现阶段保险业与经济发展的适应关系——基于主成分回归方法的实证研究

文章利用主成分分析回归模型将经济社会发展状况的复杂指标进行主成分分析,进而得到保费收入与主成分变量的多元回归模型,得到影响现阶段保费收入的主要经济社会影响因素并进行定量分析。     

函数型变量倾斜分位回归模型及其应用

本文考虑函数型数据的结构特征,针对两类函数型变量分位回归模型（函数型因变量对标量自变量和函数型因变量对函数型自变量）,基于函数型倾斜分位曲线的定义构建新型函数型倾斜分位回归模型。对于第二类模型,本文分别考虑样条基函数对模型系数展开和函数型主成分基函数对函数型自变量展开,得到倾斜分位回归模型的基本形式。参数估计采用成分梯度Boosting算法最小化加权非对称损失函数,提高计算效率。在理论上证明了倾斜分位回归模型的系数估计量均服从渐近正态分布。模拟和实证研究结果显示,倾斜分位回归模型比已有的逐点分位回归模型具有更好的拟合效果。根据积分均方预测误差准则,本文提出的模型有一致较好的预测能力。     

江苏省全社会用电量预测

本文建立了江苏省全社会电力需求量的主成分回归模型,得到主成分后,根据数据自身的特点,分别选择了二次多项式、三次多项式和生长模型,将主成分与全社会用电量两个变量进行回归,得到预测模型,然后根据江苏省十一五规划的要求,对江苏省2006-2010年的全社会电力需求量进行了预测。     

基于稳健主成分回归的统计数据可靠性评估方法

 稳健主成分回归（RPCR）是稳健主成分分析和稳健回归分析结合使用的一种方法,本文首次运用稳健的RPCR及异常值诊断方法,对2008年我国地区经济增长横截面数据可靠性做了评估。评估结果表明：稳健的RPCR方法能更好的克服异常值的影响,使估计结果更加可靠,并能有效的克服经典的主成分回归（CPCR）方法容易出现的多个异常点的掩盖现象;基本可以认为2008年地区经济增长与相关指标数据是匹配的,但部分地区的经济增长数据可能存在可靠性问题。     

核主成分遗传算法与SVR选股模型改进

 量化选股一直是金融领域研究的热点。随着人工智能技术的空前发展,量化选股方法取得了很大进步。本文构建了基于核主成分遗传算法改进的支持向量回归机人工智能选股模型(KPCA-GA-SVR),并基于沪深股市股票基本面及交易数据,分别从短期和中长期对其选股性能和预测精度进行了实证分析。主要结论为：①遗传算法(GA)改进的SVR较传统模型预测精度更高,且避免了过度拟合;②与采用主成分降维技术的PCA-GA-SVR模型相比,基于核主成分特征提取的KPCA-GA-SVR模型,具有更好模型稳健性及预测准确性;③中长期内该模型的预测误差随滑窗长度的增加有降低趋势,且一年期预测精度最高;短期内不同滑窗下,一周的预测效果最佳。本研究对个人投资者的投资决策及国家宏观监控股市动态变化都具积极意义。     

基于非线性-主成分Logistic回归的会计舞弊识别研究

混沌理论认为,人类行为大多具有非线性特征。会计舞弊属于行为会计的研究范畴,而传统上基于统计理论构建的舞弊识别模型大多受限于线性约束假设,可能存在模型设定偏误和信息提取不充分的缺陷。以沪深A股受到监管处罚的上市公司及其配对公司为样本,借鉴Taylor展开式的非线性思想,并使用主成分分析消除变量多重共线性,构建了非线性-主成分Logistic回归的会计舞弊识别模型。与线性回归模型对比发现,前者具有更高的舞弊识别正确率,模型拟合度更优。应用这一模型有助于更加充分提取舞弊识别信息,提高舞弊识别效率。     

基于fused惩罚的稀疏主成分分析

本文旨在研究基于fused惩罚的稀疏主成分分析方法，以适用于相邻变量之间高度相关甚至完全相等的数据情形。首先，从回归分析角度出发，提出一种求解稀疏主成分的简便思路，给出一种广义的稀疏主成分模型—— GSPCA模型及其求解算法，并证明在惩罚函数取1-范数时，该模型与现有的稀疏主成分模型——SPC模型的求解结果一致。其次，本文提出将fused惩罚与主成分分析相结合，得到一种fused稀疏主成分分析方法，并从惩罚性矩阵分解和回归分析两个角度，给出两种模型形式。在理论上证明了两种模型的求解结果是一致的，故将其统称为FSPCA模型。模拟实验显示，FSPCA模型在处理相邻变量之间高度相关甚至完全相等的数据集上的表现良好。最后，将FSPCA模型应用于手写数字识别，发现与SPC模型相比，FSPCA模型所提取的主成分具备更好的解释性，这使得该模型更具实用价值。     

