函数型数据的共同主成分分析探究及展望

函数型数据的主成分分析(FPCA)已经成功应用在许多领域,但它主要研究的是单样本问题.本文详细讨论了一种新近发展的函数型数据分析的理论--函数型共同主成分(CGPC)分析方法,它主要应用于检验两组函数型随机样本的分布情况.CFPC方法的理论基础是将两组函数型样本进行Karhunen-Loeve(KL)展开,并用Bootstrap方法检验两组样本的均值函数、特征值和特征函数的一致性.最后,我们对CFPC的理论研究和应用前景进行了展望.     

统计预测中的折扣最小平方法

一、折扣最小平方法的定义设0<α<1;时间数列y_1,i=1、2、……n,所对应的值为y_1。规定对时间数列过去最近期的误差平方(Yn-Yn)~2的权数为α°,最远期的误差平方(y_1-y_1)~2的权数为α~(n-i),第i期的误差平方的权数为α~(n-1),并使这n个加权误差平方和的值为最小,即:sum from f=1 to nα~(n-i)(y_1-(?)_1)~2=最小值 (1)     

回归模型可决系数的可决性研究

一、引言 在回归分析中,可决系数(R2)和调整的可决系数(R2)一般用来衡量模型的拟合度,但R2受自变量个数、样本数和可决系数本身大小的影响,难以得到其准确的分布函数以分析其特征.因此,有很多人研究R2和R2的抽样性质,以期对可决系数有较全面的了解,比如Press and Zellner(1978),Ohtani和Hasegawa (1993),Srivastava和Ullah(1995)等等.尽管有针对R2和R2样本性质的大量研究,还是没能从理论上准确地得到R2和的R2估计量置信区间.     

利用辛普生公式的平均值法解决"曲线型"样本平均数问题

由于"曲线"y=f(x)在区间[a,b]上的平均"高度"(值)为:(如图) -y=1/b-a∫baf(x)dx (1) 在公式(1)中,要求y,关键在于求f(x)的原函数F(x),但是求F(x)往往很困难,有时甚至无法用初等函数去表示它.而且在统计工作的实践中,通常是用统计调查和统计分析等方法得到一个函数,此函数一般用列表法或图像法给出,此时要求函数的原函数是不可能的.可见,我们有必要利用数学中其他的计算方法来解决统计工作中的相关实际问题,以确保数据的准确性.     

Bootstrap方法在非参数核估计中的研究与应用

当数据中存在异常值时,Bootstrap样本可能比原有样本舍有更多的"污染",这会影响要进行的统计推断的有效性.文章讨论了在非参数回归N-w估计中,如何利用影响函数(influencefunction)得到重新抽样的概率,使用调整后的非等概率Bootstrap抽样方法得到曲线的拟合,从而达到有效地抵制异常值对回归函数影响的目的.数值模拟的结果表明了这种处理方法的有效性.     

学一点数理统计(续)

参数估计和假设检验是数理统计中两类重要方法.它们都与统计量这一概念密切有关.由总体X抽取一个大小为n的随机样本,即为n个独立的、与总体X有相同分布的随机变量X_1,X_2,……,X_n,这n个X的函数称为统计量.比如样本     

边缘分布和Copula对资产组合选择绩效的影响

1用Copula构造联合分布函数根据sklar定理,边缘分布均为连续分布的二元分布函数可写为:H(x,y)=C(F(x),G(y))其中,F(x)和G(y)是边缘分布函数,C就是H的Copula,而且C也是边缘分布均为[0,1]上均匀分布的联合分布函数。由此可见,可以用Copula构造多元分布函数:首先,构建各个变量的边     

不完全数据多重插补的Bootstrap方差估计

当对插补所得的“完整数据集”使用标准的完全数据统计方法的时候,往往会低估插补估计量的方差.Bootstrap方法(自助法)是非参数统计中的一种重要的统计方法,是基于原始观测数据进行重复抽样,能充分的利用已知数据,不需要对未知总体进行任何的分布假设或增加新的样本信息,进而再利用现有的统计模型对总体的分布特性进行统计推断.本文首先运用多重插补的方法对缺失数据进行了插补,之后利用Bootstrap方法对插补之后的数据进行了插补统计量的方差估计,结果表明运用Bootstrap方法进行插补统计量的方差估计更科学更准确.     

抽样调查中估计量的Bootstrap修正及样本量的确定

估计量的精度和样本量的确定是抽样设计中所关心的两个主要问题.在一定条件下,对于简单随机抽样,通过对初级样本的Bootstrap抽样可以提高均值估计量的精度.中心极限定理一直是抽样调查中确定样本量的主要理论依据,基本思想就是将标准正态分布作为给定统计量的近似分布.如果利用Bootstrap方法模拟近似分布,同样可以确定样本量.文章结合具体例子对两种方法确定的样本量进行了对比分析.     

