共查询到20条相似文献,搜索用时 140 毫秒
1.
文章结合基函数逼近以及光滑门限估计方程,提出了一个变系数模型的快速变量选择方法。该变量选择方法可以同时进行系数估计和变量选择,并且不需要解任何凸优化问题。因此,与已有方法相比,该方法在实际应用中将大大减少计算量。 相似文献
2.
文章基于变系数模型,研究了模型变量选择的问题.采用B样条函数逼近模型中的系数函数,结合LASSO、SCAD和MCP罚函数,利用组坐标下降算法进行变量选择.通过模拟比较了这三种罚函数的效果.模拟结果印证提出方法的有效性,并且得到MCP和SCAD优于LASSO. 相似文献
3.
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. 相似文献
4.
5.
6.
协变量平衡聚焦于消除处理变量和协变量的相关性,有助于在因果推断中减少极端权重的产生,提高估计量的稳定性和精度。目前二元处理变量下的协变量平衡相关研究较多,但连续处理变量下的协变量平衡研究有待进一步发展和完善。同时,现有研究直接基于平衡权重的角度实现协变量平衡,相应最优化为带等式和不等式约束的非线性规划,最优化求解相对复杂,导致方法对于大样本量数据尤其是微观数据的使用存在局限性。为避免上述不足,本文基于广义倾向得分的角度提出一种连续处理变量下的协变量平衡方法。该方法使得协变量逼近基的加权样本均值等于协变量逼近基的样本均值,平均剂量响应函数的估计量满足渐近无偏性和相合性。特别地,本文方法的最优化函数为严格凸函数且不带任何约束,从而最优化函数存在唯一解且求解相对简单,因此方法适用于大样本量数据尤其是微观数据的问题研究。此外,本文还提出一种特别的J折交叉验证方法,选择逼近基的阶数以实现数据驱动。数值模拟表明,本文提出方法的估计精度较高。将方法应用于中国家庭追踪调查微观数据,本文得出我国存在“年龄–储蓄率之谜”现象,即户主年龄与家庭储蓄率存在正U型关系,拐点约为42岁。 相似文献
7.
8.
9.
10.
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。 相似文献
11.
层-1自变量中心化方法的选择是分层线性模型中的一个关键问题,它直接影响到模型参数的估计和解释.国外已有很多学者对其进行了理论和实践方面的研究,但是在实证研究中选择适当的中心化方法仍然存在困难,为能够给研究人员提供一点参考依据,在给出两层模型自变量的三种主要中心化方法以后,回顾了分层线性模型中层-1自变量中心化产生的影响,总结了具体应用中不同中心化方法的适用情况和如何进行选择的一些建议. 相似文献
12.
基于粗糙集的TOPSIS供应链合作伙伴选择 总被引:1,自引:0,他引:1
供应链合作伙伴的选择是一个多指标,多层次综合评价问题,本文结合煤炭港口物流供应链的实际,构建了合作伙伴选择综合评价指标体系,接着运用基于粗糙集的逼近理想解的排序方法(technique for order preference by similarity to ideasolution,TOPSIS),根据属性间差异程度计算各个属性的权值,避免了低层次多因素权重确定的主观性。通过对该模型在煤炭港口供应链合作伙伴选择中的应用,为港口企业选择理想的供应链合作伙伴。 相似文献
13.
14.
15.
文章研究了纵向数据半参数Logistic回归模型的估计问题,给出了模型中未知参数和未知函数的估计方法,探讨了参数部分的变量选择问题,并对不同的变量选择方法进行比较分析.从模拟结果可以看到,文中给出的方法具有很好的估计效果. 相似文献
16.
17.
文章在将两个相关随机变量中的一个适当分解为两个随机变量的基础上,对解释变量完全是随机变量的不完全多重共线问题,给出了用一个原解释变量以及与其不相关随机解释变量线性表示被解释变量的表示方法.进而研究了单独控制一个原解释变量改变一个单位条件下被解释变量的平均改变量(单控改变量),给出了估计单控改变量的方法——剔除相关变量法,证明了估计量的无偏性和一致性,并证明了估计量方差依概率收敛到有效估计量的方差. 相似文献
18.
19.
基于主成分与BP神经网络的股票价格预测分析 总被引:4,自引:0,他引:4
一、主成分与神经网络的股票价格预测模型
1.输入变量的选择
在应用人工神经网络模型预测股票价格的过程中,并非每个信息都要设置一个输入变量,有效地选取输入变量是决定该神经网络预测准确性的关键因素. 相似文献
20.
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。 相似文献