模糊线性回归模型的最小二乘方法

针对自变量和因变量皆模糊的数据系统中的回归分析问题,为避免自变量退化成数值变量时可能引致的估计误差增大而带来的问题,提出系统中引入模糊调整项的回归模型的一般结构,并运用基于模糊数间完备距离的最小二乘法研究模型解析表达式;利用水平截集概念将模糊多元回归模型转化成两个传统回归模型,根据模糊数间距离采用最小二乘法得到参数估计,给出员工工作绩效评估的算例说明方法的有效性,并结合Bootstrap方法的应用,研究回归参数所具有的随机不确定性动态变化。     

基于正态模糊数回归分析模型的构建与评价

文章采用模糊最小二乘法,求解自变量为精确数、因变量和回归系数均是正态模糊数的一元线性模糊回归模型,证明所求得的模糊估计量具有的统计性质:线性性与无偏性.给出模糊回归模型的残差、残差平方和及拟合优度公式.将方法应用于一个实际问题,并与经典回归分析进行比较,验证了该参数估计方法的合理性与有效性.     

金融资产收益率的模糊双线性回归

 已有文献中对金融市场的区间观测数据利用模糊线性规划方法讨论动态模型结构（FAR（p））,这里引入模糊双线性回归模型（FDR（p,q））,利用模糊最小二乘法来估计未知参数。基于平均平方误差（MSE）与平方绝对误差（MAE）考察了两个模型的拟合效果,并在样本期内和样本期外分别评价了两个模型的实际拟合与预测能力。     

线性回归方法在数据挖掘中的应用和改进

文章对线性回归以及其扩展方法进行分析,并从多个方面对这些方法性能进行评估,同时还对回归技术在数据挖掘中的几个典型应用进行了阐述。并且,在传统线性回归算法上提出了更为健壮的改进方法。     

线性回归模型在因变量缺失下的约束估计

文章主要研究了线性回归模型在因变量缺失下的约束估计,基于完整数据方法和单点插补方法,我们给出了模型系数的两种约束估计,并研究了估计量的渐近正态性.最后,我们通过数值模拟验证了所提方法的有效性.     

基于模糊线性回归分析的我国人口估计

由于人口的瞒报、漏报和错报等问题,每一年度的数据并不是一个确切数,而是一个基于一定把握程度(隶属度)基础上的数,是一个典型的模糊数。文章运用模糊线性回归分析对我国的人口变化进行估计,得到了一簇为以传统的计量回归分析数据为中心值的模糊回归模型曲线。其结果对于预测问题和我国的人口预测与估计具有较好的借鉴意义和应用价值。     

约束线性模型系数的岭型Stein估计及最优预测

文章提出基于齐次等式约束下的线性模型系数的约束岭型Stein估计,并和约束最小二乘估计(RLSE)进行了比较,在均方误差准则下得到了约束岭型Stein估计优于RLSE的充分条件。然后,就基于约束岭型Stein估计的预测量与RLSE的预测量的最优性判别问题进行了讨论,得到了在风险函数意义下约束岭型Stein估计的预测量优于RLSE的预测量的充分条件,通过实证分析,进一步验证了在一定条件下约束岭型Stein估计优于RLSE。     

约束线性模型系数的岭型Stein估计及其最优预测

文章提出基于齐次等式约束下的线性模型系数的约束岭型Stein估计,并和约束最小二乘估计(RLSE)进行了比较,在均方误差准则下得到了约束岭型Stein估计优于RLSE的充分条件.然后,就基于约束岭型Stein估计的预测量与RLSE的预测量的最优性判别问题进行了讨论,得到了在风险函数意义下约束岭型Stein估计的预测量优于RLSE的预测量的充分条件.通过实证分析,进一步验证了在一定条件下约束岭型Stein估计优于RLSE.     

MATLAB中方程组的解与回归模型的最小二乘估计

本文讨论了线性回归模型与线性方程组之间的内在联系与形式上的差异,基于MATLAB对线性方程组的解进行了扩展,指出超定方程组的近似解就是对应线性回归模型的最小二乘解,并且给出了实例和相应模拟程序.     

