判别分析与Logistic回归的模拟比较

利用随机模拟方法,研究判别分析和Logistic回归分类的回判正确率。模拟结果显示,Logistic回归的回判正确率优于判别分析。随着随机误差的增大,Logistic回归与判别分析的回判正确率差异逐渐减小。随机误差超过一定界限,Logistic回归的回判正确率低于判别分析。在随机模拟的基础上,引入修正Logistic回归分类,模拟结果显示,修正Logistic回归分类略优于Logistic回归。     

神经网络模型与车险索赔频率预测

汽车保险广受社会关注,且在财产保险公司具有举足轻重的地位,因此汽车保险的索赔频率预测模型一直是非寿险精算理论和应用研究的重点之一。目前最为流行的索赔频率预测模型是广义线性模型,其中包括泊松回归、负二项回归和泊松-逆高斯回归等。本文基于一组实际的车险损失数据,对索赔频率的各种广义线性模型与神经网络模型和回归树模型进行了比较,得出了一些新的结论,即神经网络模型的拟合效果优于广义线性模型,在广义线性模型中,泊松回归的拟合效果优于负二项回归和泊松-逆高斯回归。线性回归模型的拟合效果最差,回归树模型的拟合效果略好于线性回归模型。     

众数回归森林模型及其在收入分配研究中的应用

为解决传统非参数众数回归模型没有考虑解释变量间复杂交互影响的局限，文章将众数回归与机器学习方法相结合，提出了一个新的非参数众数回归模型：众数回归森林模型。该模型一方面充分考虑了各个解释变量之间的交互影响；另一方面采用Bagging技术汇总多个众数回归树的结果，提高了预测性能。数值模拟结果表明：第一，与线性众数回归模型和众数回归树模型相比，众数回归森林模型极大地提高了估计和预测精度；第二，当数据为偏态分布时，众数回归森林模型的估计和预测精度显著优于中位数回归森林和均值回归森林模型。此外，将众数回归森林模型应用于收入分配研究中，得到了与中位数回归森林和均值回归森林模型不同的结果。     

非寿险费率厘定的索赔频率预测模型及其应用

在非寿险分类费率厘定中,泊松回归模型是最常使用的索赔频率预测模型,但实际的索赔频率数据往往存在过离散特征,使泊松回归模型的结果缺乏可靠性.因此,讨论处理过离散问题的各种回归模型,包括负二项回归模型、泊松-逆高斯回归模型、泊松-对数正态回归模型、广义泊松回归模型、双泊松回归模型、混合负二项回归模型、混合二项回归模型、Delaporte回归模型和Sichel回归模型,并对其进行系统比较研究认为:这些模型都可以看做是对泊松回归模型的推广,可以用于处理各种不同过离散程度的索赔频率数据,从而改善费率厘定的效果;同时应用一组实际的汽车保险数据,讨论这些模型的具体应用.     

利用辅助信息提高事后分层估计量的精度

本文考虑了事后分层回归模型,在回归模型中逐步引入定性辅助信息、包含概率和定量辅助信息,建立辅助变量与研究变量的回归模型,从而使得事后分层回归模型下的事后分层估计量精度逐步提高。     

叠代加权线性回归法

两种不同的回归方法 利用调查数据,建立两个随机变量之间的函数关系,我们通常用回归的方法.根据变量之间是否存在线性关系,分为直线回归与曲线回归.对于直线回归当然是用最小二乘法.     

汇率预测方法及比较:基于贝叶斯平均分类回归模型的检验

分类回归模型是回归模型家族的一个重要组成部分.文章针对现有的分类回归模型均采用选择性回归计算所存在的问题,建立了贝叶斯平均分类回归模型,并将其用于人民币汇率预测的实证研究.在实证研究时选取人民币对主要货币的汇率序列,对使用时间序列模型的预测结果与贝叶斯平均分类回归模型的预测结果进行对比分析,证明贝叶斯平均分类回归模型确实能够提高预测准确度.还使用贝叶斯平均分类回归模型对比分析了现有研究文献的预测效果,结果表明分类回归模型具有一定程度的优越性.     

国内删失数据统计研究状况综述

研究了国内在线性回归模型、非线性回归模型、半参数回归、非参数回归、单指标回归、生存分析、时间序列分析、密度估计等领域删失数据统计研究状况。     

阿基米德Copula分位数回归曲线推导与模拟

文章把分位数回归理论和相关结构函数Copula结合起来,介绍了分位数回归和相关结构函数Copula,给出了阿基米德Copula和Copula分位数回归曲线的定义,推导出了阿基米德Copu-la分位数回归曲线。最后,通过模拟研究表明Copula分位数回归估计方法的精确性。     

异方差条件下两种回归方法的比较

最小二乘回归作为一种优良的统计方法应用非常广泛,但是在使用时要求满足同方差等假设条件.文章归纳总结了最小二乘回归和分位数回归的理论特点及异方差产生的原因,论证了异方差对最小二乘回归造成的负面影响,并通过模拟研究和实例研究比较了两种回归方法的功能.结果显示,在异方差情况下,分位数回归可以在因变量条件分布的不同水平上刻画回归关系,分离出回归系数的变异,其结果较最小二乘回归更加全面和细致.     

