在非高斯状态空间模型下对SCD模型的估计

高频超高频时间序列的分析与建模成已为计量经济的一个全新研究领域,而研究金融市场中交易事件到达时间的随机条件持续期SCD模型,因为加入了随机变量,可以更好地拟合高频超高频金融时间序列特有的统计特征,但随机变量的引入给模型估计带来了估计困难。考虑到非高斯状态空间模型与随机条件持续期SCD模型各自的优势,文章将SCD模型转换成非高斯状态空间模型,从而利用非高斯状态空间框架下的Kalman滤波解决了SCD模型的估计难题。     

时变参数状态空间模型估计研究

在宏观经济和金融资本市场上广泛存在着非线性时变参数时间序列,而当前的研究主要关注静态参数状态空间模型的估计。本文通过引入变点分析,改进了静态参数的粒子学习滤波技术,提出了变点粒子学习滤波技术,用于估计时变参数状态空间模型。并且利用模拟实验同经典的变结构IMM滤波技术进行了对比,结果显示,本文提出的变点粒子学习滤波在动态模拟样本数据方面具有更大的优势。可以用于对股票价格和成交量的联合动态轨迹进行实时的模拟追踪。     

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.     

基于重要密度的非高斯状态空间模型的线性化

本文对系统矩阵随时间变化的非中心化状态空间模型,利用其近似模型的重要密度导出了线性化的一般方法,并对三美观察扰动和状态扰动有着不同分布的非高斯模型给出了具体线性化的模型结构.     

基于空间模型的小域估计方法

小域估计成为当今抽样调查的热点问题之一,日益受到社会各界的关注。小域估计多采用基于模型的估计方法,其中以线性混合模型最为普遍,这种模型通常假定域随机效应是独立的。但是,在实际各个域之间往往表现出一定的空间相关性,并且这种相关性随着距离的增加而减小,若忽视这种空间效应,估计的精度会大大的降低。本文运用域随机效应为空间相关的空间模型来解决空间数据下的小域估计问题,并用基于这种空间模型的权数的方法得到了目标变量的稳健估计量,很大程度上提高小域估计的精度,是一种比较好的小域估计方法。     

部分状态可见的隐马尔可夫模型状态序列的估计方法

本文考虑了部分状态可见的隐马尔可夫模型的状态序列估计问题,在分析了现有算法无法合理估计状态路径之后,以状态转移概率、观测概率和可见状态作为先验信息,通过贝叶斯分析计算可见状态前后向状态的后验概率,并给出初始条件和递推公式,运用动态规划递推得到每个观测值对应的最可能状态以及最可能的状态路径。最后,本文给出一个系统故障识别的应用例子,验证了所设计算法的可行性。     

具有线性趋势的残差自回归模型的估计方法

为了探寻具有线性趋势的残差自回归模型的较为合适的估计方法,文章以残差AR(2)模型为例,对直接最小二乘法、两步法、非线性最小二乘法和化归法进行了Monte Carlo模拟,拟合和预测结果显示非线性最小二乘法和化归法的均方误差和平均绝对误差相同且最小.此外,还利用1980-2013年河南省人均GDP经济数据进行了拟合与预测实证分析,得到了与模拟比较相类似的结果,这说明非线性最小二乘法和化归法是较优的估计方法.进一步地,基于非线性最小二乘法,给出了河南省人均GDP的短期预测.     

基于Bayesian Gibbs Sampler的状态空间模型估计方法研究及其在中国潜在产出估计上的应用

 本文将贝叶斯吉伯斯样本生成（Bayesian Gibbs Sampling,BGS）方法应用到状态空间模型的估计。首先介绍了BGS方法的基本内容和计算步骤,然后给定参数生成满足状态空间模型的模拟数据,并对模拟数据应用BGS方法估计。结果表明参数与状态向量的估计值与参数值与状态向量的真实值相当接近,明显优于基于Kalman滤波的最大似然估计结果。最后,本文将BGS算法应用于中国1980年至2008年的潜在增长率与增长率缺口的估计。     

