线性回归模型与传递函数模型在时间序列应用上的比较研究

如果一个因变量是由一个或多个自变量来解释的,那么对这些数据可以建立回归模型.但如果因变量和自变量同时又是时间序列,则也可以建立传递函数模型(transferfunction models).与普通的回归模型相比,传递函数模型说明因变量与自变量以及扰动项之间关系时,有着更为丰富的结构.在多变量时间序列模型方面,有关线性回归模型与传递函数序列在时间序列方面应用效果的比较很少,因此,本文拟进行这方面的研究,为多变量时间序列建立模型提供参考.     

基于双重筛选的多因变量偏最小二乘逐步回归方法

偏最小二乘回归分析中的一个重要问题是变量选择,文章的主要目的是给出一种改进的多元数据分析方法-基于双重筛选的多因变量偏最小二乘逐步回归方法。双重筛选方法既能按自变量对因变量的关系进行分组,又能使每个自变量对各组因变量的作用反映出来。因此基于双重筛选的多因变量偏最小二乘回归方法能很好地处理这类问题,并得到好的结果。     

双回归（AR—R）预测模型之新探——及其在中国人口中短期预测上的应用

构造一种称为双回归的时间序列预测新方法。本文作者利用与因变量自身相关性紧密的因变量前几期取值,综合前一次的自变量构建了双回归(时间序列自回归-多元线性回归)预测组合模型。这种方法克服了以往时间序列预测只是自身拓展而不考虑多项因素(变量)的不足,也弥补了回归分析预测法必须已知同时期各个自变量值才能预测的缺陷。并用这种新方法对中国的人口总量进行预测,预测效果比较理想。     

浅析恩格尔系数与人身险密度之间的关系

随着我国改革开发的不断推进,我国城乡居民生活水平不断提高,恩格尔系数逐年递减。与此同时,我国的人身险密度逐年增加。本文以我国城市居民恩格尔系数为自变量,以人身险密度的对数为因变量建立一元线性回归模型预测我国的人身险规模。     

基于岭回归的4万亿经济刺激计划效果的评估

文章构建了以投资I、消费C、政府财政支出G和出口EX为自变量,GDP为因变量的对敷线性模型,采用岭回归的方法估计模型参数.通过模型参数的估计值评估4万亿经济刺激计划对经济增长的拉动效果.     

基于逐步惩罚的动态多元线性回归预测模型

在采用回归方法进行数据预测时,对呈近似线性关系的因变量和自变量,并非要寻找到其对应的精确的非线性函数,而可在对数据进行修正后继续使用线性回归模型。文章讨论了一种引入惩罚因子的动态回归模型,该方法在传统的多元线性回归模型的基础上,在进行逐步回归的同时,通过不断调整因变量来实现实时更改其变化趋势以达到最佳预测结果的目的。该方法在对上海市历年外国游客人数进行分析和预测时得到了较理想的结果。     

前移回归分析法在广西省经济预测中的应用

经济指标是多项相关因素的函数,一个时间段内各项指标(自变量)值会影响下一时间段待预测指标(因变量)的取值.本文以广西省12项主要经济指标为实例,采用前移回归方法预测了人均GDP,进而预测了其余指标2008～2009年的取值.这种方法克服了以往时问序列预测只是自身拓展而不考虑多项因素(变量)的不足,也弥补了回归分析预测法必须已知同时期各个自变量值才能预测的缺陷,取得较好的效果.     

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。     

自变量可重复观测的线性回归模型研究

文章研究了自变量可作重复观测的线性回归模型.对固定自变量X采用重复观测,得到应变量Y的多个观测值,并利用其均值与X构成数对,建立起自变量重复观测的线性回归模型.讨论了这种模型在一元时的情形,实例分析结果表明,该线性回归模型的参数估计值的方差更小,较之传统回归模型更为有效.     

模糊线性回归模型的最小二乘方法

针对自变量和因变量皆模糊的数据系统中的回归分析问题,为避免自变量退化成数值变量时可能引致的估计误差增大而带来的问题,提出系统中引入模糊调整项的回归模型的一般结构,并运用基于模糊数间完备距离的最小二乘法研究模型解析表达式;利用水平截集概念将模糊多元回归模型转化成两个传统回归模型,根据模糊数间距离采用最小二乘法得到参数估计,给出员工工作绩效评估的算例说明方法的有效性,并结合Bootstrap方法的应用,研究回归参数所具有的随机不确定性动态变化。     

对线形回归模型估值方法的分析比较

回归分析是在研究现象之间相关关系的基础上,对自变量和因变量的变动趋势拟合数学模型进行量的推算的一种统计分析方法,以揭示自变量的变动影响因变量变动的一般水平,最基本的形式是一元线     

