多目标抽样调查的模型选择

文章运用主成分分析法构造了多目标抽样调查的模型,通过讨论主成份合成指标的有关性质,提出了模型选择的最优方法,并运用实际数据予以说明     

基于小波分解自回归模型的CPI预测

文章利用小波分析与自回归模型相结合的方法来建模分析时间序列,这种方法主要是在尺度函数逼近和自回归模型的基础上建立的。小波分析提供了一种多尺度函数逼近的方法,而自回归模型能够预测时间序列。文章的对CPI序列进行了离散小波分解,并重构得到了尺度序列和每层的细节序列;然后分别对其建立自回归模型并预测每个序列的下一个值,将得到的预测值相加得到了CPI预测值,再用预测值,利用建立的模型进行预测;最后,用标准差来衡量估计量的好坏。     

浅谈简单线性回归模型与对数线性回归模型的选择

在我们进行经济建模分析时,经常会遇到这样的问题：对于样本数据,我们是选用简单线性回归模型,还是选用对数线性回归模型,,对于这种选择,我们不能主观臆定,只能从客观上对这两种模型进行对比分析,找出最优的回归模型形式。本文拟对这两种模型的选择问题作初步探讨。     

存在自相关时检验和估计方法的改进——基于自回归分布滞后模型的自相关检验和参数估计

存在自相关时的自相关检验和参数估计是基础计量经济学的一个重要内容,并且存在自相关时的原模型已转化为自回归分布滞后模型。讨论存在自相关时的自相关检验和参数估计问题,提出了一种基于自回归分布滞后模型的自相关检验法,并同时给出了相应的参数估计。     

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。     

缺失数据下随机系数自回归模型的参数估计

随机系数自回归模型能够较好地描述模型系数随时间变化的特性,因此得到了广泛应用。文章讨论具有缺失数据的随机系数自回归模型的参数估计问题,在缺失数据情形下给出了四种模型参数估计方法:无数据填充条件最小二乘法、均值填充法、条件均值填充法以及桥填充法。最后,通过随机模拟说明了上述估计方法的精确性,并给出了应用实例。     

中国人口预测的自回归分布滞后模型研究

本研究以自回归分布滞后模型为基础,以人口年增长量作为被解释变量,人口年增长量的滞后值、人口年出生率和人口年死亡率的滞后值作为解释变量,分别设计了两类4个模型,并以1952-2002年人口序列数据为基础,采用一般回归法、后退法和逐步回归法三种方法对所设计的模型进行估计,得到可作为人口预测的168个模型.然后,从中筛选出较优的包含人口年增长量滞后值的中国人口自回归分布滞后预测模型和不包含人口年增长量滞后值的中国人口预测模型.     

国际石油价格之残差自回归模型短期预测

国际石油市场上,油价围绕国际石油价值这个轴心随供求关系的变化而不断上下波动。而石油是现代工业的血液,预测油价变化,制定相关石油战略,具有重要的意义。文章运用非平稳序列的残差自回归模型方法对以往油价建立模型进行短期预测,模型拟合度比较理想,并和ARIMA模型及GARCH模型结果比较,残差自回归明显优于其他模型。     

存在测量误差的面板自回归模型的工具变量估计

对于存在测量误差的面板数据自回归模型,首先讨论了POLS(Pooling OLS)和LSDV(least square of dummy variable)估计存在向零的衰减偏差及其非一致性,其次对于混合自回归模型和个体固定效应自回归模型给出了工具变量应满足的条件.研究发现这时工具变量的选择是十分困难的.     

可变系数空间自回归模型的参数估计

传统的空间面板数据模型利用截距项来体现空间异质性,往往无法完全体现出空间异质性,文章构建一种系数随空间个体变动而变动的空间自回归模型,利用系数来考察空间异质性,并可以考察经济关系以及空间关系的个体特征。在一定的模型设定条件下,文章给出了该模型的完全信息极大似然估计,并推导了该估计量的渐进分布。     

空间自回归模型及其估计

一、概述在经济问题研究中,处理的数据分为时间序列数据、截面数据以及截面时间序列数据(paneldata)。应用回归模型研究变量之间的关系时,假设模型满足Gauss_Markov条件,当研究的数据是时间序列时,通常会存在序列相关,针对这类数据的问题可以结合时间序列分析的方法加以处理;如     

自回归及logistic离散模型在中国人口预测中的应用

为了寻找更好人口预测方法,经济领域常用的自回归模型创新式的被应用到中国的人口预测中.通过结果预测结果分析,易知自回归的预测效果相当不错.进一步探索人口的预测理论,精典的logistic离散模型被用来和自回归模型做对比.由于自回归模型和logistic离散模型在形式上有很大的相似,对两者在建模原理上进行了对比分析,且对两个模型理论进行了推广.     

基于贝叶斯自激励门限自回归模型的中国GNP经济分析

文章通过建立贝叶斯自激励门限自回归(SETAR)模型,对改革开放30年来我国国民生产总值(GNP)年度增长率的变化趋势进行了分析研究。采用贝叶斯统计推断方法估计出所建立模型的参数,并对近几年GNP做了相应的预报研究。研究表明在此后几年内我国GNP与GDP仍不能同步增长,且增长率有逐步拉大趋势,GNP的增长率呈非线性缓慢上升。     

空间自回归模型的局部影响分析和运用

由于空间数据的相依特性,使得通常的删除点诊断异常值的方法不适合采用。为了寻找数据中的异常点和影响点,采用局部影响分析技术,通过引入扰动的方法来发现影响点,最后通过实例说明局部影响分析技术能够有效地发现模型中可能的影响点,并且能够揭示更多的细节信息。     

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。     

股票收益及风险的自回归估算

0引言投资的目的是获取收益,而收益总是伴随风险。在既定股票市场上,投资者如何科学进行投资决策,以使在可承受风险条件下收益最大或在期望收益目标下风险最小,就成为股票选择及组合的分析决策问题。投资者作出决策的前提是掌握各种股票的收益和风险。为此本文提出一个基于股票     

半连续Bernoulli-Normal两部回归模型及变量选择

对于半连续两部回归模型,考虑到每个回归部分都会遇到大量的候选变量,此时就会产生变量选择问题。文章主要研究Bernoulli-Normal两部回归模型的变量选择问题。先提出一种基于Lasso惩罚函数的变量选择方法,但考虑到Lasso估计量不具有Oracle性质,又提出一种基于自适应Lasso惩罚函数的变量选择方法。模拟结果表明：两种方法都能够对Bernoulli-Normal回归模型进行变量选择,且自适应Lasso方法的变量选择性能往往优于Lasso方法。     

人口预测的投影寻踪自回归模型构建与实证

文章根据全国和上海市1980—2020年两种完全不同人口变化规律的时间序列数据,采用自回归分析法,确定了3个预测因子,分别建立投影寻踪自回归（PPAR）模型,建模样本的数据拟合精度和验证样本的预测精度均显著高于GM、Logistic模型,完全能够满足人口预测的需要。实证结果表明：全国人口2011—2020年验证样本的平均绝对误差MAE和平均绝对百分比误差MAPE分别为160.0万人和0.116%,最大相对误差仅为0.26%;2021—2030年的人口预测结果表明,2021—2027年,人口增速越来越慢,并于2027年出现人口达峰,达峰人口为14.15亿人。上海市人口2016—2020年验证样本的MAE和MAPE分别为6.9万人和0.28%,最大相对误差仅为0.53%;2021—2027年人口增速越来越慢,并于2027年达峰,达峰人口为2499.9万人。