商科代写|计量经济学代写Econometrics代考|ECON 2504

assignmentutor-lab™ 为您的留学生涯保驾护航在代写计量经济学Econometrics方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写计量经济学Econometrics代写方面经验极为丰富，各种代写计量经济学Econometrics相关的作业也就用不着说。

我们提供的计量经济学Econometrics及其相关学科的代写，服务范围广, 其中包括但不限于:

Statistical Inference 统计推断
Statistical Computing 统计计算
Advanced Probability Theory 高等概率论
Advanced Mathematical Statistics 高等数理统计学
(Generalized) Linear Models 广义线性模型
Statistical Machine Learning 统计机器学习
Longitudinal Data Analysis 纵向数据分析
Foundations of Data Science 数据科学基础

商科代写|计量经济学代写Econometrics代考|B-Spline Calibration Estimator

The calibration approach (Deville and Särndal 1992) is a method widely used in national statistical agencies. It consists of finding new weights $\left(w_{k s}^{\mathrm{cal}}\right){k \in s}$ that are as close as possible to the sampling weights $\left(d{k}\right){k \in s}$ and such that $\sum{k \in s} w_{k s}^{\mathrm{cal}} \mathbf{x}{k}$ perfectly estimates the known population total of auxiliary information $\sum{k \in U} \mathbf{x}{k}$. The calibrated estimator $\sum{k \in s} w_{k s}^{\text {cal }} y_{k}$ is highly efficient for estimating $t_{y}$ if the relationship $f$ between $y$ and $x$ is close to a linear relationship but its efficiency may be worse than the HT estimator if $f$ is nonlinear. In order to overcome this issue, Goga and Ruiz-Gazen (2019) suggest the $B$-spline calibration: they suggest finding the calibration weights $\left(w_{k s}^{\mathrm{cal}}\right){k \in s}$ that minimize a distance measure $\Upsilon{s}$ to the sampling weights $\left(d_{k}\right){k \in s}$ and subject to the following calibration constraints: $$ \sum{k \in s} w_{k s}^{\mathrm{cal}} \mathbf{b}\left(x_{k}\right)=\sum_{k \in U} \mathbf{b}\left(x_{k}\right)
$$
Constraints are now on the $B$-splines function values $\left{B_{j}\left(x_{k}\right)\right}_{j=1}^{q}$ and not directly on $x_{k}$ as it is the case in the classical calibration as suggested by Deville and Särndal (1992), we need for that to know $x_{k}$ for all $k \in U$. However, polynomials $x^{\ell}$ belong to the space spanned by $\left{B_{j}(\cdot)\right}_{j=1}^{q}$ for all $\ell=0, \ldots, q-1$. As a result, weights satisfying (21) will also satisfy

$\sum_{k \in s} w_{k s}^{\mathrm{cal}}=N, \quad \sum_{k \in s} w_{k s}^{\mathrm{cal}} x_{k}=\sum_{k \in U} x_{k}$
$\sum_{k \in s} w_{k s}^{\mathrm{cal}} x_{k}^{\ell}=\sum_{k \in U} x_{k}^{\ell}, \quad \ell=2, \ldots, q-1$

商科代写|计量经济学代写Econometrics代考|B-Spline Model-Assisted Estimator for Complex Parameters

The estimation of nonlinear parameters $\Phi$ in finite populations has become a crucial problem in many recent surveys. For example, in the European Statistics on Income and Living Conditions (EU-SILC) survey, several indicators for studying social inequalities and poverty are considered; these include the Gini index, the atrisk-of-poverty rate, the quintile share ratio and the low-income proportion. Thus, $\mathrm{~ d e ̉ r i v i n g ~ e ̀ s t i m a a t o r s ~ a a n d ~ c o n n f i d e n c e}$
Consider now a parameter $\Phi$ which is more complicated than a total or a mean. Broadly speaking, linearization techniques consist in obtaining an expansion of an estimator $\widehat{\Phi}$ of $\Phi$ as follows:
$$
\widehat{\Phi}-\Phi \simeq \sum_{k \in s} d_{k} u_{k}-\sum_{k \in U} u_{k}=\hat{t}{u d}-t{u},
$$
where $u_{k}$ is a kind of artificial variable called the linearized variable of $\Phi$ by Deville (1999b). The way it is derived depends on the type of linearization method used which could include Taylor series (Särndal et al. 1992), estimating equations (Binder 1983) or influence function (Deville $1999 \mathrm{~b}$ ) approaches. The right hand-side of $(22)$ is the difference between the HT estimator and the corresponding population total of the variable $u_{k}$ over the population $U$. Consequently, the variance of the right hand-side is easily obtained and given by
$$
\sum_{k \in U} \sum_{l \in U}\left(\pi_{k l}-\pi_{k} \pi_{l}\right) d_{k} d_{l} u_{k} u_{l}
$$
We can see from above that we will achieve a small approximate variance and gond precision for $\widehat{\Phi}$ if we estimate $t_{u}=\sum_{k \in U} u_{k}$ in an efficient way, namely the variance given in (23) is small. However, linearized variables may have complicated mathematical expressions and it is not obvious how to improve efficiently the estimation of $t_{u}$. In particular, fitting a linear model onto a linearized variable may not be the most appropriate choice.

