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.     

灰色GM（1，1）模型中参数估计的几种方法比较

文章介绍了灰色GM（1,1）模型中参数估计的最小二乘准则、全最小二乘准则、最小一乘准则和折扣最小一乘准则,并指出了它们的优缺点。将这四种方法分别用于递增序列、递减序列、振荡序列的灰色GM（1,1）模型参数估计中,并通过优化软件LINGO计算出相应的参数。最后,对建立的灰色GM（1,1）模型的精度进行了比较,结果显示：最小一乘准则和折扣最小一乘准则模型参数估计明显优于最小二乘准则、全最小二乘准则模型参数估计。     

Bootstrap方法和SV模型在风险测度中的应用

文章用SV-GED模型刻画收益率序列的尖峰厚尾、波动集聚以及异方差等特征,在得到标准残差序列的基础上,与Bootstrap方法结合构建一个基于参数---非参数估计的新的风险度量模型——基于Boot-strap-SV-GED模型的风险度量模型,最后对模型的有效性进行了分析.研究表明:Bootstrap-SV-GED模型能很好的刻画收益率序列的特征,并且能在一定程度上提高金融风险测量的精度.     

删失数据下二项AR(1)过程的参数估计

文章研究了一类整值时间序列模型在样本数据完全随机缺失情况下参数的估计问题.运用五种方法对模型参数进行估计,通过数值模拟,在不同缺失率情况下对五种参数估计方法进行比较,并绘制“箱”形图,结果表明Bridge插补下参数估计结果最优,核插补和k-最近邻插补下参数估计次之.     

基于欧拉法的非等间距GM(1,1)预测模型参数估计

文章提出了一种新的非等间距GM(1,1)模型参数估计方法,该方法不再构造非等间距序列背景值,而是基于欧拉公式直接求解模型参数来建立预测模型,为非等间距GM(1,1)模型参数求解提供了一条新的思路和解决方法。实例应用表明,利用该方法建立的非等间距GM(1,1)模型显著改善了模拟和预测精度,具有精度高、适用性强等特点。     

空间回归模型估计中的最小二乘法

空间回归模型由于引入了空间地理信息而使得其参数估计变得复杂,因为主要采用最大似然法,致使一般人认为在空间回归模型参数估计中不存在最小二乘法。通过分析空间回归模型的参数估计技术,研究发现,最小二乘法和最大似然法分别用于估计空间回归模型的不同的参数,只有将两者结合起来才能快速有效地完成全部的参数估计。数理论证结果表明,空间回归模型参数最小二乘估计量是最佳线性无偏估计量。空间回归模型的回归参数可以在估计量为正态性的条件下而实施显著性检验,而空间效应参数则不可以用此方法进行检验。     

求解非线性多结构回归模型的加权最小二乘估计法

文章针对基于非线性多结构回归模型的参数估计问题,提出了带权值的最小二乘估计法;讨论并证明了最优加权的存在性和优越性;通过数值仿真分析比较,验证了此方法的精度.     

SV模型局部分析的稳健性研究

随机波动（SV）模型是一种重要的具有隐性波动的时间序列模型。本文在对SV模型进行Cook局部影响分析的基础上，探讨方法对参数估计精度的稳健性，从而评价局部影响分析方法应用在时间序列模型的优劣。     

缺失偏态数据下线性回归模型的统计推断

研究缺失偏态数据下线性回归模型的参数估计问题,针对缺失偏态数据,为克服样本分布扭曲缺点和提高模型的回归系数、尺度参数和偏度参数的估计效果,提出了一种适合偏态数据下线性回归模型中缺失数据的修正回归插补方法.通过随机模拟和实例研究,并与均值插补、回归插补、随机回归插补方法比较,结果表明所提出的修正回归插补方法是有效可行的.     

AR(1)模型中参数估计的偏差分析

文章分析了AR(1)模型中模型参数(序列方差、模型回归系数、序列的自协方差函数、自相关系数以及误差方差)估计(矩估计和最小二乘估计)的无偏性.对于非独立随机向量二次型的商的估计(如自相关系数估计等),给出了其偏差表达式并提供了相应的数值解法.通过数据模拟分析考察了这些参数估计的偏度情况.     

