含有协变量的复发事件变点模型的参数估计

针对复发事件数据协变量的重要作用,建立含有协变量的复发事件变点模型,考虑协变量作用于强度率函数的情形。对于此模型,使用最大似然方法得到变点及各参数估计,并得到了变点估计的相合性。最后对于同时存在待估参数和待估变点的似然函数,采用最速上升法进行了数据模拟。     

航班动态定价机制下的机票价格序列变点估计

文章旨在研究受航空业动态定价机制影响下的机票价格序列变点估计模型,文中分析了机票价格u8序列数据的结构特点,提出了可用于高噪声数据环境下、阶梯状、带明显多变点的多阶段序列变点估计框架,该框架中级联组合了DBSCAN算法、EM-高斯混合模型聚类、凝聚层次聚类算法和基于乘积划分模型的变点估计方法等多种成熟的数据分析方法,通过对“北京-昆明”航线航班的实证分析,验证了数据分析框架的有效性和普遍适用性。     

中国股指收益率序列GARCH模型中变点的Bayes识别

文章研究基于贝叶斯方法的GARCH模型中变点的识别问题.由于股指收益率序列呈现尖峰厚尾非正态的特点,假设误差项服从自由度为v的标准化学生t分布而非标准正态分布.我们给出了基于贝叶斯方法的GARCH模型中变点估计的具体描述,包括单变点情形、多变点(变点个数未知)情形的变点估计.在实证研究中,我们选取2000年1月4日至2011年9月30日上证A股指数收益率数据进行迭代计算来识别变点,并且将得到的变点时刻与其附近的重大政治经济事件结合起来,给出其合理的解释.     

基于BCUSUM的多参数变点估计

文章基于递归残差的逆序特征和隔离检测研究了回归模型多参数变点的检测方法。首先,构建带有变点的回归模型,考虑到多元正向CUSUM检验能防止协变量均值与偏移量正交时损失功效,但其变点检测效果并不理想的情况,引入修正的检验统计量BCUSUM。其次,结合快速高效的隔离检测技术,提出MCPDP算法用于估计变点数目及位置。最后,模拟结果表明,所提出的方法能较好地控制检验水平,有更高的功效;评价结果显示,MCPDP算法在变点估计性能方面表现较优;实例分析表明,交通流变点符合实际交通情况,验证了该方法的有效性,且所构建的模型可以作为交通参数确定性经验关系的一种修正。     

稀有事件变点问题的Bayes分析

文章针对稀有事件中的变点问题,根据Bayes法建立了判断变点是否存在、计算变点位置的合理模型,并利用基于Gibbs抽样的MCMC模拟抽样,估计出变点和分布参数之值。然后引用美国煤矿灾难和我国关中地区干旱灾害的实际数据,对文中提出的模型进行验证,得出了有关结论。     

位置参数变点的统计推断

关于随机变量序列中是否存在变点的问题一直不断地有人研究,对变点进行估计具有很重要的应用价值。为此,研究至多一个变点的位置参数变点问题,对变点是否存在进行假设检验,论证相关统计量的渐进性质,在此基础上提出变点的一种点估计,并证明估计的强相合性。     

变权重组合预测模型在短时交通流预测中的应用

文章通过分析短时交通流时序特性,将组合规划理论应用于短时交通流预测,建立了变权重组合预测模型。并以武汉市雄楚大道理工一桥路口东西直行交通流量为基础数据,采用变权重组合模型对其进行分析。结果表明:组合模型的预测准确性高于各自单独使用时的准确性;组合模型发挥了4种模型各自的优势,是短期交通流预测的有效方法。     

基于LAD-LASSO方法的逐段常数序列中的变点估计

结构突变(变点)问题是统计学、经济学和信号处理等领域中的热点问题之一。当误差分布服从重尾分布或数据集含异常值时,LAD估计比OLS估计更加稳健;LASSO是一种流行的压缩估计和变量选择方法,将这两种经典的方法结合起来,提出基于LAD-LASSO的逐段常数时间序列变点估计的一种新的研究方法,其基本思想是把变点估计问题转化成变量选择问题来处理,在转化过程中对相应优化问题的约束条件仅做一次松弛。随机模拟表明:所提出的估计方法是切实可行的,算法更加简单易行,且估计结果具有很好的稳健性。     

一种变权系数的区间数组合预测模型

文章针对实际值序列和预测值序列均为区间数的组合预测问题,引入了相关系数和诱导有序加权平均算子的概念;将区间数的左右端点看作时间序列,分别建立了两端点的变权系数多目标最优组合预测模型,并通过偏好系数转化为单目标最优化模型。实例分析表明,所提出的方法在区间数预测误差指标上明显优于其它区间组合预测方法。     

稳健学生t回归模型变点估计的Gibbs抽样算法

文章讨论了用学生t线性回归模型估计回归系数变点位置的稳健Gibbs抽样算法.利用学生t分布的正态尺度混合表示,得到各参数的满条件后验分布,通过对满条件分布抽取样本,得到变点位置及其他参数的贝叶斯估计.模拟显示该算法能有效地估计变点位置,并且当数据呈现重尾现象时,该模型较正态变点模型要稳健.     