商科代写|计量经济学代写Econometrics代考|B-Spline Imputation for Handling Item Nonresponse

The theory presented in the above sections supposed that all the sampled individuals respond, so we have full sample data $\left{y_{k}\right}_{k \in s}$. In practice however, due to various reasons, some individuals do not respond to the survey questionnaire (unit nonresponse) or respond only partially (item nonresponse). Unit nonresponse is treated by weighting methods while item nonresponse is treated by imputation. We focus here on item nonresponse and the estimation of finite population total $t_{y}$.

Let $s_{r}$ be the subset of the original sample $s$ containing the individuals that responded to item $y$ and $s_{m}=s-s_{r}$, the subset of $s$ containing the nonrespondents. To estimate $t_{y}$, we use an imputed estimator $\hat{t}{I}$ which is obtained from the HT estimator given in (1) by replacing or imputing the missing values $y{k}, k \in s_{m}$ by values $\hat{y}{k}$ $$ \hat{t}{I}=\sum_{k \in s_{r}} d_{k} y_{k}+\sum_{k \in s_{m}} d_{k} \hat{y}{k} $$ The imputed valnes are ohtained by fitting an imputation model. It is usually assumed that the response mechanism is MAR (missing at random), namely the distribution of $\mathcal{Y}$ is the same within respondents and nonrespondents given fully observed covariates. Under the MAR assumption and provided that the auxiliary information $x{k}$ is available for all $k \in s$, the respondent data $\left{\left(y_{k}, x_{k}\right)\right}_{k \in r}$ may be used to build imputation models and to predict $y_{k}$ for the nonrespondents. Goga et al. (2020) suggested a $B$-spline imputation procedure. We consider the model (2) as the imputation model and we estimate $f$ by $B$-splines from the respondent data, the imputed value $\hat{y}_{k}$ is given by $$
\hat{y}{k}=\mathbf{b}^{T} \hat{\boldsymbol{\theta}}{r}, \quad k \in s_{m}
$$
where $\hat{\boldsymbol{\theta}}{r}=\left(\sum{k \in s_{r}} d_{k} \mathbf{b}\left(x_{k}\right) \mathbf{b}^{T}\left(x_{k}\right)\right)^{-1} \sum_{k \in s_{r}} d_{k} \mathbf{b}\left(x_{k}\right) y_{k}$. Using the same techniques as in Sect. 2, we can show that $\sum_{k \in s_{r}} d_{k}\left(y_{k}-\hat{y}{k}\right)=0$ so the imputed estimator can be also written in a projection form, namely $\hat{t}{I}=\sum_{k \in s} d_{k} \hat{y}{k}$. Under the assumptions described in the Appendix and assuming that the response probabilities are all bounded away from 0 , the imputed estimator is consistent for $t{y}$ but with a consistency rate which is slower than in the full response case. The imputed estimator can be written as a weighted sum of $y_{k}$ ‘s values with weights not depending on $y$, so the approach supposed by Beaumont and Bissonnette (2011) can be used to compute and estimate the variance of $\hat{t}{I}$. Goga et al. (2020) also suggest random $B$-spline imputation which consists in replacing the missing $y{k}$ by
$$
\hat{y}{k}=\hat{f}\left(x{k}\right)+\epsilon_{k}^{*}, \quad k \in s_{m}
$$