非线性协和模型:非参数方法研究综述

对于非线性协和理论,非参数方法具有重要的研究和应用意义。文章对当前非线性协和理论的三个研究方向进行了梳理,进一步对已给出的非线性协和的不同定义,总结了相应的具有非线性结构的时间序列的非平稳性非参数检验、非线性协和关系的非参数检验、非线性协和模型非参数估计方法以及非线性误差修正模型的非参数方法前沿问题。     

非参数固定效应Panel Data模型的分位数回归推断

利用分位数回归方法,讨论了非参数固定效应Panel Data模型的估计和检验问题,得到了参数估计的渐近正态性及收敛速度。同时,建立一个秩得分(rank score)统计量来检验模型的固定效应,并证明了这个统计量渐近服从标准正态分布。     

非线性半参数空间变系数模型的两步估计

文章对非线性函数与空间变系数模型组合的半参数模型进行研究,提出该类模型的两步估计,给出半参数模型中非线性函数和空间变系数参数估计的精确表达式.并进行了数值模拟,结果表明,估计值与真实值拟合程度较好,方法的精确度较高.     

异质性空间随机前沿模型的参数估计及应用

经典的随机前沿模型忽略了决策单元之间的空间关联性，无法准确估计效率影响因素相关参数，限制了其适用范围。本文在空间自回归随机前沿模型的基础上，引入效率影响因素，构建出一个异质性空间随机前沿模型，基于极大似然估计法给出模型参数的单步估计策略，提出决策单元技术效率的最优预测量。理论分析证明，模型参数在一定的假设条件下具备一致性；模拟实验表明，参数估计量和技术效率预测量较之经典模型具有更高的估计精度，且会随着样本量的扩大而逐渐提升。本文使用所提出理论方法讨论了我国城市数字普惠金融发展与技术效率水平之间的相关关系，发现两者之间存在显著的正相关关系，同时也印证了模型设定和估计方法的可靠性。     

基于非等间距序列的累积法及其应用

文章提出了基于非等间距序列的累积法.给出了非等间距序列的各阶累积和,使累积法能引入基于非等间距序列建模的参数估计中.将此法应用于非等间距GM(1,1)模型,得到了其新的参数估计公式,又直接由模型的定义型推得其预测值计算公式.结果分析表明,累积法在非等间距模型中的应用效果良好,改进后的累积法非等间距GM(1,1)模型的拟合与预测精度都很高.     

参数与非参数回归在FDI中的比较分析

文章在对参数回归及非参数回归方法进行介绍的基础上,采用线性回归模型、引入虚拟变量的非线性回归模型以及N-W核权函数回归估计,对1983-2014年我国外商直接投资总额与GDP关系进行探讨.最后分别给出3类方法的拟合值以及MAE和MSE.从拟合效果来看,相对于线性回归模型,引入虚拟变量的非线性回归模型以及非参数回归方法更能有效地拟合FDI与GDP之间的关系,且窗宽为0.25的非参数估计效果更优.     

基于模糊Yule-Walker方程的FAR(p)预测模型

文章把基于Yule-Walker方程的AR(p)模型参数估计及定阶方法引入模糊时间序列分析中,提出了基于模糊Yule-Walker方程的FAR(p)模型参数估计及定阶方法;建立了一个全国发电量的模糊时间序列模型,并进行了应用尝试.     

面板数据的自适应Lasso分位回归方法研究

如何在对参数进行估计的同时自动选择重要解释变量,一直是面板数据分位回归模型中讨论的热点问题之一。通过构造一种含多重随机效应的贝叶斯分层分位回归模型,在假定固定效应系数先验服从一种新的条件Laplace分布的基础上,给出了模型参数估计的Gibbs抽样算法。考虑到不同重要程度的解释变量权重系数压缩程度应该不同,所构造的先验信息具有自适应性的特点,能够准确地对模型中重要解释变量进行自动选取,且设计的切片Gibbs抽样算法能够快速有效地解决模型中各个参数的后验均值估计问题。模拟结果显示,新方法在参数估计精确度和变量选择准确度上均优于现有文献的常用方法。通过对中国各地区多个宏观经济指标的面板数据进行建模分析,演示了新方法估计参数与挑选变量的能力。     

Logistic回归模型的两参数估计

Logistic回归模型是一种有效的分类数据处理方法.为了克服Logistic回归模型的复共线性,文章提出了Logistic回归模型参数的两参数估计,并在均方误差矩阵准则下对估计的统计性质进行研究.     

“内在”非线性回归模型的参数估计

一般数理统计书上都讨论过变量非线性的回归模型 ,而对参数非线性或者变量和参数都是非线性的回归模型没有介绍 ,本文就这些“内在”非线性回归模型的参数估计进行探讨