基于Fisher变换的Bayes判别方法探索

判别分析是三大多元统计分析方法之一,在许多领域都有广泛的应用。通常认为距离判别、Fisher判别和Bayes判别是三种不同的判别分析方法,本文的研究表明,距离判别与Bayes判别是两种实质的判别方法,前者实际依据的是百分位点或置信区间,后者实际依据的是概率。而著名的Fisher判别,只是依据方差分析的思想,对判别变量进行线性变换,然后用于距离判别,其实不能算是一种实质的判别方法。本文将Fisher变换与Bayes判别结合起来,即先做Fisher变换,再利用概率最大原则做Bayes判别,得到一种新的判别途径,可进一步提高判别效率。理论与实证分析表明,基于Fisher变换的Bayes判别,适用场合广泛,判别效率最高。     

KMV模型的修正及其应用

传统的KMV模型使用公司价值的历史波动率来近似估计波动率,然而通过本文的实证分析,说明这一近似方法在目前的中国市场环境下不适用。文章使用GARCH(1,1)模型来预测公司价值的波动性,以此计算违约距离,并与使用历史波动率计算的违约距离进行比较,认为使用GARCH(1,1)模型计算的结果与实际状况更加相符。     

基于球极投影变换核估计Bayes判别方法的上市公司ST预测

特别处理(Special Treatment,缩写为“ST”)是股票市场为了保护投资者利益提出的一项政策。文章介绍了两种非参数判别分析方法,判别一家上市公司是否被特殊处理:第一种是基于普通多元核密度估计Bayes判别分析方法;第二种是基于球极投影变换的核密度估计Bayes判别方法,并结合沪深股市数据进行了实证分析。结果显示:对于适中的样本容量,后者的预测能力要优于前者。显示出球极投影变换核密度估计判别方法的优良性,为使用者提供良好的依据。     

层次Bayes模型在抽样调查中的应用

在抽样调查中,经常需要估计总体中具有某一特征的个体单位的比例p,当我们所关心的这个比例很小,或者是样本量n很小时,通过样本得到的估计就不是很好。文章构造了层次Bayes模型,利用参数和超参数的先验分布推导出总体的后验分布,通过随机模拟了解比例p的大致分布情况。这种随机模拟的方法计算速度很快,而且准确性也较高。     

单变量Bayes正态动态线性模型及其预测

Bayes预测和动态模型是20世纪70年代发展起来的一套新的时间序列分析方法,其中单变量Bayes正态动态线性模型(UBNDLM)在实际应用中最为常见和重要。在UBNDLM应用中,通常假定观测误差方差是未知常量,其值在建模的开始由估计给出。一般的做法是对具体的问题通过专家经验给出,并没有一个统一有效的办法。文章针对这一情形,给出了观测误差方差值一种简单易用的估计方法。同时也提供了数值试验说明新方法是有效的,这就给该类UBNDLM的应用带来了方便。     

贝叶斯判别在证券优劣评价中的应用

证券评级（Rating）就是对证券质量的一种评价制度。世界上最著名的美国斯坦达──普尔（standing-poor）和穆迪（moody）公司把证券分为投资级与投机级两大级别,具体来说,债券划分为10个等级,其中投资级有4个等级,而投机级债券分为6个等级,股票分为8个等级,如表1、表2所示：对债券进行评级,将债券还本付息的清偿能力及可靠性指标公之于众,可保护广大投资者的利益,购买AAA级的债券大可高枕无忧。对股票评级,投资者对其依赖性虽次于债券,但仍有其独特的作用。利用贝叶斯判别方法可使其评价程序简便快捷,在证券市场日趋扩大的今…     

费歇判别法的改进及其应用

运用费歇判别法对已分类的观测样本建立判别函数,在一定的判别规则下再对未分类的观测样本进行分类.本文即在费歇判别法的基础上,引入权重因子来调整组间距与组内距在模型中的比重大小,将费歇判别模型加以改进,将原模型由max=C'BC/C'SC改为max=ρC'BC-(1-p)C'SC,实例验证此举提高了判别效率.     

潜在因素模型在商业银行信用风险分析中的应用

在评估商业银行整体信用风险时,债务人的信息一般不会传递到风险管理部门,导致在缺少违约数据时传统方法的分析十分复杂甚至难以进行.基于贝叶斯方法的潜在因素模型可以有效解决无法获得特定债务人信用质量的问题,并能够在宏观经济环境变动时准确评估违约风险强度变化,从而避免低估风险.利用MCMC模拟方法对商业银行数据的实证分析表明,潜在因素模型不仅推断方法及模拟途径简洁清晰,估计结果更加精确,而且在贝叶斯框架下具有较强的灵活性,适合在不同的数据约束条件下应用,便于国内风险分析人员采用.     

时序系数GM(1,1)模型及其应用

基于GM(1,1)模型误差产生的原因分析,提出了用时序系数对等间距时序进行修正,建立时序系数GM(1,1)模型,克服了时序残差模型求得的时序残差序列可能不满足非负性的缺点,简化了建摸过程。通过实例分析表明,时序系数GM(1,1)模型适应于有较大波动的原始数据序列的分析建模,实例验证表明了所建模型的实用性与可靠性。     

改进的GM(1,1)模型及其应用

为提高GM(1,1)模型的预测精度,针对GM(1,1)模型的特点,提出了将遗传算法与LS-SVM算法融合对GM(1,1)模型中的参数估计方法进行改进.该方法首先根据GM(1,1)灰色差分方程的特点,构造以背景值序列和原始序列为训练样本的灰色LS-SVM模型,将GM(1,1)模型参数的估计问题转化为灰色LS-SVM模型参数的估计问题,然后利用遗传算法对LS-SVM自身的参数进行寻优预处理,再对经过优化参数的灰色LS-SVM,依据LS-SVM算法求解回归参数,进而得到GM(1,1)模型的参数估计.将改进的GM(1,1)模型用于实际的经济预测问题,并与传统的预测方法进行比较,结果表明,方法是可行的且有效的.     