空间回归模型估计中的最小二乘法

空间回归模型由于引入了空间地理信息而使得其参数估计变得复杂,因为主要采用最大似然法,致使一般人认为在空间回归模型参数估计中不存在最小二乘法。通过分析空间回归模型的参数估计技术,研究发现,最小二乘法和最大似然法分别用于估计空间回归模型的不同的参数,只有将两者结合起来才能快速有效地完成全部的参数估计。数理论证结果表明,空间回归模型参数最小二乘估计量是最佳线性无偏估计量。空间回归模型的回归参数可以在估计量为正态性的条件下而实施显著性检验,而空间效应参数则不可以用此方法进行检验。     

解决多重共线性问题的线性回归方法

本文针对当出现多重共线性时用普通最小二乘法估计的参数值与实际值相去甚远甚至无法被估计的现象 ,介绍了三种解决办法 :主成份回归、岭回归和偏最小二乘法。这三种方法在解决问题的思路上各有异同 ,本文着重介绍了它们的基本思想和主要算法步骤     

解决多重共线性问题的线性回归方法

本文针对当出现多重共线性时用普通最小二乘法估计的参数值与实际值相去甚远 ,甚至无法被估计的现象 ,介绍了三种解决办法 :主成分回归、岭回归和偏最小二乘法。这三种方法在解决问题的思路上各有异同 ,本文着重介绍了它们的基本思想和主要处理步骤     

线性回归模型几何分析:基于估计结果及检验统计量的考察

文章对普通最小二乘估计中形成的相关系数、回归系数、可决系数R2、F统计量,以及多重共线性问题作出几何分析,指出该分析方法表现为向量的长度和角度关系.这种分析过程使普通最小二乘法及估计结果变得更直观.     

试论模糊回归与统计回归

统计回归的研究具有悠久的历史,在理论方面取得了丰硕的成果,在社会科学和自然科学等许多领域得到了广泛应用;模糊回归的研究时间较短,但在许多领域具有良好的应用前景.文章从模型假设和估计方法两个方面,将统计回归与模糊回归进行比较,分析了二者的不同之处,同时指出,模糊回归的研究可以借鉴统计回归的相关思想.     

基于数学建模基础上的经济变量线性回归统计预测分析

研究变量间的变动关系,并用数学方程式表示,称为回归分析。特别是用于:定量地描述和解释相互关系;估计或预测因变量的值。回归一词最早由英国天才科学家Sir Franxis     

基于分位数回归的面板数据模型估计方法

文章在对分位数回归基本原理进行全面分析说明的基础上,对其在面板数据模型中的应用作了深入分析。利用1998～2006年25个行业企业销售收入与专利申请数量的面板数据,分别采取最小二乘法和分位数回归法进行参数估计和比较分析,结果表明：分位数回归方法在进行面板数据模型估计时具有明显的优势。     

纵向数据部分线性模型的估计方法

本文首先讨论了纵向数据部分线性模型yij=xijβ+g(tij)+eij的可行广义最小二乘估计方法及其估计的渐近性质,然后通过统计模拟研究表明我们的估计方法在有限样本情形也有良好的效果.由该方法获得的估计量具有显示解,计算简便,便于实际应用.     

非线性回归模型的曲率降低问题研究

文章在曲率立体阵的概念基础上,给出基于Cholesky分解的曲率立体阵的计算方法.对非线性回归模型的曲率降低的方法进行讨论,归纳和总结了参数变换法和增加采样法,列举出一部分通过参数变换可以完全转化为线性模型的非线性模型,最后提出一种加权最小二乘估计法,并通过数值仿真说明该估计法通过降低模型的曲率以达到高精度的本质.     

部分线性可加变量含误差模型的估计

作为可加模型和部分线性模型的推广,部分线性可加模型是一类应用广泛的半参数模型。文章主要讨论了当线性部分的协变量测量含误差时模型的估计问题,我们基于profile全最小二乘法构造了参数分量和模型误差方差的估计,并证明了估计量的渐近正态性。