摘要：針對協(xié)變量隨機缺失的乘積模型，結合逆概率加權（inverse probability weight，IPW）、絕對乘積相對誤差（least product relative error，LPRE）及非參數(shù)核估計方法，研究該模型中參數(shù)的估計問題。在一定的條件下，證明了提出的估計具有漸近正態(tài)性。最后，通過隨機實驗檢驗了新方法的有限樣本表現(xiàn)。

關鍵詞：乘積模型;隨機缺失;IPW;LPRE

中圖分類號：O212.7文獻標志碼：A

乘積模型是一類重要的參數(shù)模型，能夠處理非負響應變量的情況，具體形式如下：

針對協(xié)變量缺失的回歸模型，已有一些學者進行了研究。2011年，楊[12]基于經(jīng)驗似然方法，研究了協(xié)變量隨機缺失的線性模型的參數(shù)的置信區(qū)域構造問題。2012年，李[13]基于最小二乘、逆概率加權（inverse probability weight，IPW）及局部核光滑方法，研究了協(xié)變量隨機缺失的單指標模型的估計問題。2016年，劉[14]在不完整數(shù)據(jù)下，結合復合分位數(shù)方法，研究了參數(shù)及半?yún)?shù)模型的估計的統(tǒng)計性質。

然而，還未有學者在相對誤差LPRE的視角下，研究協(xié)變量隨機缺失的乘積模型。因此，作者結合LPRE、IPW與非參數(shù)核估計方法，研究協(xié)變量隨機缺失的乘積模型。

1估計方法

2理論性質

3模擬仿真

由表1和表2可以看到，在各種誤差分布、缺失率及樣本量下，由于LPRE-CC估計是有偏估計，LPRE-CC具有較大的Bias，因此導致MSE也較大;LPRE-NIPW和LPRE-IPW相比，具有較小的SD，該結果和定理2的結論是一致的;LPRE-NIPW與LPRE-CC和LPRE-IPW方法相比，具有最小的MSE，也就是說LPRE-NIPW方法比其他兩種方法更有效。再有，固定樣本量，隨著缺失率的增加，3種方法的MSE都增大，即估計效果都變差;固定缺失率，隨著樣本量的增加，3種方法的MSE都減小，即估計效果都變好。

值得注意的是，現(xiàn)實中由于真實的選擇概率是未知的，因此LPRE-IPW估計實際上是不可獲取的。LPRE-NIPW方法在使用非參數(shù)估計方法估計選擇概率時由于使用了更多的樣本信息，估計效果優(yōu)于LPRE-IPW方法。綜上，可知使用LPRE-NIPW方法估計協(xié)變量隨機缺失的乘積模型的未知參數(shù)具有較好的效果。

4總結

主要結合LPRE、逆概率加權及非參數(shù)估計方法，研究協(xié)變量隨機缺失的乘積模型的估計問題。在一定的條件下證明了LPRE-IPW與LPRE-NIPW估計的漸近正態(tài)性，通過比較兩者的協(xié)方差矩陣1和2，發(fā)現(xiàn)LPRE-NIPW估計具有更小的方差。最后通過隨機模擬，比較LPRE-CC、LPRE-IPW及LPRE-NIPW方法的表現(xiàn)，結果顯示LPRE-NIPW相比LPRE-IPW具有更小的SD，相比LPRE-CC具有較小的Bias，相比LPRE-IPW和LPRE-CC具有最小的MSE，從而驗證了LPRE-NIPW方法的有效性。此外，本文的研究方法可推廣至協(xié)變量隨機缺失的半?yún)?shù)乘積模型，研究結果可為進一步研究協(xié)變量隨機缺失的半?yún)?shù)乘積模型提供一定的理論基礎。參考文獻：

[1]CHEN K N， GUO S J， LIN Y Y， et al. Least absolute relative error estimation[J]. Journal of the American Statistical Association， 2010， 105（491）： 1104-1112.

[2] CHEN K N， LIN Y Y， WANG Z F， et al. Least product relative error estimation[J]. Journal of Multivariate Analysis， 2016， 144： 91-98.

[3] LIU H L， XIA X C. Estimation and empirical likelihood for single-index multiplicative models[J]. Journal of Statistical Planning and Inference， 2018， 193： 70-88.

[4] HU D H. Local least product relative error estimation for varying coefficient multiplicative regression model[J]. Acta Mathematicae Applicatae Sinica， English Series， 2019， 35（2）： 274-286.

[5] WANG Z F， CHEN Z M， WU Y H. A relative error estimation approach for multiplicative single index model[J]. Journal of Systems Science and Complexity， 2017， 30（5）： 1160-1172.

[6] ZHANG J， FENG Z H， PENG H. Estimation and hypothesis test for partial linear multiplicative models[J]. Computational Statistics and Data Analysis， 2018， 128： 87-103.

[7] 胡大海. 基于乘積相對誤差準則的模型研究[D]. 合肥： 中國科學技術大學， 2017.459EE679-44BB-44BD-8CBE-ABA3FE118A74

[8] 陳銀鈞. 半?yún)?shù)乘積模型的相關研究[D]. 貴陽： 貴州大學， 2020.

[9] 胡大海，張偉平.帶有右刪失的最小乘積相對誤差估計[J].中國科學技術大學學報，2017，47（9）：755-761.

[10]明浩，劉惠籃.可加乘積模型的研究[J].系統(tǒng)科學與數(shù)學，2020，40（3）：547-564.

[11]LITTLE R J A， RUBIN D B. Statistical analysis with missing data[M]. New York， United States： John Wiley and Sons， 2019.

[12]楊宜平.協(xié)變量隨機缺失下線性模型的經(jīng)驗似然推斷及其應用[J].數(shù)理統(tǒng)計與管理，2011，30（4）：655-663.

[13]李婷婷. 半變系數(shù)模型和單指標模型的相關研究[D]. 重慶： 重慶大學， 2012.

[14]劉惠籃. 基于復合分位數(shù)回歸方法的統(tǒng)計模型的相關研究[D]. 重慶： 重慶大學， 2016.

[15]NADARAYA E A. On estimating regression[J]. Theory of Probability and Its Applications， 1964， 9（1）： 141-142.

[16]WATSON G S. Smooth regression analysis[J]. Sankhy?。?The Indian Journal of Statistics， Series A， 1964： 359-372.

[17]HJORT N L， POLLARD D. Asymptotics for minimisers of convex processes[J]. arXiv preprint arXiv：1107.3806， 2011.

（責任編輯：曾晶）

Weighted LPRE Estimation for Multiplicative

Model with Missing Covariates

LIU Huilan*

（School of Mathematics and Statistics， Guizhou University， Guiyang 550025， China）Abstract： Based on inverse probability weight （IPW）， least product relative error （LPRE） and non-parametric kernel estimation methods， the estimation methods for the multiplicative model are studied when the covariates are missing at random. Under some regular conditions， the asymptotic normality of the proposed estimators is proved. Finally， some simulations are conducted to evaluate the finite sample performance of the new methods.

Key words： multiplicative model; missing at random; IPW; LPRE459EE679-44BB-44BD-8CBE-ABA3FE118A74