一致性分数阶优化灰色模型及其应用

传统的分数阶灰色预测模型在时间序列预测中具有较好的适应性和预测的有效性,但其累加和差分计算式比较复杂。一致性分数阶累加相对于一般的分数阶累加,形式更简单,更便于计算和理论推导。为了提高模型的适应性和预测能力,文章在CFGM(1,1)白化方程中引入一个新的可变系数,扩大了原有白化方程的适用范围,并在此基础上构建了一致性分数阶优化灰色模型,即CFOGM(1,1)模型。最优一致性分数阶阶数和可变系数通过PSO算法最小化平均相对误差获得。将构建的模型运用到两个实例中并与其他经典的灰色预测模型进行对比,结果表明所提出的模型具有较高的拟合和预测精度。     

基于MCMC和贝叶斯的AR（1）-MA（0）双重模型的参数估计

为了解决AR（1）-MA（0）双重模型的参数估计问题,文章引入一种新的方法即基于MCMC和贝叶斯估计方法,对该模型的参数进行了估计,系统地推导出了模型中各参数的估计值;通过数值模拟,说明用该方法估计此类模型的参数是可行的,且与传统方法相比更易于实现。     

基于Bayes概率边界域的粗集分类方法及其在高频数据中的应用

 作为一种近似处理的工具,粗集主要用于不确定情况下的决策分析,并且不需要任何事先的数据假定。但当前的主流粗集分类方法仍然需要先经过离散化的步骤,这就损失了数值型变量提供的高质量信息。本文对隶属函数重新加以概率定义,并提出了一种基于Bayes概率边界域的粗集分类技术,比较好的解决了当前粗集方法所面临的数值型属性分类的不适应、分类规则不完备等一系列问题。     

基于初值修正的组合GM(1,1)模型及其应用

灰色GM(1,1)模型的拟合和预测精度依赖于其结构参数.文章从传统GM(1,1)模型的初值选取入手分析其存在的理论缺陷,通过两种初值修正方法建立改进的GM(1,1)模型,摒弃与系统关系不大的老信息,充分利用新信息来建模,从而达到精确预测的目的.在此基础上建立两种初值修正GM(1,1)模型的组合预测模型,提高了模型的拟合和预测精度。     

GARCH(1,1)模型的M-H估计及其应用

参数GARCH模型是最常用的度量金融市场波动性的模型。文章对残差基于正态分布的GARCH(1,1)模型通过构造M-H算法对其参数进行了估计,并给出了基于沪市股指收益率数据的实证分析。结果表明:基于M-H算法估计的GARCH模型比基于极大似然估计(ML)方法估计的GARCH模型具有更好的拟合效果和预测能力。     

自信心模型在决策过程中的应用

文章对过度信心这一概念进行了着重阐述并回顾了有关模型及其应用。人们避免错误发生的方法可以被归结为三大类,三类方法之间的区别与联系也是文章的一个重要的研究问题。一系列实例也能够帮助分析的进行。但是调整后的决策过程中,错误却发生了变型或进化。文章得出结论：所有的方法都不可能完全避免错误的发生,尤其是对第二层面上的错误以及混合层面错误更是收效甚微。     

基于IOWA算子的优化灰色组合模型及其应用

为了提高灰色模型在实际应用中的预测精度,文章对经典GM(1,1)模型进行了改进优化.首先从初始值、背景值和灰色微分方程三个方面优化经典GM(1,1)模型,然后运用诱导有序加权平均(IOWA)算子对三个优化模型进行组合赋权,建立基于IOWA算子的优化灰色组合模型,最后将该组合模型应用到江西省农村电力中长期负荷预测中.结果表明,所提出的组合模型比经典模型和单项优化模型具有更高的预测精度.     

改进粒子群优化算法及其在CVaR模型中的应用

文章基于CVaR模型进行投资组合优化,并利用粒子群算法对其进行求解.在具体应用过程中,为克服粒子群算法易陷入局部极值的缺陷,对算法进行了改进,并与标准粒子群算法(PSO)和遗传算法(GA)进行了比较,结果表明,改进后的算法应用于CVaR模型是行之有效的,且优于标准粒子群算法和遗传算法.     

基于改进背景值算法的优化GM(1,1)模型及其应用

研究表明,GM(1,1)模型的背景值构造方法是影响其建模精度的一个重要因数。文章研究了已有的相关文献中关于背景值的构造方法,进而提出了一种新的背景值构造方法,其具有更好的适应性。同时,为了进一步提高灰色GM(1,1)模型的模拟及预测精度,利用拟合值和原始值平方和误差最小对预测模型的初始值进行了优化。文章改进的优化GM(1,1)模型既适用于对低增长指数的数据也适用于对高增长指数的数据进行GM(1,1)预测实例建模结果展示了其具有更高的精度和适应性。     

地统计学及其在公共卫生领域的应用

0引言目前,发达国家的医疗保障覆盖率基本上达到100%;印度医疗保障覆盖率高达70%以上,最穷的人都可以到医院看病;中国有7.8亿农民,占全国人口60%的这部分人基本上没有基本医疗保障,医疗保障率仅为25%,大量公共卫生支出根本到不了农村[1]。SARS在我国的突然大规模爆发更暴露了我