<p>In this dissertation I study substantially the effects of disembodied technical change on the total factor productivity and inputs demand in U.S. Apparel industry during 1958-1996. A time series input-output data set over the sector employs to estimate an error corrected model of a four-factor transcendental logarithmic cost function. The empirical results indicate technical impact on the total factor productivity at the rate of 9% on average. Technical progress has in addition a biased effect on factor augmenting in the sector.</p>

In this dissertation I study substantially the effects of disembodied technical change on the total factor productivity and inputs demand in U.S. Apparel industry during 1958-1996. A time series input-output data set over the sector employs to estimate an error corrected model of a four-factor transcendental logarithmic cost function. The empirical results indicate technical impact on the total factor productivity at the rate of 9% on average. Technical progress has in addition a biased effect on factor augmenting in the sector.

In the dissertation, the problem of nonparametric testing for sparse contingency tables is addressed. Statistical inference problems caused by sparsity of contingency tables are widely discussed in the literature. Traditionally, the expected (under null the hypothesis) frequency is required to exceed 5 in almost all cells of the contingency table. If this condition is violated, the χ2 approximations of goodness of fit statistics may be inaccurate and the table is said to be sparse . Several techniques have been proposed to tackle the problem: exact tests, alternative approximations, parametric and nonparametric bootstrap, Bayes approach and other methods. However they all are not applicable or have some limitations in nonparametric statistical inference of very sparse contingency tables. In the dissertation, it is shown that, for sparse categorical data, the likelihood ratio statistic and Pearson’s χ2 statistic may become noninformative: they do not anymore measure the goodness-of-fit of null hypotheses to data. Thus, they can be inconsistent even in cases where a simple consistent test does exist. An improvement of the classical criteria for sparse contingency tables is proposed. The improvement is achieved by grouping and smoothing of sparse categorical data by making use of a new sparse asymptotics model relying on (extended) empirical Bayes approach. Under general conditions, the consistency of the proposed criteria based on grouping is proved. Finite-sample behavior of... [to full text] / Disertacijoje sprendžiami neparametrinių hipotezių tikrinimo uždaviniai išretintoms dažnių lentelėms. Problemos, susijusios su retų įvykių dažnių lentelėmis yra plačiai aptartos mokslinėje literatūroje. Yra pasiūlyta visa eilė metodų: tikslieji testai, alternatyvūs aproksimavimo būdai parametrinė ir neparametrinė saviranka, Bayeso ir kiti metodai. Tačiau jie nepritaikomi arba yra neefektyvūs neparametrinėje labai išretintų dažnių lentelių analizėje. Disertacijoje parodyta, kad labai išretintiems kategoriniams duomenims tikėtinumo santykio statistika ir Pearsono χ2 statistika gali pasidaryti neinformatyviomis: jos jau nėra tinkamos nulinės hipotezės ir duomenų suderinamumui matuoti. Vadinasi, jų pagrindu sudaryti kriterijai gali būti net nepagrįsti net tuo atveju, kai egzistuoja paprastas pagrįstas kriterijus. Darbe yra pasiūlytas klasikinių kriterijų patobulinimas išretintų dažnių lentelėms. Siūlomi kriterijai remiasi išretintų kategorinių duomenų grupavimu ir glodinimu naudojant naują išretinimo asimtotikos modelį, kuris remiasi (išplėstine) empirine Bayeso metodologija. Prie bendrų sąlygų yra įrodytas siūlomų kriterijų, naudojančių grupavimą, pagrįstumas. Kriterijų elgesys baigtinių imčių atveju tiriamas taikant Monte Carlo modeliavimą. Disertacija susideda iš įvado, 4 skyrių, literatūros sąrašo, bendrų išvadų ir priedo. Įvade atskleidžiama nagrinėjamos mokslinės problemos svarba, aprašomi darbo tikslai ir uždaviniai, tyrimo metodai, mokslinis naujumas, praktinė gautų... [toliau žr. visą tekstą]

