广义线性模型下ERIC方法的调节参数选择

变量选择是处理高维统计模型的基本方法,在回归模型的变量选择中SCAD惩罚函数不仅可以很好地选择出正确模型,同时还可以对参数进行估计,而且还具有oracle性质,但这些良好的性质是基于选择出一个合适的调节参数。目前国内关于调节参数选择方面大多是对于变量选择问题的研究,针对广义线性模型基于SCAD惩罚使用新方法 ERIC准则进行调节参数的选择,并证明在一定条件下经过该准则选择的模型具有一致性。模拟与实证分析结果表明,ERIC方法在选择调节参数方面优于传统的CV准则、AIC准则和BIC准则。     

联合广义线性模型中的变量选择

在联合广义线性模型中,散度参数与均值都被赋予了广义线性模型的结构,本文主要考虑在只有分布的一阶矩和二阶矩指定的条件下,联合广义线性模型中均值部分的变量选择问题。本文采用广义拟似然函数,提出了新的模型选择准则(EAIC);该准则是Akaike信息准则的推广。论文通过模拟研究验证了该准则的效果。     

基于吉伯斯样本生成器的向量自回归模型选择

内容提要：向量自回归模型是多元时间序列分析中最常用的方法之一。在建立模型的过程中模型选择是非常重要的一个环节,如果候选模型不是很多时,可以通过比较每个模型的准则值如AIC、AICc、BIC或HQ进行模型选择。可是,当存在大量候选模型时,我们无法一一比较每个模型的准则值。为了解决这个问题,本文提出一个基于吉伯斯样本生成器的向量自回归模型选择方法,结果表明应用该方法能够从大量候选模型中准确、高效地确认准则值最小的模型。     

非正态分布下具有自回归误差项的空间自回归模型变量选择研究

将变量选择引入空间计量模型,讨论具有自回归误差项的空间自回归模型的变量选择问题。在残差非正态独立同分布的条件下,通过最大化信息熵,提出空间信息准则,并证明其在该模型变量选择中具有一致性。模拟研究结果表明:无论对单个系数还是对全部系数,空间信息准则都能很好识别,且与经典的赤池准则相比具有较大的优势。因此,空间信息准则是一种更为有效的变量选择方法。     

广义Gamma分布簇广义线性混合模型的构建

 本文在广义Gamma分布簇基础上引入异质性来构建广义线性混合模型。本文构建的广义Gamma分布簇广义线性混合模型在广义线性混合模型的框架下分析,通过参数重整技术把广义Gamma分布簇变量的建模问题与指数分布簇变量的建模问题联系起来,模型推断可以方便地利用广义线性混合模型和广义线性模型的研究成果,同时也可以方便地推广到其他模型。三参数广义Gamma分布可以收缩到两参数的Gamma分布、Weibull分布或指数分布,能降低模型误设的风险,还能便利地分析误差结构。     

自回归滑动平均模型中阶数及参数的确定

时间序列中的模型,即自回归滑动平均模型,是在20世纪70年代由Box-Jenkins提出的,由于其准确的短期预测能力,近年来在经济预测方面得到了广泛应用.建立模型的关键在于模型阶数及参数的确定,过去许多文献探讨过有关定阶和参数估计的方法,但其中无论是AIC、BIC准则法还是观察自相关函数图和偏自相关函数图法等,往往对两个阶数相近的模型不能作有效的优劣判断,建模不够准确且效率不高.为了更准确、高效的建立模型,本文提出在估计法下通过LM检定、t检定及Q检定建立模型的方法,并通过对1952～2002年陕西省GDP水平的实证研究验证了该方法的可行性.     

基于混合Copula函数的C-Vine贝叶斯推断

文章主要采用C-Vine模型,对模型进行贝叶斯推断.C-Vine模型利用二元Copula函数作为组块构造多维的相关结构,通过采用不同的二元Copula函数族来精确地捕捉变量间的相关性.采用Czado等提出的选择准则决定C-Vine模型的具体分解形式.利用AIC信息准则选择C-Vine模型中每条边合适的Copula函数族.利用马尔科夫链蒙特卡罗(MCMC)算法估计C-Vine模型的参数.最后,通过实例来研究序列间的相关性和相互影响.     

