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Logistic回归和BP神经网络的财务预警模型比较

国内对Logistic回归模型和BP神经网络模型在财务预警方面已有不少实证研究,这些研究大多从预测准确度较高的角度出发,认为两个模型可以借鉴使用,但没有具体讨论模型犯第一类错误(将财务危机误判为财务正常)和第二类错误(将财务正常误判为财务危机)的概率.文章结合Logistic回归模型及BP神经网络模型的原理,选取上市公司财务数据进行实证,研究结果表明BP神经网络模型总体预测准确性较高,犯第一类错误的概率较低,对财务预警分析有一定借鉴作用;Logistic回归模型预测准确度低于BP神经网络模型,且犯第一类错误的概率远高于BP神经网络模型,因此运用该模型进行财务预警时应十分谨慎.     

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。     

黑龙江省空气质量数据的分析和预测

本文分别基于ARMA模型,主成分分析模型和神经网络模型对黑龙江省空气质量数据进行了分析和预测。首先,基于ARMA模型,本文对黑龙江省未来的空气状况数据进行预测并检验了其预测精度。其次,采用主成分分析对大气污染物等自变量进行降维,选取了有效的主成分,并对AQI进行一定刻画。最后,借助神经网络的计算机手段,对数据中变量的复杂关系做深入挖掘,以对前面的分析结果进行合理补充。     

互联网企业广告收入预测研究——基于低频数据的神经网络和时间序列组合模型

神经网络模型对大样本时间序列的拟合效果优于传统时间序列模型,但对于年度、月度、日度等低频时间序列的预测则难以发挥其优势。鉴于此,本文应用传统时间序列模型和神经网络模型,建立Holtwinters-BP组合模型,利用Holtwinters模型分别拟合各解释变量序列,利用BP模型拟合解释变量和自变量的非线性关系,基于某社交新闻类APP的日广告收入数据进行互联网企业广告收入预测研究。通过与循环神经网络(RNN)模型、长短期记忆神经网络(LSTM)模型等预测结果的对比发现:Holtwinters-BP组合模型的预测精度和稳定性更高;证明多维变量对于广告收入的显著影响,多变量模型的预测准确性高于单变量模型;构建的Holtwinters-BP组合模型对于低频数据预测有较好的有效性和适用性。     

基于时间序列的我国铁路客流量预测

一、引言 　　客流预测技术是交通运输领域的研究热点之一.一般而言,客流预测可分为相关模型预测法和时间模型预测法.相关模型预测法是找出影响客流量的因素,建立客流量和各种影响因素之间的函数关系,得出模型进行预测.在相关模型预测法中,由于影响客流量的因素很多,包括经济发展水平、人口、旅游业和基础设施状况等,而这些因素之间又有错综复杂的关系,从而在自变量的选取上造成很大的困扰.此外,相关因素本身的未来值不确定,需要进行预测,这同样会带来误差.……     

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:     

成本预测系统中的自变量约简方法

文章针对成本预测系统中自变量众多且相互关系错综复杂的特点,提出用模糊粗糙集方法对成本预测系统中的自变量进行约简。在模糊粗糙集方法的框架下,给出了模糊等价关系、不可分辨关系和相对约简的定义,构建了基于模糊粗糙集的成本预测系统自变量约简模型。并且针对实际的成本预测系统一般是混合变量数据系统的情形,对广义差别矩阵的定义进行了改进,并以此设计了相应的启发式约简算法。实例分析结果表明,文中所提的方法较之传统的灰色关联系数法、主成分分析法和偏最小二乘回归法,自变量约简效果最佳,所提方法是科学和有效的。     