函数系数协整模型局部线性估计方法的改进

函数系数协整模型可以克服非参数建模时的“维数困难”,同时体现系数的动态变化,被广泛应用于非平稳数据间复杂问题的研究。实践中经济序列常表现出时变波动方差和厚尾特征,传统核权最小二乘估计方法将不再适用。鉴于此,文章基于L1损失函数重构估计流程,选择表现稳健的局部线性核估计方法,并引入自适应方法,提出局部线性自适应最小绝对离差估计（ALADE）。模拟结果验证了所提估计方法可提升系数估计精度,优化模型整体拟合效果,同时绝对值交叉验证方法在选取最优窗宽时优势明显。实证分析发现,所提方法可识别中英两国汇率和价差间的动态协整关系,拟合系数平滑且接近理论值。     

基于最佳线性无偏估计的模型权数的小域估计

文章介绍了一种基于EBLUP的模型权数的小域估计方法.这种估计方法一方面使小域的目标估计量是加权线性组合,从而使估计过程以及均方误的估计更加简单;另一方面得到的估计量不依赖于模型的假定,是一种稳健的估计量.文章还通过一个简单的模拟案例说明了这种估计量的稳健的性质,说明这种估计方法是一种非常符合实际调查情况的小域估计方法.     

空间滞后模型的贝叶斯估计

本文采用Bayes方法对空间滞后模型进行全面分析。在构建模型的贝叶斯框架时,对模型系数与误差方差分别选取正态先验分布和逆伽玛先验分布,这样以便获得参数的联合后验分布和条件后验分布。在抽样估计时,文章主要使用MCMC方法,同时还设计了一个简单随机游动Metropolis抽样器,以方便从空间权重因子系数的条件后验分布中进行抽样。最后应用所建议的方法进行数值模拟。     

线性回归模型加权最小二乘估计的权值计算方法

一、引言测量数据的处理大多转化为回归模型的参数估计问题,其中线性回归模型是最基本的一类。若测量过程中影响随机误差的各因素保持不变,则认为是等精度测量,对应的线性回归模型就是等精度线性回归模型,其参数估计理论已趋于成熟,     

分层线性模型的最大后验估计

最大后验估计（MAPE）和最大似然估计（MLE）都是重要的参数点估计方法。在介绍一般分层线性模型（HLM）MAPE方法的基础上,给出这种方法的期望最大化算法（EM）的具体步骤,运用对数似然函数的二阶导数推导了MAPE估计的方差估计量。同时运用数据模拟比较了EM算法下的MAPE和MLE。对于固定效应的估计,两种方法得到的估计量是一致的。当组数较少时,EM计算的MAPE的方差协方差成分比MLE的更靠近真实值,而且MAPE的迭代次数明显小于MLE。     

线性GMDH参数模型的无偏估计研究

 多元线性回归分析中,参数无偏性是参数估计方法的一个重要指标。本文对线性GMDH参数模型建立多元线性模型进行了研究,得到以下结论：一,在满足经典线性回归模型的假设条件下,其参数估计量具有无偏的性质;二,在满足其它假设条件下,可以在样本量少于待估参数的情况下建模,估计的参数也是无偏的;三,用参数GMHD方法建模时,它对完全多重共线性是免疫的。     

混合系数线性模型参数的t-s-K估计

混合系数线性模型在实际问题中有着广泛的应用背景,如经济分析、可靠性退化分析以及生物学等领域,因此对该模型的研究无论从理论还是从应用角度都是十分重要和必要的。在研究连续测量数据情况下混合系数线性模型的参数估计问题的基础上,利用压缩估计方法给出该模型的一类有偏估计,并研究新估计的一些优良性质,在一定条件下证明此类估计优于s-K估计。     

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     

纵向可加部分线性测量误差模型的渐近估计

基于纵向数据,研究参数部分协变量含有测量误差的可加部分线性测量误差模型的估计问题,提出了用于模型估计的偏差修正的二次推断函数方法,得到参数部分的估计结果具有相合性、渐近正态性,非参数可加函数的估计结果达到最优收敛速度。数值模拟和实例数据分析结果显示,该模型估计方法在同等条件下要优于广义估计方程方法。理论和数值结果显示,偏差修正的二次推断函数可以有效地处理测量误差和个体内相关性,是一个有效的纵向数据和测量误差数据分析工具,具有一定的理论和应用价值。