计量经济学代考

商科代写|计量经济学代写Econometrics代考|B-Spline Calibration Estimator

校准方法 (Deville 和 Särndal 1992) 是国家统计机构广泛使用的一种方法。它包括寻找新的权重 $\left(w_{k s}^{\text {cal }}\right) k \in s$ 尽可能接近抽样权重 $(d k) k \in s$ 并且这样 $\sum k \in s w_{k s}^{\mathrm{cal}} \mathbf{x} k$ 完美估计辅助信息的已知总体总数 $\sum k \in U \mathbf{x} k$. 校准的估计器 $\sum k \in s w_{k s}^{\mathrm{cal}} y_{k}$ 估计效率很高 $t_{y}$ 如果关系 $f$ 之间 $y$ 和 $x$ 接近线性关系，但其效率可能低于 HT 估计器，如果 $f$ 是非线性的。为了克服这个问题，Goga 和 Ruiz-Gazen (2019) 建议 $B$ 样条校准：他们建议找到校准权重 $\left(w_{k s}^{\mathrm{cal}}\right) k \in s$ 最小化距离测量 $\Upsilon s s$ 到抽样权重 $\left(d_{k}\right) k \in s$ 并受到以下校准约束:
$$
\sum k \in s w_{k s}^{\mathrm{cal}} \mathbf{b}\left(x_{k}\right)=\sum_{k \in U} \mathbf{b}\left(x_{k}\right)
$$
约束现在在 $B$-样条函数值 $\backslash$ left 的分隔符缺失或无法识别而不是直接上 $x_{k}$ 正如 Deville 和 Särndal (1992) 建议的经典校准中的情况一样，我们需要知道 $x_{k}$ 对所有人 $k \in U$. 然而，多项式 $x^{\ell}$ 属于跨越的空间 $\backslash 1 \mathrm{eft}$ 的分隔符缺失或无法识别对所有人 $\ell=0, \ldots, q-1$. 因此，满足 (21) 的权重也将满足
$$
\begin{aligned}
&\sum_{k \in s} w_{k s}^{\mathrm{cal}}=N, \quad \sum_{k \in s} w_{k s}^{\mathrm{cal}} x_{k}=\sum_{k \in U} x_{k} \
&\sum_{k \in s} w_{k s}^{\mathrm{cal}} x_{k}^{\ell}=\sum_{k \in U} x_{k}^{\ell}, \quad \ell=2, \ldots, q-1
\end{aligned}
$$

商科代写|计量经济学代写Econometrics代考|B-Spline Model-Assisted Estimator for Complex Parameters

非线性参数的估计 $\Phi$ 在最近的许多调查中，在有限的人群中已经成为一个关键问题。例如，在欧洲收入和生活条件统计 (EU-SILC) 调查中，考虑了研究社会不平等和盆困的几个指标；其中包括基尼指数、盆困风险率、五分之一比例和低收入比例。因此， dériving èstimaators aand connfidence
现在考虑一个参数 $\Phi$ 这比总数或平均值更复杂。从广义上讲，线性化技术在于获得估计量的扩展 $\widehat{\Phi}$ 的 $\Phi$ 如下:
$$
\widehat{\Phi}-\Phi \simeq \sum_{k \in s} d_{k} u_{k}-\sum_{k \in U} u_{k}=\hat{t} u d-t u
$$
在哪里 $u_{k}$ 是一种人工变量，称为线性化变量 $\Phi$ 德维尔 (1999b)。它的推导方式取决于所使用的线性化方法的类型，其中可能包括泰勒级数 (Särndal et al. 1992)、估计方程 (Binder 1983) 或影响函数 (Deville1999 b) 方法。的右手边 $(22)$ 是 HT 估计量与变量的相应总体总数之间的差异 $u_{k}$ 超过人口 $U$. 因此，右手边的方差很容易获得并由下式给出
$$
\sum_{k \in U} \sum_{l \in U}\left(\pi_{k l}-\pi_{k} \pi_{l}\right) d_{k} d_{l} u_{k} u_{l}
$$
我们可以从上面看到，我们将实现一个小的近似方差和 gond 精度 $\widehat{\Phi}$ 如果我们估计 $t_{u}=\sum_{k \in U} u_{k}$ 以一种有效的方式，即 (23) 中给出的方差很小。然而，线性化变量可能具有复杂的数学表达式，如何有效地改进对变量的估计并不明显。 $t_{u}$. 特别是，将线性模型拟合到线性化变量可能不是最合适的选择。

