面板数据的贝叶斯Elastic Net分位数回归方法及其应用研究

本文首次将Elastic Net这种用于高度相关变量的惩罚方法用于面板数据的贝叶斯分位数回归,并基于非对称Laplace先验分布推导所有参数的后验分布,进而构建Gibbs抽样。为了验证模型的有效性,本文将面板数据的贝叶斯Elastic Net分位数回归方法(BQR. EN)与面板数据的贝叶斯分位数回归方法(BQR)、面板数据的贝叶斯Lasso分位数回归方法(BLQR)、面板数据的贝叶斯自适应Lasso分位数回归方法(BALQR)进行了多种情形下的全方位比较,结果表明BQR. EN方法适用于具有高度相关性、数据维度很高和尖峰厚尾分布特征的数据。进一步地,本文就BQR. EN方法在不同扰动项假设、不同样本量的情形展开模拟比较,验证了新方法的稳健性和小样本特性。最后,本文选取互联网金融类上市公司经济增加值(EVA)作为实证研究对象,检验新方法在实际问题中的参数估计与变量选择能力,实证结果符合预期。     

半连续Bernoulli-Normal两部回归模型及变量选择

对于半连续两部回归模型,考虑到每个回归部分都会遇到大量的候选变量,此时就会产生变量选择问题。文章主要研究Bernoulli-Normal两部回归模型的变量选择问题。先提出一种基于Lasso惩罚函数的变量选择方法,但考虑到Lasso估计量不具有Oracle性质,又提出一种基于自适应Lasso惩罚函数的变量选择方法。模拟结果表明：两种方法都能够对Bernoulli-Normal回归模型进行变量选择,且自适应Lasso方法的变量选择性能往往优于Lasso方法。     

左删失数据的双惩罚贝叶斯Tobit分位回归方法

在含潜变量的纵向数据混合效应模型应用中,通常包含大量截尾数据,若直接采用一般贝叶斯Tobit分位回归模型,参数估计的马尔科夫链蒙特卡罗抽样算法将会极其复杂,造成计算效率低下且估计结果偏差较大。同时,在高维情形下,由于受大量未知随机效应的干扰,固定效应中关键变量的选择与系数估计变得更为困难。为了解决上述问题,文章提出了一种新的双Adaptive Lasso惩罚贝叶斯Tobit分位回归方法,主要研究响应变量左删失情形下高维纵向数据的变量选择与参数估计问题。通过将Adaptive Lasso惩罚同时引入固定效应与随机效应的先验分布中,构造了参数估计的Gibbs抽样算法。蒙特卡罗模拟结果表明,新方法较无惩罚法和Lasso惩罚法在重要变量选择及系数估计上均更占优势。     

基于Knockoff的分位数回归变量选择方法及其投资组合决策应用

在数据驱动时代,变量选择广泛应用于投资组合,如何从众多资产中挑选恰当的资产并进行配比,对稳定收益、控制风险非常关键。现有选择资产的方法未考虑到控制错误发现率（FDR）,不利于作出稳健的投资决策。为此,本文在Lasso分位数回归下基于Knockoff方法控制FDR,并用于求解条件风险价值（CVaR）投资组合决策模型。其中,用Lasso惩罚实现变量选择,用Knockoff方法通过模仿解释变量的相关结构构造Knockoff变量,将变量选择的FDR控制在给定水平。模型在两步迭代算法下采用线性规划求解,模拟分析从不同的误差分布、变量分布和维度下多角度展开。结果显示,与已有模型相比,基于Knockoff的Lasso分位数回归模型能良好地控制FDR且呈现出最好的预测效果。最后基于上证50指数成分股进行实证分析,利用滚动建模技术进行投资组合决策分析,发现新模型在收益指标和风险指标上均具有一定优势。     

Cox模型中的自适应Lasso变量选择

文章考虑了Cox模型的变量选择问题,将自适应Lasso引入到Cox模型中,提出了一类基于惩罚偏似然函数的自适应Lasso估计程序.通过对偏似然函数采用二阶泰勒展开式近似逼近,运用循环坐标下降法求解模型,再借助牛顿-拉普森迭代完成整个变量选择和估计过程.随机数据模拟的结果表明该方法具有优良的变量选择效果,并适用于高维数据.     

