含不可忽略缺失数据统计模型的局部影响分析

对缺失数据的研究是当前国内外的热点问题,但是传统的局部影响分析方法却无法处理复杂的带有缺失数据的统计模型,尤其是带有不可忽略缺失数据的统计模型.文章通过考虑基于Q函数的保形法曲率并借助于Gibbs抽样和MH算法,就能够有效地对带有不可忽略缺失数据的非线性结构方程模型实施局部影响分析,且方法新颖,计算简单,结论可靠.     

非线性回归模型的曲率降低问题研究

文章在曲率立体阵的概念基础上,给出基于Cholesky分解的曲率立体阵的计算方法.对非线性回归模型的曲率降低的方法进行讨论,归纳和总结了参数变换法和增加采样法,列举出一部分通过参数变换可以完全转化为线性模型的非线性模型,最后提出一种加权最小二乘估计法,并通过数值仿真说明该估计法通过降低模型的曲率以达到高精度的本质.     

联合均值与方差模型的统计诊断

研究了联合均值与方差模型,考虑了基于数据删除模型的参数估计和统计诊断,比较删除模型与未删除模型相应统计量之间的差异。首次提出了基于联合均值与方差模型的诊断统计量和局部影响分析。通过模拟研究和实例分析,给出了不同的诊断统计量来判别异常点或强影响点,研究表明提出的理论和方法是有用和有效的。     

空间自回归模型的局部影响分析和运用

由于空间数据的相依特性，使得通常的删除点诊断异常值的方法不适合采用。为了寻找数据中的异常点和影响点，采用局部影响分析技术，通过引入扰动的方法来发现影响点，最后通过实例说明局部影响分析技术能够有效地发现模型中可能的影响点，并且能够揭示更多的细节信息。     

对季节变动趋势剔除法的思考

季节变动是指某些社会经济现象受到自然条件和社会条件的影响,而形成每年重复出现的有规律的周期性变动.测定季节变动的趋势剔除法(以下简称趋势剔除法)是测定时间数列季节变动的一种传统方法.这种方法认为,时间数列是由下列影响因素组成的:长期趋势(T)、循环变动(C)、季节变动(S)和不规则变动(I).并且假定原数列(Y)与上述四个因素存在如下关系:Y=T·C·S·I,即所谓乘法模型或比例模型.根据时间数列分析的基本要求,测定某一因素时,应将其它因素剔除.因此,测定季节变动时,须将非季节变动因素剔除.趋势剔除法的基本要求就是在原数列(Y)的基础上,分离出季节变动(S),并且,由于存在季节变动的时间数列在一定的周期按照一定的规律循环往复,因此,该时间数列又属于周期时间数列.在此基础上分离出的季节变动又必须是典型化的、可以说明不同周期的.这时,测定季节变动的基本过程可以表述为:S=Y/T·C·I,若不考虑循环变动时,可表述为:S=Y/T·I.     

非等间距GM(1,1)模型在股票预测中的优化

文章根据灰色系统建模方法和原理,在GM(1,1)建模思想上给出了一种逐步优化的非等间距GM(1,1)模型,该模型是在背景值优化和向前差商和后向差商的加权平均值代替灰导数基础上,应用累积法来估计模型参数,并基于一次累加序列与其模拟值之间误差平方和最小的准则,确定时间响应函数中的常数值,以此来优化非等间距GM(1,1)模型,实例表明该模型具有较高的精度。     

纵向数据下半参数回归模型估计的渐近性质

文章考虑纵向数据下半参数回归模型Yij=XTijβ g(Tij) εij,利用Profile加权最小二乘法和局部线性拟合方法建立了模型中参数分量β和非参数分量g(·)的估计量。在适当的条件下,给出了估计量的渐近性质。     

科技进步对经济增长贡献的实证分析

本文运用柯布-道格拉斯和罗伯特·索洛这两个模型,测算科技进步对泉州经济增长的贡献率,并加以实证分析。一、科技进步对经济增长贡献的模型和方法1、生产函数模型生产函数是一种描述生产过程产出与投入的要素组合之间依存关系的计量经济学模型,通常表示为:Y=f(A,K,L,…)。其中Y为产出量,通常用GDP(或增加值)指标代表,A、K、L分别代表科技进步、资本、劳动等生产投入要素。柯布-道格拉斯(Cobb-Douglas)提出的生产函数模型为:Y_t=A_(?)e~(rt)K_t~αL_t~β,其中,Y_t为t期综合产出量,A_(?)为初始科技水平,r表示科技进步参数,t为时间变量,e~(rt)作为t期科技进步因素,即t期科技进步对产出的影响,K_t为t期资金投入,L_t为t期劳动投入,α为资本产出弹性系数,β为劳动产出弹性系数。     

GM(1,1)模型的改进与应用

文章提出了一种增加扰动因素β来修正初值x(1)(n),采用最小二乘原则来建立无约束优化模型的方法来提高GM模型的精度,使所建的模型的精度大为提高。通过具体的实例验证了模型比传统GM(1,1)模型有更高的精度和适应性,并利用这种方法对全国2008～2010年GDP总量进行了预测。     

改进的以x(1)(n)为初始条件的GM模型

在对以为初始条件的GM模型分析的基础之上,初值的选取对模型的精度有着重要的影响。文章在分析了GM(1,1)模型的预测精度之后,提出了一种修正初值法来提高模型的精度,对以为初始条件的GM模型进行了改进,使所建的模型的精度大为提高,最后通过具体的实例验证了模型的实用性与可靠性。     

线性回归方法的改进

线性回归是常用的数学方法,通常采用在可控制变量X取值下,试验一次,得到应变随机量Y的一个值,试验n次,得到n个数对(X1,Y1)、(X2,Y2)、…、(Xn,Yn),而后作线性回归分析.在此,本文采用在可控制变量X的取值下,重复k次试验,得到应变随机量Y的k个值,用其均值Y与X组成数对,试验n组,得到n个数对(X12,Y1)、(X2,Y2)、…、(Xn,Yn),建立改进的线性回归模型,提高了回归参数的估计精度,并把总离差平方和分离为随机离差、剩余离差和回归离差,从而给出不同要求的检验方法.     