关于经济时间序列预测的准确性探讨

文章没有纯粹从传统计量经济模型的角度出发来分析经济时间序列预测的准确性问题,而是提出关于将辅助方法(图形分析、模型选择准则、组合预测)嵌套在预测的整个过程中,用尽量多的信息对模型进行筛选、利用,避免因片面地利用某些准则而漏选最优模型,以提高预测的准确性.     

线性混合效应模型的FIC选择准则

线性混合效应模型在许多科学领域都有重要应用,本文主要研究它的变量选择问题,我们推导了FIC变量选择准则,它通过选择能极小化感兴趣目标量之估计的均方误差的模型而提高估计效率。模拟结果表明本文提出的FIC准则与其他常用的模型选择准则相比具有较大的优势。     

广义矩和广义经验似然估计量的有限样本性质比较

文章在线性单方程结构模型框架内运用蒙特卡洛模拟技术对广义矩(GMM)和广义经验似然(GEL)估计量的有限样本性质进行了比较.研究发现:虽然GMM和GEL一阶渐近等价,但它们的有限样本性质依赖于可获取的工具变量数、内生性强弱和样本容量:在样本容量较小时使用GEL能有效改善GMM估计偏差.     

混合广义线性模型

本文首次提出混合广义线性模型，此模型包括通常的标准广义线性模型以及贝叶斯多层广义线性模型。对二分量混合广义线性模型，利用近似准似然方法讨论其参数估计。对指数族混合广义线性模型，利用标准的广义线性模型分析方法得到参数的迭代估计。至于Ａｌｂｅｒｔ提出的贝叶斯多层先验分析方法，我们给出简单的讨论与修正；并且讨论与分析两个特殊的贝叶斯多层广义线性模型，给出它们的有关详细结果。最后，对混合广义线性模型，提出两个问题     

基于机器学习的车险索赔频率预测

近年来,广义线性模型已被广泛用于车险定价,而一些研究结果显示机器学习在某些方面优于广义线性模型,但这些结果都只是基于某个单一数据集。为了更全面地比较广义线性模型与机器学习方法在车险索赔频率预测问题上的效果,对7个车险数据集进行了比较测试,包括深度学习、随机森林、支持向量机、XGboost等机器学习方法;基于相同的训练集,建立不同的广义线性模型预测索赔频率,根据最小信息准则(AIC)选取最优的广义线性模型;通过交叉验证调参获得机器学习最佳参数和模型。研究结果显示:在所有的数据集上XGboost的预测效果一致地优于广义线性模型;对于某些自变量较多、变量间相关性强的数据集,神经网络、深度学习和随机森林的预测效果比广义线性模型更好。     

大数据背景下网络调查样本的建模推断问题研究——以广义Boosted模型的倾向得分推断为例

随着大数据和网络的不断发展,网络调查越来越广泛,大部分网络调查样本属于非概率样本,难以采用传统的抽样推断理论进行推断,如何解决网络调查样本的推断问题是大数据背景下网络调查发展的迫切需求。本文首次从建模的角度提出了解决该问题的基本思路：一是入样概率的建模推断,可以考虑构建基于机器学习与变量选择的倾向得分模型来估计入样概率推断总体;二是目标变量的建模推断,可以考虑直接对目标变量建立参数、非参数或半参数超总体模型进行估计;三是入样概率与目标变量的双重建模推断,可以考虑进行倾向得分模型与超总体模型的加权估计与混合推断。最后,以基于广义Boosted模型的入样概率建模推断为例演示了具体解决方法。     

零膨胀计数数据的联合建模及变量选择

零膨胀计数数据破坏了泊松分布的方差-均值关系，可由取值服从泊松分布的数据和取值为零(退化分布)的数据各占一定比例所构成的混合分布所解释。本文基于自适应弹性网技术， 研究了零膨胀计数数据的联合建模及变量选择问题.对于零膨胀泊松分布，引入潜变量，构造出零膨胀泊松模型的完全似然, 其中由零膨胀部分和泊松部分两项组成.考虑到协变量可能存在共线性和稀疏性，通过对似然函数加自适应弹性网惩罚得到目标函数,然后利用EM算法得到回归系数的稀疏估计量，并用贝叶斯信息准则BIC来确定最优调节参数.本文也给出了估计量的大样本性质的理论证明和模拟研究，最后把所提出的方法应用到实际问题中。     