贝叶斯分位数回归组间组内变量选择及其应用

文章利用贝叶斯方法研究分位数回归的组间和组内双变量选择问题。基于偏态拉普拉斯分布和贝叶斯统计推断方法,结合组间和组内系数的Spike-and-Slab先验分布,提出了分位数回归的贝叶斯双层变量选择方法,并给出易于实施的Gibbs后验抽样算法。通过大量数值模拟和实证分析验证了所提变量选择方法的有效性。     

基于逆跳MCMC的贝叶斯分位自回归模型研究

考虑到传统信息理论方法确定模型存在不足,在贝叶斯理论框架下提出了基于逆跳马尔可夫链蒙特卡罗法确定分位自回归模型阶次的方法。在时间序列服从非对称Laplace分布的条件下,设计了马尔可夫链蒙特卡罗数值计算程序,得到了不同分位数下模型参数的贝叶斯估计值。实证研究表明：基于逆跳马尔可夫链蒙特卡罗法的贝叶斯分位自回归模型能有效地揭示滞后变量对响应变量的位置、尺度和形状的影响。     

Logistic回归的双层变量选择研究

变量选择是统计建模的重要环节,选择合适的变量可以建立结构简单、预测精准的稳健模型。本文在logistic回归下提出了新的双层变量选择惩罚方法——adaptive Sparse Group Lasso(adSGL),其独特之处在于基于变量的分组结构作筛选,实现了组内和组间双层选择。该方法的优点是对各单个系数和组系数采取不同程度的惩罚,避免了过度惩罚大系数,从而提高了模型的估计和预测精度。求解的难点是惩罚似然函数不是严格凸的,因此本文基于组坐标下降法求解模型,并建立了调整参数的选取准则。模拟分析表明,对比现有代表性方法Sparse Group Lasso、Group Lasso及Lasso,adSGL法不仅提高了双层选择精度,而且降低了模型误差。最后本文将adSGL法应用到信用卡信用评分研究,对比logistic回归,它具有更高的分类精度和稳健性。     

基于线性插值的贝叶斯Lasso分位数回归及应用

在贝叶斯Lasso分位数回归中,样本似然函数的计算和后验分布的抽样通常难以处理.针对这一问题,文章采用一种基于线性插值的似然函数计算方法,并结合拉普拉斯先验分布,设计出一种新的对后验分布进行抽样的算法.数值模拟结果表明了该方法具有较好的适应性和参数估计准确性.     

基于TVP-VAR模型的自适应Lasso惩罚变量选择方法

文章将自适应Lasso变量选择方法扩展到变系数向量自回归模型(TVP-VAR)中.利用所提出方法对2005-2014年航空煤油价格与民航货邮与旅客周转量月度数据进行分析,并与其他四种方法进行了比较,结果显示:与常系数VAR模型相比,变系数VAR模型能够显著提高模型的拟合与预测精度.提出的自适应Lasso变系数模型一致优于Belmonte,Koop和Korobolis(2014)提出的Lasso变系数模型.     

基于贝叶斯方法的比例数据分位数推断及其应用

为了尝试使用贝叶斯方法研究比例数据的分位数回归统计推断问题,首先基于Tobit模型给出了分位数回归建模方法,然后通过选取合适的先验分布得到了贝叶斯层次模型,进而给出了各参数的后验分布并用于Gibbs抽样。数值模拟分析验证了所提出的贝叶斯推断方法对于比例数据分析的有效性。最后,将贝叶斯方法应用于美国加州海洛因吸毒数据,在不同的分位数水平下揭示了吸毒频率的影响因素。     

基于贝叶斯学习的惩罚因子的选择

文章基于贝叶斯学习,将正则化方法从贝叶斯分析的角度展开,在响应变量服从正态分布、回归系数服从指数型先验分布族的条件下,用贝叶斯准则给出了惩罚因子的取值与响应变量、系数的方差之间的关系,并将这一结果应用到岭回归和lasso回归中惩罚因子的选择.实例检验结果表明,当响应变量和系数服从正态分布,惩罚因子的值取二者方差商的方法比岭迹法和广义交叉验证法(GCV)拟合效果更优.     

分位数回归在非寿险产品费率厘定中的应用

文章首先分析了非寿险产品费率厘定中的零索赔额现象;指出了线性回归模型和广义线性模型在非寿险产品费率厘定中存在的问题和不足;分析了分位数回归模型在非寿险产品费率厘定中的优点,并结合实例,给出了实证分析.结果表明,分位数回归模型更能从整体上反映出费率厘定变量之间的关系及其对索赔额的影响.     