安徽旅游业发展的影响因素分析

文章以安徽为例,在经济学的理论基础上建立了1995～2009年间的安徽省旅游收入因素的计量模型。通过对旅游收入的多因素分析,建立以旅游总收入为因变量,以接待旅游总人数、旅行社总数、星级宾馆数量以及旅游业从业人数等为自变量的多元线性回归模型,并利用SPSS软件对旅游总收入影响因素进行了分析。     

基于正交迭代的有监督的稀疏主成分分析

主成分分析是经典的无监督的数据处理工具,近年来关于稀疏主成分和有监督的主成分研究受到较多关注。基于正交迭代和距离相关系数,提出一种有监督的稀疏主成分分析方法 SSPCA,该方法考虑了自变量与因变量之间的相关性,并在迭代求解的过程中将一些与因变量Y相关性很弱的自变量对应的系数变为0,使所求的特征向量只保留预测能力较强的自变量信息;在数值模拟与实例分析中,相比其他四种方法,SSPCA方法均能取得较好效果。     

基于提取综合特征因素的投影寻踪多元线性回归分析

文章针对多元线性回归分析中经常遇到小样本、多自变量以及所产生的多重共线性这一问题,提出了基于投影寻踪(PP-RAGA)提取自变量综合特征因素的多元线性回归分析方法.该方法在自变量过多时,根据自变量所表现出的共同特性,将符合共同特征的自变量通过投影寻踪方法划归所隶属综合特征因素,最后将得到的综合特征因素作为新的自变量进行多元回归分析.通过实例验证,该方法可以解决小样本情况下自变量过多以及多重共线性问题,使回归模型更具有研究意义,是值得借鉴一种新型多元回归分析方法.     

对回归分析方法运用的误解

回归分析是通过建立问归模型来反映自变量和因变量之间的变动关系，进而根据自变量对因变量作出预测。然而，现行教科书在介绍该方法的用途时出现了三方面的误解，现予以说明并加以矫正。一、现行《统计学》教科书在介绍同归分析方法时明确写到，刊用数学模型取得的同归方程，一般都是根据一定范围内的有限资料计算，其有效性，只适用于该范围内，不适用于该范围外，换言之，就是只适用于内插预测，不宜于外推预测、其原因是一最小平方”指的是对现有资料范围配一条最适线，如果外推到范围以外，就不一定是最适线了。笔者认为，现行教科书中…     

序次Logistic回归模型中因变量分类数的确定

当因变量为定性数据时,Logistic回归模型经常被使用,其中又以二分类因变量(取值为0或1)的Logistic模型最为常见。其实,Logistic回归模型也可以应用于多分类因变量,即因变量的分类数大于等于3的情况。而且,多分类因变量既可以是序次的(Ordinal),也可以是名义的(Nominal)。当多分类因变量类别之间有序次关系时,一般采用序次(或累积)Logistic回归模型。人们在进行此类回归分析时,往往只注重通过一定的手段选择合适的自变量,以达到预期的拟合效果,却忽视了对因变量取值的研究。由于序次Logistic回归模型其实隐含了对因变量分类的一种假设条件…     

边际

在现代汉语中，边际就是指边缘、界限的意思。在经济学中，边际有额外的、追加的意思，指处于边缘之时，再增加一个单位所发生的变化，属于导数和微分的概念，由于披上了数学的面纱并被冠以经济学的术语，因此，许多人对边际一词觉得不好理解：在经济学分析中，人们经常把所研究的各种变量分为两种：自变量和因自变量变动而变动的因变量。而边际的含义就是因变量关于自变量的变化率，说得通俗点，就是指自变量变化一个单位时，因变量的变化情况。边际分析就是分析自变量变动与因变量变动的关系的一种方法。边际分析法广泛运用于经济行为和经济变量的分析过程之中，如效用、成本、收益、消费等分析多有边际的概念，人们所熟知的边际效用递减规律，就通常用吃馒头来形象地加以说明：把吃馒头作为自变量，     

基于偏最小二乘方法的信用评分模型

为了克服信用评分模型中自变量存在多重共线性的问题,文章引入了偏最小二乘思想,即采用限制预测值的偏最小二乘回归和偏最小二乘Logistic回归来创建信用评分模型。偏最小二乘法可以同时解释因变量和自变量的变异,在实际运用中更加符合信用评分模型的特点。实证研究的结果表明,利用这两种偏最小二乘模型创建的信用评分模型具有很好的准确性和稳定性。     

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。     

基于多元线性回归的概率排序型预测方法

文章针对运用多元线性回归进行预测时,对自变量的预测一般只考虑单一的可能性,忽略了由于未来的不确定性导致自变量存在多种可能的取值,提出了概率排序型的预测方法,将不同的自变量取值对预测值的影响考虑了进来,并用期望值的最大最小值和方差的最大值作为预测的指标,描述预测的结果并衡量预测结果的波动性,最后通过示例验证模型应用的可行性和有效性。