第1章 绪论 1
1.1 LDV模型的定义 1
1.1.1 模型的定义 1
1.1.2 模型的统计推断问题 3
1.2 LDV模型中参数估计问题的研究现状 4
1.3 逆回归方法 6
1.3.1 逆回归的总体性质 6
1.3.2 分片逆回归估计（SIR） 7
1.3.3 SIR的大样本性质 8
1.4 准备知识：δ-方法 9
1.4.1 多元δ-方法 9
1.4.2 向量估计函数的δ-方法 11
1.5 本书提要 12
第2章 多重二元响应模型回归系数的估计 14
2.1 多重二元响应模型的逆回归性质 14
2.2 多重二元响应模型回归系数的逆回归估计 17
2.3 估计的渐近正态性 18
2.4 假设检验 30
2.5 模拟研究 31
2.5.1 点估计的模拟研究 31
2.5.2 线性假设的检验 35
2.5.3 回归变量的选择 38
第3章 多元秩-序模型回归系数的估计 39
3.1 多元秩-序模型的逆回归性质 39
3.2 回归系数的估计 41
3.3 相合性 42
3.4 模拟研究 43
3.4.1 模拟研究一 43
3.4.2 模拟研究二 46
3.5 回归系数的Bootstrap检验 47
3.5.1 回归系数的线性假设检验 47
3.5.2 假设检验的模拟实验 50
第4章 广义多项选择模型回归系数的估计 52
4.1 广义多项选择模型 52
4.2 广义多项选择模型中回归系数的估计 53
4.3 渐近正态性 54
4.4 模拟研究 68
4.4.1 点估计 68
4.4.2 假设检验 70
第5章 多重二元响应Probit模型的渐近有效估计 73
5.1 多重二元响应Probit模型 73
5.2 边际似然估计 73
5.3 Fisher信息阵 78
5.4 渐近有效估计 79
5.5 模拟结果 87
第6章 多元秩-序Logit模型回归系数的极大似然估计 90
6.1 固定影响属性的多元秩-序模型 90
6.2 多元秩-序Logit模型的极大似然估计 91
6.2.1 多元秩-序Logit模型 91
6.2.2 回归系数的极大似然估计 92
6.2.3 模拟研究 94
6.3 多元秩-序Logit模型的假设检验 96
6.3.1 部分极大似然估计 97
6.3.2 极大似然估计的渐近正态性及相关结论 98
6.3.3 检验统计量 101
6.3.4 假设检验的模拟研究 102
6.4 实例分析 102
参考文献 105