基于随机化适应性Lasso的高维变量选择

Lasso等惩罚变量选择方法选入模型的变量数受到样本量限制。文献中已有研究变量系数显著性的方法舍弃了未选入模型的变量含有的信息。本文在变量数大于样本量即p>n的高维情况下,使用随机化bootstrap方法获得变量权重,在计算适应性Lasso时构建选择事件的条件分布并剔除系数不显著的变量,以得到最终估计结果。本文的创新点在于提出的方法突破了适应性Lasso可选变量数的限制,当观测数据含有大量干扰变量时能够有效地识别出真实变量与干扰变量。与现有的惩罚变量选择方法相比,多种情境下的模拟研究展示了所提方法在上述两个问题中的优越性。实证研究中对NCI-60癌症细胞系数据进行了分析,结果较以往文献有明显改善。     

分位数回归在风险管理中的应用

VaR已经成为金融风险度量的重要工具之一,近几年获得了重大的发展,计算VaR常用的方法主要有3种:历史模拟法HS(Historical Simulation)、方差-协方差法(Variance-Covariance Method)和蒙特卡罗模拟法MC(Monte CarloSimulation).分位数回归模型是针对解释变量的条件分位数来建模的,而资产组合的VaR实质上就是分位数,所以我们采用分位数回归模型来对VaR进行估计.     

混合效应模型的非参数贝叶斯分位回归方法研究

本文对混合效应模型提出了一种非参数贝叶斯分位回归方法,通过引进一种新的分层有限正态混合分布,将分位回归建模时对随机误差项的假定放宽至仅有分位点约束之下.通过对混合比例参数假设广泛灵活的Stick-Breaking先验,使得模型捕捉复杂数据分布信息的能力更强.在建立的非参数贝叶斯分层分位回归模型中引入潜变量,使模型参数估计的Gibbs抽样算法中原来每次需要计算(2M)N项函数值变为每次只需计算N项即可.蒙特卡罗模拟显示,在误差分布函数变得较为复杂时,非参数贝叶斯分位回归方法比参数方法在估计效果上有更大的优势.     

贝叶斯变量选择及模型平均的研究

对多元线性回归问题中的变量选择进行研究,改进现有的贝叶斯自适应抽样(BAS)方法,在实现整体不放回抽样的前提下,局部引进放回抽样的方法,通过数据仿真发现,同样进行贝叶斯模型平均(BMA),改进后的方法预测效果比改进前的BAS预测效果更好。     

超高维数据下部分线性可加分位数回归模型的变量选择

在超高维数据中,一方面,协变量的维数可能远远大于样本量,甚至随着样本量以指数级的速度增长;另一方面,超高维数据通常是异质的,协变量对条件分布中心的影响可能与他们对尾部的影响大不相同,甚至会出现重尾以及异常点的复杂情况。文章在协变量维度发散且为超高维的情况下研究了部分线性可加分位数回归模型的变量选择和稳健估计问题。首先,为了实现模型的稀疏性和非参数光滑性,引入了一种非凸Atan双惩罚,并采用分位迭代坐标下降算法来解决所提方法的优化问题。在选择适当正则化参数的情况下,证明了所提双惩罚估计量的理论性质。其次,通过模拟研究对所提方法的性能进行验证。模拟结果表明,所提方法比其他惩罚方法具有更好的表现,尤其是在数据存在重尾的情况下。最后,通过基于癌症筛查病人血液样本数据的实证来验证所提方法的实用性。     

房地产业与银行业股票的相关性研究

在给定概率水平下,为了描述具有尖峰、肥尾、有偏等特性的金融变量之间的非线性相依结构,给出了能够准确刻画金融变量上述特性的非对称Laplace分布,首次推导出了以该分布为边际分布,联合分布由高斯Copula建立的非线性分位数回归模型.实证表明:高斯Copula非线性分位数回归模型能够更全面准确的描述房地产业与银行业股票收益率之间的风险相关关系,对于预测收益率和防范金融风险具有十分重要的意义.     

固定效应部分线性单指数面板模型的惩罚分位数回归

分位数回归是均值回归的有益补充,该方法毋须对分布函数的具体形式做出假设,且对具有异常值或厚尾分布的数据仍具有稳健性.当前,对部分线性单指数面板模型估计方法的研究主要集中于均值回归,基于此,本文考虑了固定效应部分线性单指数面板分位数回归模型,结合B-样条函数、SCAD惩罚函数和迭代加权最小二乘法,构建了模型的估计方法,证明了估计方法的一致性和渐近正态性,同时利用Monte Carlo模拟评价了所述方法在有限样本下的表现.最后,将估计方法应用于分析碳排放的影响因素.