空间回归模型估计中的最小二乘法

空间回归模型由于引入了空间地理信息而使得其参数估计变得复杂,因为主要采用最大似然法,致使一般人认为在空间回归模型参数估计中不存在最小二乘法。通过分析空间回归模型的参数估计技术,研究发现,最小二乘法和最大似然法分别用于估计空间回归模型的不同的参数,只有将两者结合起来才能快速有效地完成全部的参数估计。数理论证结果表明,空间回归模型参数最小二乘估计量是最佳线性无偏估计量。空间回归模型的回归参数可以在估计量为正态性的条件下而实施显著性检验,而空间效应参数则不可以用此方法进行检验。     

参数与非参数回归在FDI中的比较分析

文章在对参数回归及非参数回归方法进行介绍的基础上,采用线性回归模型、引入虚拟变量的非线性回归模型以及N-W核权函数回归估计,对1983-2014年我国外商直接投资总额与GDP关系进行探讨.最后分别给出3类方法的拟合值以及MAE和MSE.从拟合效果来看,相对于线性回归模型,引入虚拟变量的非线性回归模型以及非参数回归方法更能有效地拟合FDI与GDP之间的关系,且窗宽为0.25的非参数估计效果更优.     

试论模糊回归与统计回归

统计回归的研究具有悠久的历史,在理论方面取得了丰硕的成果,在社会科学和自然科学等许多领域得到了广泛应用;模糊回归的研究时间较短,但在许多领域具有良好的应用前景.文章从模型假设和估计方法两个方面,将统计回归与模糊回归进行比较,分析了二者的不同之处,同时指出,模糊回归的研究可以借鉴统计回归的相关思想.     

一元非线性回归两种不同模型的比较

一元非线性回归是常用的统计分析方法,其计算方法是通过数学变换将非线性模型转换成线性模型,然后用最小二乘法计算回归系数。将非线性模型转换成线性模型有两种数学模型,其一是经过线性化后,以直接观测值的函数作为因变量,这是常用的方法,称其为间接观测值回归;其二是经过线性化后,以直接观测值作为因变量,称其为直接观测值回归。文章讨论了这两种数学模型回归结果间的差异,通过仿真实验说明了直接观测值回归的结果优于常用的间接观测值回归的结果。     

平稳阈值自回归下的伪回归研究

 研究表明相互独立的平稳阈值自回归(TAR)模型之间的回归存在伪回归,且伪回归的产生与样本容量和随机干扰项的分布无关。通过一系列的MC模拟,不仅证实了理论结论,而且模拟结果还表明当持久性相同时,两机制TAR回归模型比三机制TAR回归模型具有更大的拒绝率,原因在于两机制TAR下,OLS法估计得到的标准误具有更厚的左尾。此外在模拟中也发现当随机干扰项服从TAR模型时,Newey-West(1987)的一致异方差估计法是不适用的。     

线性回归模型加权最小二乘估计的权值计算方法

一、引言测量数据的处理大多转化为回归模型的参数估计问题,其中线性回归模型是最基本的一类。若测量过程中影响随机误差的各因素保持不变,则认为是等精度测量,对应的线性回归模型就是等精度线性回归模型,其参数估计理论已趋于成熟,     

基于收缩机制的若干回归模型比较研究

预测精度与可解释性是回归模型评价的两个重要依据。由于变量之间的"共线性"和模型的"过拟合"等问题导致OLS(ordinary least squares)估计量并不总是令人满意。通过在传统的回归模型上引入收缩机制,新一代回归模型能获得更好的预测精度和良好的可解释性。文章比较了几种典型基于收缩机制的回归模型,如岭回归、LASSO,并通过实例分析了不同模型的性能与特点。     

基于两阶段Expectile回归的风险保费定价

如何厘定风险保费是保险精算的核心研究内容之一。风险保费由纯保费和风险附加构成,通常采用广义线性模型厘定纯保费,应用各种保费原理计算风险附加。常用的保费原理包括期望值原理、标准差原理、分位数原理等。文章基于对Expectile理论性质的研究结果,提出Expectile保费原理,即通过两阶段Expectile回归预测每份保单的风险保费。类似于分位回归是对中位数回归的自然推广,Expectile回归是对均值回归的自然推广。应用分位回归相当于是在中位数的基础上计算风险附加,而应用Expectile回归可以看作是在均值（亦即纯保费）基础上计算风险附加,所以风险保费的计算结果更加合乎定价逻辑。基于一组公开数据的实证研究结果表明,两阶段Expectile回归在基尼系数指标下厘定风险保费要优于其他现有方法,对于提高保险定价的科学性和合理性具有重要的实际应用价值。     

经济计量模型中不相关单位根变量间伪回归的纠正方法

文章旨在考察经济计量模型中不相关单位根变量间伪回归现象形成的内在成因,为这类伪回归的纠正提供方法依据.借助三个定理的证明,分析了不相关单位根变量间伪回归形成的过程.研究表明,在回归模型中包括自变量和应变量的一阶滞后变量可纠正伪回归的问题.     

分位数回归技术综述

普通最小二乘回归建立了在自变量X=x下因变量Y的条件均值与X的关系的线性模型。而分位数回归（Quantile Regression）则利用自变量X和因变量y的条件分位数进行建模。与普通的均值回归相比,它能充分反映自变量X对于因变量y的分布的位置、刻度和形状的影响,有着十分广泛的应用,尤其是对于一些非常关注尾部特征的情况。文章介绍了分位数回归的概念以及分位数回归的估计、检验和拟合优度,回顾了分位数回归的发展过程以及其在一些经济研究领域中的应用,最后做了总结。