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。     

前移回归新方法的实际运用与改进

前移回归分析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。近两年应用前移回归分析方法对湖北、云南、福建等省多项经济指标进行的预测,效果令人满意。本文分析了此方法在上述省份应用的效果,进行了新的预测,并提出了改进方向。     

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。     

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.     

基于STIRPAT和偏最小二乘回归的碳排放预测模型

文章借鉴STIRPAT模型,选取人口、城市化率、人均GDP、工业化水平、第三产业增加值占GDP比例、能源消耗强度、煤炭消费比例、石油消费比例等8项因素作为自变量,以1980年到2009年的指标数据为样本,运用偏最小二乘回归方法构建了我国碳排放预测的STIRPAT模型,并结合拟合模型分析了各因素对碳排放的解释作用,指明了碳减排应重点关注的因素。     

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…     

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.     

对现行教科书中若干统计方法应用的再认识

一、回归分析方法的应用问题 回归分析是通过建立回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.     

pGM(1,1)模型权值p的精确求解及其性质分析

文章分析了灰色GM(1,1)模型的缺陷即白化响应式并不是灰微分方程的真正解,以pGM(1,1)模型白化响应式等于灰微分方程的真正解为条件,并由其背景值构造式推导出了权值p的精确表达式.由于p值不是有限小数,因此其取值精度对预测精度有影响,基于指数序列分析了p值的取值精度对预测结果的影响.     

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.     

内蒙古民航客运量的回归分析

在国际民航组织的《航空运量预测手册》中,将航空运量的预测方法划分为三类,即趋势外推法、回归分析法和市场调查预测法。本文在研究内蒙古地区航空运输与经济发展之间的相互关系基础上,进行建模分析。选取内蒙古民航旅客吞吐量为因变量,自治区的GDP等8个社会经济指标为自变量,采用1995-2004年的统计数据,利用EVIEWS计量经济学软件进行回     

前移回归分析的一种新方法

时间序列数据的形成往往是多项影响因素综合作用的结果,时间序列的未来取值是可以预测的.经济事物的发展产生的信息就是时间序列数据.     

非参数回归估计与人工神经网络方法的预测效果比较

文章研究了非参数回归方法在中石油和浦发银行等六支股票的价格预测中的应用.讨论了核估计、k阶最近邻估计、样条估计和惩罚样条估计4种常用的非参数回归方法,其中,核估计和k阶近邻估计共选取5种不同的权函数.最后,以MAPE为判断指标,将非参数回归方法的预测结果与RBF(多变量插值的径向基函数)人工神经网络方法的预测结果进行了比较.     

基于样本企业所得税的回归预测研究

企业所得税预测对宏观、中观和微观经济有着重要的作用。文章以某企业的财务数据为样本,通过选取不同的自变量、应用不同的模型对企业所得税进行预测分析,认为：应用线性回归模型进行企业所得税的预测时,截距项为零的假设是成立的;根据财务数据选取自变量的优先级次分别为利润、增值税、销售收入;在经济发展平稳的条件下,时间序列的预测效果较好。     

线性回归模型与对数线性回归模型的优选——几种简便的检验方法的运用

回归分析是进行统计预测、描述,评价经济变量间关系及进行政策模拟的一种重要方法。在进行回归分析时,一个重要的问题是模型的优选。一方面是在模型形式一定的情况下选择自变量(即在所有可能自变量中选择出最佳的自变量组合),另一方面是模型形式的选择。 在回归分析中,最简单的模型是线性回归模型:     

经济分析中用主成份法选择最优回归方程

改革开放以来，随着我国经济的繁荣，对于经济活动的分析也逐步趋向定量化，经济计量方法得到了较广泛的运用。在经济计量分析中，多元线性回归模型占有很重要的地位。据统计，在我国用于预测分析的方法中有30％左右是用线性回归模型进行的，在一般的经济分析中，多元线性回归模型使用的比例更高。一、问题的提出设X1，X2…，Xn是依据实际问题搜集到的预报变量（指标或者称为自变量），Y是响应变量（因变量）。为了建立一个用于经济分析的多元线性回归模型，我们希望模型中包含尽量多的X变量，以得到可靠的拟合值。但是，如果方程中包含了…     

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.     

经济因素增量分析法研究

文章在对典型简单经济指标按相应数学模式进行分析的基础上,推出了能用函数式表达的一般经济指标的分析模式,指明了以有关因素的新值为背景进行的系统分析指标的总和与被分析总指标增量不相符的原因:前者重复计算了全部具体交互影响值且重复的次数不尽相同     

国内生产总值回归预测新探

文章通过对我国2012年国内生产总值回归预测实证分析,研究了国内生产总值的主要影响因素及回归预测的新方法.在研究中首次提出了多个一元回归模型组合运用、组合模型权数按各相应模型误差率大小进行分配,以及一元回归组合模型与多元回归模型再组合运用的思想和方法.这对于完善回归预测理论和方法,拓展预测研究思路,增强预测方法的选择性和应用性等,具有重要意义.     

为什么回归系数的估计值会有“错误”的符号？

当我们应用多元回归分析时 ,有时会遇到这样的问题 :从实际数据算出的某些回归系数的估计值的符号与从问题的专业知识或直观经验所得的结论相反。例如 ,在一具体问题中 ,根据问题的专业知识和经验 ,有足够的理由认为回归自变量Ｘ1的回归系数 β1是正的 ,可是实际算出的 β1的最小二乘估计 ^β1却是负的 ,这时称 ^β1具有“错误”的符号。其实应用回归分析处理实际问题的不少人遇到过这种情况。一般说来 ,下列情况都可能导致某些回归系数的估计具有“错误”符号 :( 1)某些自变量取值范围太窄 ;( 2 )模型中丢弃了若干重要自变量 ;( 3 )设计阵…