基于Eviews软件的回归模型优选问题研究

回归模型的选择要定性分析与定量分析相结合。在了解所研究现象的客观性质及其相关的理论知识的基础上,根据现象观察值的发展变化规律及其散点图的形态确定适当的趋势线类型。当有几个模型可供选择时,Eviews软件提供了若干指标,可供我们作出选择。     

层次分析法中判断矩阵的改进

层次分析法(AHP)是定性与定量相结合处理多目标决策的重要方法.当构造判断矩阵后,如何对那些没有满意一致性的判断矩阵进行调整,一直是统计学理论界和实务界所关注的问题.本文引入了计算数学迭代的思想,提出了一种对判断矩阵改进的新方法.     

京津冀区域经济空间差异研究

文章针对空间权重矩阵的传统设定方式,指出了其存在的一些不足.提出了改进的空间权重矩阵设定方法:(1)利用夜间灯光数据提取城市聚集点位置;(2)对不同类型的道路设定不同的速度,得到基于时间距离的网络数据集;(3)以负指数时间距离作为空间权重矩阵中的元素.接着以京津冀区域经济空间差异为例进行了探索性空间数据分析,发现改进的空间权重矩阵相比于传统方式更加合理和准确;京津冀区域经济存在着显著的空间自相关,且2000-2010年间自相关程度在增大,“高-高”区域由北京周边向沿海区域转移,“低-低”区域由河北省的西北部向中部和东南部转移.     

资金流量矩阵表预测中的DRAS法研究

在投入产出分析中RAS法已被广泛应用,主要用于对预测期的投入产出消耗系数矩阵进行修订和预测。随着研究的深入,RAS法有了很多改进,但如果需要两个矩阵共同平衡预测的时候,常规的RAS法或改进的RAS法都难以完成,而对资金流量矩阵延长表的预测,正是需要同时预测两个平衡矩阵的情况。鉴于此,讨论了一种双矩阵RAS(Double Matrix RAS,DRAS)的平衡方法,对这种方法进行了数学表述,并就其在资金流量矩阵表预测中的应用给出了说明。     

ARMA模型参数估计算法的改进

文章提出了一种ARMA模型的非线性估计方法,这种方法通过DFP算法构造具有遗传对称正定性的矩阵来近似Hesse矩阵的逆,从而实现了ARMA模型参数的估计.仿真结果表明,该方法具有良好的准确度和可靠性,可以改进ARMA模型的参数估计.     

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。     

基于灰色判断矩阵的一致性及其排序研究

对灰色层次分析法中基于灰色判断矩阵的一致性和排序问题进行了研究。提出了灰色判断矩阵的弱一致性和乘性完全一致性的条件,然后讨论了在单一准则下基于灰色判断矩阵的方案集排序问题。方法一将灰色判断矩阵转化为白化矩阵,通过研究白化矩阵的性质来对方案集进行排序,方法二是将其转化为区间灰数互补判断矩阵,再利用OWA算子对方案集集结进而进行排序。最后通过算例说明了该方法的有效性。     

基于作答数据和估计参数的Q矩阵估计

基于Q矩阵构建的诊断模型,其题目的知识属性定义十分关键,如果只是依赖专家对题目的知识属性进行定义,则无法保证结果的准确性和一致性.文章考察了三种Q矩阵估计的算法,一方面可以在题目参数不固定时对Q矩阵进行验证;另一方面,采用改进的方法估计Q矩阵,即已知部分题目(称为“基础题目”)的属性,对一批属性向量未知的题目(称为“新题目”)进行界定,采用联合估计题目参数和Q矩阵的方法.     

相关系数矩阵模型的改进

Hamilton以及Pelletier提出了基于机制转换的动态相关系数矩阵模型,适合于具有方差时变特性的金融时间序列的应用.文章利用随机矩阵理论对该模型中的相关系数矩阵作了改进,去掉其中的噪声,留下真实的信息,并用改进后的模型对中国股市中的股票进行优化组合研究,取得了较好的结果.从而为动态投资组合优化提供了一个强有力的工具.     

单因素方差分析中异方差的检验与修正

文章在单因素方差分析模型的基础上,通过散点图和方差齐性检验,判断模型中是否存在异方差性.如果存在异方差,进一步讨论异方差出现的原因及如何进行修正,使单因素方差分析在理论上更加完善.     

证据理论在群决策中的应用

群决策问题的研究一直是决策领域的一个重要课题,涉及群决策研究的方法很多,近几年大多是在AHP法、模糊综合评价法及其它一些多目标决策方法的基础上的一些改进和综合,这些方法同样存在着判断矩阵的一致性难以满足,专家对指标属性值或隶属度值难以确定等问题,同时决策中没有考虑信息的不完全性的因素,对决策结果造成影响.由于许多问题本身的模糊性、复杂性和专家对问题认识的局限性,专家对指标的评价可能采用模糊语言,而且评估信息中还具有不完全性,很有必要研究基于这些情形下的评价方法.     