空间计量模型选择及其模拟分析

空间计量模型的选择是空间计量建模的一个重要组成部分,也是空间计量模型实证分析的关键步骤。本文对空间计量模型选择中的Moran指数检验、LM检验、似然函数、三大信息准则、贝叶斯后验概率、马尔可夫链蒙特卡罗方法做了详细的理论分析。并在此基础之上,通过Matlab编程进行模拟分析,结果表明：在扩充的空间计量模型族中进行模型选择时,基于OLS残差的Moran指数与LM检验均存在较大的局限性,对数似然值最大原则缺少区分度,LM检验只针对SEM和SAR模型的区分有效,信息准则对大多数模型有效,但是也会出现误选。而当给出恰当的M-H算法时,充分利用了似然函数和先验信息的MCMC方法,具有更高的检验效度,特别是在较大的样本条件下得到了完全准确的判断,且对不同阶空间邻接矩阵的空间计量模型的选择也非常有效。     

基于半参数混频误差修正模型的中国CPI预测研究

考虑宏观经济变量具有明显的非线性特征,将非线性误差修正项引入存在协整关系的非平稳混频数据抽样（MIDAS）模型中,构建半参数混频数据抽样误差修正（SEMI-ECM-MIDAS）模型。使用广义似然比（GLR）检验,拓展了混频数据下模型函数形式的一致性检验问题。模拟结果表明SEMI-ECM-MIDAS模型对存在非线性误差修正机制的数据具有显著的预测优势。最后使用该模型研究中国股票市场周度数据、广义货币发行量月度数据和国际原油市场月度数据对中国CPI的短期预测效果。基于AIC准则,对包含半参数模型在内的4种混频数据抽样模型和2种同频模型的连续预测效果进行了全面的比较。研究结果发现：GLR检验表明误差修正项具有明显的非线性特征且在回归中具有显著的反向修正机制,无论采用递归样本、滚动样本还是固定样本,本文提出的SEMI-ECM-MIDAS模型在进行连续预测时均具有最优的预测精度,且预测结果不受混频动态协整关系选择的影响。     

基于随机抽取的AR模型定阶和参数评估

文章基于对平稳时间序列数据的随机抽取,选用AR模型研究其模型定阶方法和参数评估准则.根据数据有序性的特点,提出利用交叉验证的方法确定自回归模型阶数,并通过对原数据的无放回抽取实现对系数参数估计的评估.实例分析结果表明,交叉验证的定阶与AIC准则定阶结果保持较高一致性,新的参数评估在一定的模型误差范围内可以得到更为简单有效的系数估计区间.     

Multinomial响应广义半参数回归模型及应用

在消费行为学领域经常碰到的离散选择数据就是Multinomial响应数据,此类数据通常采用Multinomial Logit线性回归模型来处理,不过如果回归变量中的一部分与对数机率向量间呈非线性关系,其余回归变量与对数机率向量间呈线性关系,就需要引入以对数机率向量为因变量的广义半参数回归模型来处理这类实际数据了.文章以一次手机用户生活形态调查数据为例,讨论了向量广义半参数回归模型在消费者行为研究中的应用.     

联立方程模型参数的修正间接广义岭估计

本文对外生变量设计矩阵X复共线的联立方程模型提出一种参数的间接广义岭估计方法,并对估计出的参数进行了改进,使其具有良好的统计性质,并证明了这些性质。     

广义Gamma分布簇广义线性混合模型的参数估计

文章在广义线性混合模型的框架下分析广义Gamma分布簇广义线性混合模型的参数估计问题.提出的参数估计有以下三个显著特点:其一,充分利用广义线性混合模型参数估计的理论成果,参数估计表达式与6种广义线性混合模型参数估计结果形式相同;其二,该方法可以通过反复调用广义线性混合模型中的参数估计模块来实现;其三,具有渐进正态性.