Disertacijoje sprendžiami neparametrinių hipotezių tikrinimo uždaviniai išretintoms dažnių lentelėms. Problemos, susijusios su retų įvykių dažnių lentelėmis yra plačiai aptartos mokslinėje literatūroje. Yra pasiūlyta visa eilė metodų: tikslieji testai, alternatyvūs aproksimavimo būdai parametrinė ir neparametrinė saviranka, Bayeso ir kiti metodai. Tačiau jie nepritaikomi arba yra neefektyvūs neparametrinėje labai išretintų dažnių lentelių analizėje. Disertacijoje parodyta, kad labai išretintiems kategoriniams duomenims tikėtinumo santykio statistika ir Pearsono χ2 statistika gali pasidaryti neinformatyviomis: jos jau nėra tinkamos nulinės hipotezės ir duomenų suderinamumui matuoti. Vadinasi, jų pagrindu sudaryti kriterijai gali būti net nepagrįsti net tuo atveju, kai egzistuoja paprastas pagrįstas kriterijus. Darbe yra pasiūlytas klasikinių kriterijų patobulinimas išretintų dažnių lentelėms. Siūlomi kriterijai remiasi išretintų kategorinių duomenų grupavimu ir glodinimu naudojant naują išretinimo asimtotikos modelį, kuris remiasi (išplėstine) empirine Bayeso metodologija. Prie bendrų sąlygų yra įrodytas siūlomų kriterijų, naudojančių grupavimą, pagrįstumas. Kriterijų elgesys baigtinių imčių atveju tiriamas taikant Monte Carlo modeliavimą. Disertacija susideda iš įvado, 4 skyrių, literatūros sąrašo, bendrų išvadų ir priedo. Įvade atskleidžiama nagrinėjamos mokslinės problemos svarba, aprašomi darbo tikslai ir uždaviniai, tyrimo metodai, mokslinis naujumas, praktinė gautų... [toliau žr. visą tekstą] / In the dissertation, the problem of nonparametric testing for sparse contingency tables is addressed. Statistical inference problems caused by sparsity of contingency tables are widely discussed in the literature. Traditionally, the expected (under null the hypothesis) frequency is required to exceed 5 in almost all cells of the contingency table. If this condition is violated, the χ2 approximations of goodness of fit statistics may be inaccurate and the table is said to be sparse . Several techniques have been proposed to tackle the problem: exact tests, alternative approximations, parametric and nonparametric bootstrap, Bayes approach and other methods. However they all are not applicable or have some limitations in nonparametric statistical inference of very sparse contingency tables. In the dissertation, it is shown that, for sparse categorical data, the likelihood ratio statistic and Pearson’s χ2 statistic may become noninformative: they do not anymore measure the goodness-of-fit of null hypotheses to data. Thus, they can be inconsistent even in cases where a simple consistent test does exist. An improvement of the classical criteria for sparse contingency tables is proposed. The improvement is achieved by grouping and smoothing of sparse categorical data by making use of a new sparse asymptotics model relying on (extended) empirical Bayes approach. Under general conditions, the consistency of the proposed criteria based on grouping is proved. Finite sample behavior of... [to full text]

Taneichi(1993)提出一個新的適合度檢定統計量J²，具有近似卡方分配的性質。然而在小樣本的情形下，計算機模擬結果顯示，它的估計顯著水準大於期望顯著水準。所以本論文的重點之一，就是對J²進行改進，根據不同的準則，來選取一個適當的常數a。我們建議對每一觀測次數加一常數0.32，作為我們修正後的統計量，這個統計量我們記為J₁²。 　　另一探討的重點是在比較皮爾生卡方統計量X²，概似比例統計量G²，Cressie & Read統計量 I(2/3)，J²和J₁²之性質，我們想要了解在小樣本的情形之下，何者較接近於卡方分配，何者具有較強的檢定力。研究結果顯示，X²和I(2/3)較接近卡方分配，但J₁²又較G²及J²好；至於檢定力，我們發現沒有一個統計量在文中所探討的對立假設的情況下，同時都具有最大的檢定力。這些現象都可以用觀測次數對期望次數比值間的關係來解釋。 / Taneichi(1993) introduces a new goodness-of-fit statisticJ², which has an asymptotic chi-squared distribution. However, the results of simulation indicate that the levels of significance are in general bigger than the nominal levels, which prompts us to device a version of J² statistic which would perform better under small sample size situations. We suggest adding 0.32 to each observed value and find that the adjustment indeed works rearonably well. This version of J^2 statistic is denoted as J(1)^2. 　　Although Pearson chi-square statistic X², likelihood ratio statistic G², Cresse-Read statistic I(2/3), J^2 and J(1) ^2 all have asymptotic chi-squared distributions, their small sample behaviors are not expected to be the same. Comparisons based on simulation studies are then made. The conclusions are as follows : (1) In terms of levels of significance, X² and I(2/3) behave more like a chi-squared distribution. Though J(1) ^2 does not perform as good as X² and I(2/3), it does outperform G² and J². (2) In terms of powers, it does not seem that any of the test statistics has a clear advantage over the others.