数据删除模型在GDP诊断中的应用

文章利用数据删除模型,对1996~2007年的国内生产总值(GDP)数据进行统计诊断,判定2007年和2004年的数据为异常值点或强影响点。在此基础上,利用SPSS软件,建立了支出法与生产法的GDP之差与最终消费支出、资本形成总额和货物与服务净出口的有效线性回归关系,指出两种计算方法的GDP差值主要来源于货物与服务净出口,在一定程度上解释了GDP统计的差异。     

逐步回归分析法及其应用

逐步回归分析是多元回归分析中的一种方法,在经济研究建模中发挥着重要的作用.文章系统介绍了逐步回归分析,并分析了逐步回归分析在经济研究(建模与预测)中的应用步骤与需要注意的问题.分别应用向前引入法、向后剔除法、逐步回归法分别对中国农村居民收入影响因素模型进行实证分析.     

基于格兰杰因果关系检验的ISM改进与应用

文章提出了一种基于格兰杰因果关系检验的解释结构模型(ISM)改进方法,该方法能依据客观统计数据识别影响因素的两两关系,进而改善了原有模型中采用专家评价法确定邻接矩阵的主观性困境.通过对物流与经济协同发展水平的影响因素分析,实证检验了解释结构模型改进方法的可行性.     

基于多层因子模型的我国核心通货膨胀估计

本文利用我国CPI分类数据,基于多层因子模型构建了一种新的核心通货膨胀指标.通过与单层因子模型方法的对比研究发现:单层因子模型会高估核心通货膨胀的波动性,原因在于其无法识别仅影响大类价格变化的局部因子,并将局部因子的大部分作用归于具有普遍性影响的全局因子.而多层因子模型不仅能够识别局部因子,并且利用分离局部因子之后的全局因子构造的核心通货膨胀指标具有更小的波动性,且更符合核心通货膨胀的内涵.     

基于改进模糊聚类算法的灰色预测模型

目前研究的模糊C均值聚类算法(FCM)面临的最重要问题是初始值随机选取,导致其容易陷入局部最优,同时影响运算速度.而灰色预测GM(1,1)模型在形成预测公式时对初始值的选取也没有合理有效的方案.针对以上问题,文章提出坐标密度法,确定初始聚类中心,对FCM算法进行改进;接着提出运用改进的FCM求取GM(1,1)中数据的聚类中心,并把聚类中心作为初始值的方法;通过与已知算法进行比较验证了其可行性和有效性.     

异方差性F的参数估计

在经典经济计量理论中,异方差现象的存在破坏了普通最小二乘法(OLS)参数估计中关于随机序列独立同分布的基本假定,从而使得用OLS法估计得到的模型Y=Xβ失去优良性,如(?)不再是参数β的最小方差线性无偏估计(BLUE),继而参数的显著性检验失去意义,预测误差加大等等,致使模型失效。在实际建模中,一般是这样处理这一问题的:(1)用图示法或等级相关系数、Goldfeld-Quandt、Bartlett等方法检查异方差现象是否存在于待建模型中。(2)对探明有异方差现象的模型,通过加权最小二乘法(WLS)、Glejser法和正确引入解释变量等方法将异方差模型转化为同方差模型后再进行参数估计。经典计量经济理论认为扰动项方差σ_t~2是解释变量X_t的函数,即σ_t~2=f(X_t)σ~2,之所以出现异方差现象,是因为对于不同的X_t∈R~p,f(X_t)发生了变化。如果已知函数f的具体形式,     

一类扩散过程的参数估计及其Matlab实现

文章考虑平方根扩散过程(CIR)模型的参数估计,分别采用了普通最小二乘法、精确极大似然函数法、Euler法等三种方法,并提供了Matlab的操作实现程序,最后考虑了在上证指数中的应用。     

多重共线性的诊断方法

在对经济现象作建模分析与预测过程中,常常会遇到多重共线问题。基于多重共线的病态模型预测完全失效,文章就多重共线的诊断理论方法作了阐述,尤其是对多重共线影响点的诊断方法作了介绍,特别是对Walker法与主成分法对多重共线影响点的诊断作了比较。     

线性回归方法的探讨

线性回归是常用的数学方法,通常采用在可控制变量X的取值下,试验得到应变随机量Y的一个值,试验n次,得到n个数对(X1,Y1)、(X2,Y2)、…(Xn,Yn),而后作线性回归分析.在此,本文采用在可控制变量X的取值Xi(i=1,2,…,n)下,重复ki次试验,得到应变随机量Y的ki个值,试验n组,得到n个数组(X1;Yll…,Y1k1)、(X2;Y21,…,Y2k2)、…、(Xn;Yn1,…,YnKN),建立改进的线性回归模型,对参数作出估计,并将总离差平方和分离为随机离差、剩余离差和回归离差,从而给出不同要求的检验方法.