残缺语言判断矩阵次序一致性及可能值的推断

文章研究了残缺语言判断矩阵的次序一致性及缺失元素偏好值的估算方法.给出了残缺语言判断矩阵的次序一致性定义,若判断矩阵不符合次序一致性,则对其中的已知元素进行修正调整;并在满足次序一致性的要求后,提出了一种改进的基于二元语义加型一致性性质的缺失元素的估算算法,该算法能够快速有效地估算出缺失元素的偏好值.     

信度马尔科夫链预测模型及应用

马尔科夫链在随机过程理论中具有重要的地位并获得了广泛的应用.文章提出了一种改进状态间的转移矩阵的方法,通过引入D-S理论对原始数据所处的状态进行处理得到与之对应的信度函数值,并给出了连续状态信度函数值确定的一般方法;再通过基于后退偏差平方和加权的方法对信度函数值进行权重分配形成转移矩阵,使得该转移矩阵考虑状态间影响的累积效应.通过实例分析,对比不同模型下状态间的回代误差,得到了较好的预测结果.     

大数据下Leverage重要性抽样方法的稳健改进

大数据以其巨大的样本容量或超高的变量维度使得直接计算变得不再可能,如何有效地抽取一个合适的计算样本是值得思考的问题.本文借鉴Leverage重要性抽样的思想,提出了两种稳健的改进抽样算法,不仅有效地抽取了代表性高的计算样本进行回归估计,还规避了方差大和异质性导致协方差矩阵估计不准的问题.模拟数据的分析显示,相比于Ma (2015)的方法,本文提出的方法具有更为优良的估计结果.     

模糊判断矩阵最优化排序方法研究综述

文章研究基于模糊判断矩阵的方案排序问题.根据完全一致性模糊判断矩阵的特性,依据不同的优化标准建立几种求解排序向量的最优化模型,从而解决具有满意一致性的模糊判断矩阵的方案排序问题,并对常用最优化排序方法进行了总结,初步分析了各种方法排序结果的合理性.     

马尔柯夫链在农作物年景预测中的应用

马尔柯夫预测方法在预测领域有着广泛的前景。该方法应用的一个主要问题就是如何获取一步转移概率矩阵。本文提出了一种用拟合矩阵的方法来估计一步转移概率矩阵。最后以温州市茶叶产量为例进行了实例分析,从而表明了该方法的有效性。     

稳健高维协方差矩阵估计及其投资组合应用——基于中心正则化算法

高维协方差矩阵的估计问题现已成为大数据统计分析中的基本问题,传统方法要求数据满足正态分布假定且未考虑异常值影响,当前已无法满足应用需要,更加稳健的估计方法亟待被提出。针对高维协方差矩阵,一种稳健的基于子样本分组的均值-中位数估计方法被提出且简单易行,然而此方法估计的矩阵并不具备正定稀疏特性。基于此问题,本文引进一种中心正则化算法,弥补了原始方法的缺陷,通过在求解过程中对估计矩阵的非对角元素施加L1范数惩罚,使估计的矩阵具备正定稀疏的特性,显著提高了其应用价值。在数值模拟中,本文所提出的中心正则稳健估计有着更高的估计精度,同时更加贴近真实设定矩阵的稀疏结构。在后续的投资组合实证分析中,与传统样本协方差矩阵估计方法、均值-中位数估计方法和RA-LASSO方法相比,基于中心正则稳健估计构造的最小方差投资组合收益率有着更低的波动表现。     

稳健主成分分析方法研究及其在经济管理中的应用

传统的多元统计分析方法,如主成分分析方法和因子分析方法等的共同点是计算样本的均值向量和协方差矩阵,并在这两者的基础上计算其他统计量。当样本数据中没有离群值时,这些方法都能得到优良的结果。但是当样本数据中包括离群值时,计算结果就会很容易受到这些离群值的影响,这是因为传统的均值向量和协方差矩阵都不是稳健的统计量。本文对目前较流行的FAST-MCD方法的算法进行研究,构造了稳健的均值向量和稳健的协方差矩阵,应用到主成分分析中,并针对其不足之处提出改进方法。从模拟和实证的结果来看,改进后的的方法和新的稳健估计量确实能够对离群值起到很好的抵抗作用,大幅度地降低它们对计算结果的影响。     

一种新的空间权重矩阵选择方法

空间权重矩阵选择问题一直是空间计量经济学中的一个难题,权重矩阵的选择正确与否关系到模型的最终估计结果。本文在空间滞后模型框架下,把空间权重矩阵选择问题转化为变量选择问题,然后利用CWB方法进行变量选择。中国城市服务业集聚机理实证研究显示,利用本文所提出的方法所选取的空间权重矩阵较为合理,进而可以减少因为空间权重矩阵误设问题而引起的模型估计偏误。在大样本情形下,该方法可以非常有效地降低计算成本。     

基于多次线性回归和加权有向图的复杂经济系统冲量研究

文章在对传统计量分析方法总结的基础上,介绍了有向图分析法和相应矩阵处理方法,并引入基于多次回归为基础的加权有向图方法,最后采用改进的玫瑰图来对经济系统冲击的稳定性进行检验,并提出了不稳定条件下的修正方法.