商科代写|计量经济学代写Econometrics代考|B-Spline Imputation for Handling Item Nonresponse

上述部分提出的理论假设所有样本个体都会做出反应，因此我们有完整的样本数据 $\backslash$ left 的分隔符缺失或无法识别 . 然而在实践中，由于各种原因，有些人不回答调查问卷 (单位不回答) 或仅部分回答 (项目不回答) 。单位不答复采用加权法处理，项目不答复采用揷补法处理。我们在这里专注于项目无响应和有限人口总数的估计 $t_{y}$.
让 $s_{r}$ 是原始样本的子集 $s$ 包含响应项目的个人 $y$ 和 $s_{m}=s-s_{r}$ ，的子集 $s$ 包含末答复者。估计 $t_{y}$ ，我们使用估算的估计器 $I$ 它是通过替换或估算缺失值从 (1) 中给出的 HT 估计器获得的 $y k, k \in s_{m}$ 按价值观 $\hat{y} k$
$$
\hat{t} I=\sum_{k \in s_{r}} d_{k} y_{k}+\sum_{k \in s_{m}} d_{k} \hat{y} k
$$
通过拟合揷补模型来获得揷补值。通常假设响应机制为 MAR（随机缺失)，即 $\mathcal{Y}$ 给定完全观察到的协变量，在受访者和非受访者中是相同的。根据 MAR 假设并提供辅助信息 $x k$ 可供所有人使用 $k \in s$ ，受访者数据 $\backslash 1 \mathrm{eft}$ 的分隔符缺失或无法识别可用于建立揷补模型和预测 $y_{k}$ 对于没有回答的人。戈加等人。(2020) 提出了一个 $B$-样条揷补程序。我们将模型 (2) 视为揷补模型，我们估计 $f$ 经过 $B$ – 来自受访者数据的样条，估算值 $\hat{y}{k}$ 是 (谁) 给的 $$ \hat{y} k=\mathbf{b}^{T} \hat{\boldsymbol{\theta}} r, \quad k \in s{m}
$$
在哪里 $\hat{\boldsymbol{\theta}} r=\left(\sum k \in s_{r} d_{k} \mathbf{b}\left(x_{k}\right) \mathbf{b}^{T}\left(x_{k}\right)\right)^{-1} \sum_{k \in s_{r}} d_{k} \mathbf{b}\left(x_{k}\right) y_{k}$. 使用与 Sect 中相同的技术。2，我们可以证明 $\sum_{k \in s r} d_{k}\left(y_{k}-\hat{y} k\right)=0$ 所以估算的估计量也可以写成投影形式，即 $\hat{t} I=\sum_{k \in s} d_{k} \hat{y} k$. 在附录中描述的假设下，并假设响应概率都远离 0 ，估算的估计量对于 $t y$ 但其一致性速率比完整响应的情况要慢。估算的估计量可以写成的加权和 $y_{k}$ 的权重值不取决于 $y$, 因此 Beaumont 和 Bissonnette (2011) 提出的方法可用于计算和估计 $\hat{t} I$. 戈加等人。 $(2020)$ 还建议随机 $B$-样条揷补，包括替换缺失的 $y k$ 经过
$$
\hat{y} k=\hat{f}(x k)+\epsilon_{k}^{*}, \quad k \in s_{m}
$$

商科代写|计量经济学代写Econometrics代考请认准assignmentutor™

统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。

金融工程代写

金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。

非参数统计代写

非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。

广义线性模型代考

广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。

术语广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。

有限元方法代写

有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。

有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。

assignmentutor™作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。

随机分析代写

随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。

时间序列分析代写

随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。

回归分析代写

多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。

MATLAB代写

MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。

R语言代写	问卷设计与分析代写
PYTHON代写	回归分析与线性模型代写
MATLAB代写	方差分析与试验设计代写
STATA代写	机器学习/统计学习代写
SPSS代写	计量经济学代写
EVIEWS代写	时间序列分析代写
EXCEL代写	深度学习代写
SQL代写	各种数据建模与可视化代写