本期导读

主成分分析已逐渐成为一种独具特色的多指标评价技术。如果对经典评价方法的理论基础、适用性前提以及存在的缺陷缺乏深入理解,盲目地追求模型改进则可能陷入评价方法研究的误区。《主成分集成评价方法的问题探析与模型拓展》一文,针对主成分综合评价环节的一般性问题进行了梳理,并在现有研究成果     

Logistic模型多重共线性问题的诊断及改进

文章诊断并改进了logistic回归模型多重共线性问题方法,采用条件指数和方差分解比例两项指标进行共线性诊断、应用主成分改进和偏最小二乘回归两种方法进行多重共线性变量的改进处理:去除了回归模型中变量间的多重共线性影响,建立了较为理想的关系模型.结果表明,在Logisdc回归模型分析中,应用上述方法进行多重共线性的诊断和处理是有效及可行的.     

财务危机预警模型效果的比较

本文运用主成分分析筛选出一致的指标,分别构建了Logit回归模型、二分类线性判别模型、主成分分析模型三个预警模型,根据样本的检验结果发现三个模型的判别精度都在85%左右,根据两类错误概率对其进行比较后,得出了三个模型各自的适用范围。     

上市公司信用风险评估方法之比较

本文分别运用Logistic回归法和主成分判别分析法建立了两种模型,并比较两种模型的判别效率,从而确定一种好的评估上市公司信用风险的模型。     

基于灰系统主成分的话题趋势预测模型

话题趋势预测影响因素众多,为了降低因影响因素多带来的计算复杂度,文章中利用主成分分析将多个可能相关的变量化为几个互不相关的主成分变量,并对这些不相关的变量运用GM(1,1)模型分别进行预测,并将预测之值代入GM(1,N)预测模型中,从而得到灰系统主成分话题预测模型,有效降低了热门话题预测的复杂度,最后实证了方法的可行性。     

Logistic模型在钢铁行业上市公司信用风险识别中的应用

文章基于2007年钢铁行业上市企业的样本数据,用主成分分析方法将筛选出的显著性指标减少为综合反映企业财务状况的5个主成分并建立信用风险识别的二元逻辑回归模型.实证结果表明,该模型中反映盈利能力和股东获得能力的资产报酬率、每股净资产及留存收益率是钢铁行业上市公司的关键性指标,利用该模型可以对上市公司一年后的信用状况进行预测.     

税收收入模型预测精度的比较

文章建立了四个预测税收收入的有效模型,利用1985～2004年的样本数据进行实证分析。结果表明:半对数模型预测税收收入偏差较大;当把经济因素作为外生变量引入自回归模型时,模型预测精度也较差;如果把政策因素这一外生虚拟变量加入自回归模型,模型预测精度明显提高;而采用主成分分析法消除了多个经济因素之间的复共线性以后,建立的对数线性回归模型预测精度较高,适合用来预测税收收入。     

我国上市公司财务困境预测新探

本文采用主成分分析方法确定模型变量,建立多元判别分析(MDA)、Logistic回归和改进型BP神经网络模型进行财务困境预测。结果表明,神经网络模型的预测准确率明显优于多元判别分析和Logistic回归模型,而后两者的判别效果接近,神经网络模型更适合于财务困境预测。但三种模型的长期预警能力不够理想,提出建立以定量模型为主、定性分析为辅的上市公司财务困境预测新方法。     

关于主成分分析的几种常用改进方法

针对传统主成分分析方法的缺点和应用当中可能出现的误区,总结几种常用的主成分分析改进方法。     

循环经济评价指标体系的设计及评估方法

依据循环经济发展的基本内涵与原理及主成分方法,构建了包括经济发展指标、循环经济特征指标、生态环保指标及绿色管理指标在内的循环经济发展评价指标体系,并通过运用主成分模型,测算了指标权重,得到了主成分方法下的循环经济综合评价模型。     

房地产信贷风险的评估与监控

文章研究了长株潭区域房地产信贷风险的评估与监控问题.以该区域内的房地产企业为研究对象,运用主成分分析法、Logistic回归模型对其信贷风险进行了评估;实证表明,基于主成分分析法的Logistic回归模型对信贷风险的评估具有80%以上的平均准确率.并就信贷风险的监控问题进行了有益的探索.最后,就准确评估和有效监控估该区域内房地产信贷风险实现房地产信贷业务的健康、持续发展提出了一些政策建议,从而为长株潭城市群"两型"社会的建设服务.     

如何用SPSS快速计算主成分的结果

SPSS迄今没有主成分分析的模块,不能直接得到主成分系数和主成分值,如何用SPSS软件快速计算主成分结果,是SPSS使用者和教学面临的困难.这里应用因子分析中主成分法的初始因子载荷阵回归的初始因子得分,建立了:主成分与初始因子得分的一般关系式;给出了SPSS快速计算主成分系数、主成分值的操作步骤,实例,结论和讨论等.