基于首末位质量因子的BP神经网络财务风险预警模型

上市公司往往存在粉饰财务数据来美化企业经营状况的动机,这会降低财务风险预警模型预测的准确性。文章利用Benford律和Myer指数两种数据质量评估方法,构建Benford和Myer质量因子,引入BP神经网络模型,构造BM-BP神经网络财务风险预警模型;并进一步利用2000—2019年中国A股上市公司数据,评价数据质量因子对财务风险预警模型预测准确性的影响,分析新模型预测准确性的稳定性。实证分析结果显示:Benford和Myer质量因子提高了BP神经网络财务风险预警模型预测的准确性;在不同质量因子的比较结果中,包含评选指标Benford和Myer质量因子的BP神经网络财务风险预警模型具有较高的预测准确率和较低的二类误判率,稳定性良好;利用决策树算法筛选指标有效提高了新模型的预测准确性。     

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.     

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。     

一种基于逐步回归的国家财政收入模型

一、逐步回归模型的建立(一)变量选取在使用回归分析建立模型时,首先遇到的一个重要问题就是自变量的选择问题。一方面为获取全面信息,总希望模型中包含的自变量尽可能多;另一方面,考虑到获取很多白变量的观测值的费用和实际困难,则希望模型中包含的变量是最重要的、且尽可能地     

运用遗传神经网络模型对我国上市公司财务危机的预测

神经网络已经被广泛运用于公司财务危机状况的预测,然而,神经网络常常存在着收敛于局部最优解、学习时间长等缺陷而影响其预测效果;而遗传算法(Genetic Algorithm)是一种全局寻优搜索算法,能够有效克服上述缺陷。因此,文章提出的将遗传算法和神经网络相结合的遗传神经网络模型(Genetic Neural Networks),既保留了神经网络原有的优点,又克服了上述的缺点。并利用我国上市公司财务数据对公司财务危机状况进行实证分析,结果表明,该模型预测效果令人满意,预测结果明显优于一般神经网络模型。     

二值响应模型在财务预警中的应用—基于27家上市公司财务数据的分析

本文在对二值响应模型基本思想进行介绍的基础上以某省上市公司的相关财务数据为基础，对这种模型进行了具体的应用。     

上市公司财务危机的预警分析

本文运用条件异方差模型GARCH(1,1)计算上市公司股票的市场风险价值,把它和传统的财务比率变量作为自变量,用Logit模型对上市公司的财务状况进行预测,得到了很好的预测效果,并且对部分上市公司2004年度的财务风险状况进行了预警。     

基于人工神经网络的企业衰败预警

文章以财务状况异常而被ST作为上市公司陷入衰败的标志,介绍了前三层BP神经网络模型预测企业衰败的理论依据和工作程序,运用可公开获得的财务数据,对企业是否陷入衰败境地进行了预测.结果表明,神经网络是一种非常有效的非线性预测工具.     

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。     

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     

函数型变量倾斜分位回归模型及其应用

本文考虑函数型数据的结构特征,针对两类函数型变量分位回归模型（函数型因变量对标量自变量和函数型因变量对函数型自变量）,基于函数型倾斜分位曲线的定义构建新型函数型倾斜分位回归模型。对于第二类模型,本文分别考虑样条基函数对模型系数展开和函数型主成分基函数对函数型自变量展开,得到倾斜分位回归模型的基本形式。参数估计采用成分梯度Boosting算法最小化加权非对称损失函数,提高计算效率。在理论上证明了倾斜分位回归模型的系数估计量均服从渐近正态分布。模拟和实证研究结果显示,倾斜分位回归模型比已有的逐点分位回归模型具有更好的拟合效果。根据积分均方预测误差准则,本文提出的模型有一致较好的预测能力。     

从曲线性数据的直线化过程中选择预测模型的方法

看似简单的反映自变量与因变量关系的线性函数,如果选择、应用得当,可以明显地反映一种因素的变动对另一种因素的影响,在经营、管理等活动的决策分析中有着广泛的应用。因此科学、合理地选择线性函数的模型并恰当地应用,成为预测理论与实践上的重要课题。一、选择函数模型方法的猜想