变分扰动模型下投资风险预测的准确度研究

为提高企业投资风险预测的准确度,本文建立两种模型进行分析。前一模拟分析是基于直观散点图观察,拟合出一条正态分布曲线并进行理论验证;后一模型是通过前基础改进的变分扰动模型进行检验和分析,利用正态变分方法进行矫正。结果表明,被偶然样本左右的几率减小,改善了最终结果的准确度,即变分扰动模型下预测的准确度更好。     

基于GMDH的宏观经济景气预测模型及应用

本文将景气数据与统计数据相结合作为预测时的原始数据,建立了GMDH自回归模型与AC模型相结合的预测模型。该模型克服了传统的预测模型在做宏观经济预测时,只考虑统计数据的片面性;将景气数据与统计数据相结合做预测,不仅改善了模型对数据样本的拟合精度,而且显著提高了模型的预测能力。本文中的实证分析证明了这一结论。     

使用边际似然函数识别变结构模型

 波动率模型中结构化变点的识别一直是计量经济学中一个备受关注但却很困难的问题。本文将贝叶斯方法引入波动率模型中,并使用边际似然函数的方法来识别模型变点,避免了传统计量方法中缺陷。此外,通过在对两种边际似然函数的计算方法的对比,我们发现这两种方法在进行模型比较和模型选择时都非常有效。实证研究中,本文使用了美国股票市场的数据,有效的识别出美国股市中的结构化变化的次数和变点发生的时间,并对美国股市结构化变动的原因进行了初步探讨。     

基于TVP-VAR模型的自适应Lasso惩罚变量选择方法

文章将自适应Lasso变量选择方法扩展到变系数向量自回归模型(TVP-VAR)中.利用所提出方法对2005-2014年航空煤油价格与民航货邮与旅客周转量月度数据进行分析,并与其他四种方法进行了比较,结果显示:与常系数VAR模型相比,变系数VAR模型能够显著提高模型的拟合与预测精度.提出的自适应Lasso变系数模型一致优于Belmonte,Koop和Korobolis(2014)提出的Lasso变系数模型.     

线性时变参数DGM(1,1)变权组合预测模型

文章为了提高统计组合预测的拟舍和预测精度,根据线性时变参数离散灰色预测模型的初值优化方法,给出了几个线性时变参数DGM(1,1)模型作为单项预测模型,进一步利用这些单项预测模型建立了一类变权线性时变参数组合预测方法.最后,将变权重线性时变参数组合预测方法应用于新疆生产建设兵团城镇化发展水平的组合预测,实例结果表明变权重线性时变参数组合预测方法具有较高的拟合精度.     

基于Gibbs抽样算法的面板数据分位回归方法

 文章讨论了含有随机效应的面板数据模型,利用非对称Laplace分布与分位回归之间的关系,文章建立了一种贝叶斯分层分位回归模型。通过对非对称Laplace分布的分解,文章给出了Gibbs抽样算法下模型参数的点估计及区间估计,模拟结果显示,在处理含随机效应的面板数据模型中,特别是在误差非正态的情况下,本文的方法优于传统的均值模型方法。文章最后利用新方法对我国各地区经济与就业面板数据进行了实证研究,得到了有利于宏观调控的有用信息。     

差分方程型离散灰色模型与应用

离散灰色模型形式多种多样,新提出差分方程型离散灰色模型(称为DEDGM模型),并给出了一阶常系数非齐次差分方程型离散灰色模型、一阶变系数非齐次差分方程型离散灰色模型、二阶常系数非齐次差分方程型离散灰色模型、二阶变系数非齐次差分方程型离散灰色模型的建立方法。实例表明,新提出的方法有较高的预测精度,丰富了灰色预测建模方法体系,对研究其它更复杂的离散灰色模型有重要启示。     

回归预测中应注意的问题

文章从数据的收集与处理、因果关系分析、模型的建立与参数估计、模型的检验和预测等方面论述了回归预测中应注意的问题.     

基于ARMA-ARCH的GDP组合预测

本文分析了四川省GDP发展趋势,建立了四川省GDP的ARMA预测模型。然后分析了企业景气调查数据和传统统计数据的差异,指出了企业景气调查数据在经济预测中的优点,并在此基础上建立了基于企业景气调查数据的ARCH预测模型。最后利用前面两个模型的预测结果构建了基于BP神经网络的ARMA-ARCH组合预测模型。     

基于Lyapunov指数和CBP的混沌时序预测模型

本文根据经济系统的非线性及混沌特征,通过找出预测状态点的邻界状态与其后续状态点之间的函数关系,作为预测函数,提出了基于Lyapunov指数和CBP的混沌时序预测模型;利用Lyapunov指数判别时间序列的混沌特性,估计最大可预测时间尺度;应用混沌优化的BP神经网络进行经济预测。然后将这一模型应用于某超市的销售数据预测,取得了比较满意的结果。