等。因此,关于机器学习与计量经济学的交集,有一些评论文章,例如:Mullainathan&Spiess 撰写的《机器学习:一种应用的计量经济学方法》(2017年)或《大数据:计量经济学的新技巧》(瓦里安,2014年)。虽然它们提供了不错的概述,但没有对此问题进行严格的数学处理,尽管它们应该提供合理的参考文献清单。
非线性回归是一个成熟而广泛的话题,这就是为什么我怀疑最近有许多评论论文。我唯一能想到的论文是:
Motulsky HJ,Ransnas洛杉矶:“使用非线性回归将曲线拟合到数据:实用且非数学的回顾。” FASEB Journal,1(5),365-374 <-顾名思义,这是一个非数学的综述,因此不是寻找一致性和渐近性的好地方。
AR Gallant:“非线性回归”,《美国统计学家》第 29,第2号(1975年5月),第73-81页<-比您在问题中提到的论文还要旧。
您可能会在一些统计手册中找到很好的概述。例如,在Young的《回归方法手册》或Ryan的《现代回归方法》中,您可以找到有关非线性回归的一章。
关于一致性和渐近性,我可以推荐Huet等人的《非线性回归的统计工具》一书的第2章。
最后但并非最不重要的一点是,英语文学中的两个经典是上述的贝茨和瓦茨,以及塞伯和怀尔德的“非线性回归”。另一个很好的优点是Gallant的“非线性统计模型”