概化理论方差分量置信区间估计Bootstrap方法比较

使用Monte Carlo模拟技术生成多项分布数据,比较四种Bootstrap方法估计概化理论方差分量置信区间的性能,四种Bootstrap方法分别是Bootstrap-PC、Bootstrap-t、Bootstrap-BCa和Bootstrap-ABC方法.结果表明:(1)从整体上看,四种Bootstrap方法估计方差分量置信区间的包含率,校正的Bootstrap方法要优于未校正的Bootstrap方法;(2)校正的Bootstrap-PC和Bootstrap-t方法相当,校正的Bootstrap-BCa与Bootstrap-ABC方法相当,校正的Bootstrap-BCa和Bootstrap-ABC方法要优于校正的Bootstrap-PC和Bootstrap-t方法.     

概化理论方差分量置信区间估计方法的比较

概化理论又称为方差分量模型,其方差分量估计受限于抽样,不同的抽样样本估计的方差分量可能不一样.为了降低估计的误差,应该重视考察方差分量的变异量(如置信区间).Bootstrap方法是一种有放回的再抽样方法,可用于估计概化理论的方差分量置信区间.文章采用蒙特卡洛模拟技术,比较Bootstrap的PC和BCa方法估计概化理论方差分量置信区间的性能.结果发现:(1)与未校正的方法相比,校正的Bootstrap的PC和BCa方法估计概化理论的方差分量置信区间更为可靠;(2)校正的Bootstrap的BCa方法估计概化理论的方差分量置信区间,要优于校正的Bootstrap的PC方法.     

概化理论两侧面设计方差分量及其变异量估计方法比较

文章针对正态分布数据,对比Traditional方法、Bootstrap方法和MCMC方法在两侧面交叉设计(p×i×h)和两侧面嵌套设计(p×(i:h))下各个方差分量的估计精度,为实际应用提供参考。使用R软件模拟1000批数据,并在R软件上实现三种方法的方差分量及其变异量估计。结果表明:(1)相较于Traditional方法和MCMC方法,相同条件下,Bootstrap方法估计的方差分量及其变异量结果更为理想;(2)对于两侧面交叉设计和两侧面嵌套设计,在正态分布数据下,建议优先使用Bootstrap方法。     

Downside-Risk风险度量方法研究

1Downside-Risk风险度量方法1.1LPM风险度量方法LPM(Lower Partial M om ents),指低端部分矩,是一种正在被人们关注的度量风险的方法。它认为只有收益低于目标值τ时,才发生风险,因此可以将低于τ的收益,取概率加权平均值度量风险。令R表示金融资产收益率,F(R)表示其分布函数。     

分层抽样调查的一点思考

根据分层抽样调查方法的一般原理,分层抽样是将总15.61(人),标准差(δ)=15.08(人),极差(R)=体的N个单位按某个特征(一般为品质标志)(分成若干76-2=74,由于离差仍然很大,计算的必要抽样单位数没有重叠的层,独立地从每一层中抽取若干个单位,由各仍有98个;按现有的抽样调查方法,还是没有解决余下层抽取的样本组成总样本,用来推断总体目标量的一种方100个私营企业劳资情况的有效抽样的问题。为此,我们法;分层对于偏斜总体显得尤其重要(所谓偏斜总体是指只有运用“多次中点分层抽样”的方法,将这100个单位总体分布不是正态的,它向右或向左偏斜)…     

非线性回归模型校正及应用

一、非线性回归校正模型非线性回归模型具有直观性强、计算简单、可检验等优点。但是,在实际应用中,对某一问题用多种曲线拟合往往都不能得到满意的效果,这主要是由于系统本身出现了一系列的转折性变化,例如受自然灾害、政策、价格等因素的影响。所谓转折性变化,是指在某一时点(称转折点)的前部曲线和后部曲线变化趋势不一致。为弥补这一不足,本文提出了非线性回归校正模型。其方法和步骤如下:第一步:将原始时序样本集S={y~0(1),y_0(2),…,y_0(n)}按时间顺序依次划分成互不相交的二个子集:     

巧用SPSS做均值向量检验

文章基于两总体均值比较的特殊情形(样本容量n2=1),推导出其统计量F2与单总体均值向量检验中的统计量F1之间的关系表达式。这样,为了实现用SPSS做单总体均值向量的假设检验,可以将均值μ0视作随机样本Y来做两总体均值比较的假设检验,可以得到F2的值,进而通过关系表达式求得F1的值,然后,用F检验法完成这个的假设检验问题。最后,文章通过一个实例验证了该方法的快捷。     

Coob—Douglas生产函数参数的校正

Coob—Douglas生产函数Y=AK~(β_1)L(β_2)是反映经济现象的一个重要的数学模型。它的参数A、β_1、β_2估计的好坏,直接影响预测效果。关于参数估计的一般方法是通过曲线回归的直线化,用最小二乘法得到。即由样本所得信息建立样本回归方程=aK~(b_1)L~(b_2)做为=AK~(β_1)L~(β_2)的估计式,其中a、b_1、b_2分别是A、β_1、β_2的估计值。由于经济现象与时间相关密切,所以用(?)=aK~(b_1)L~(b_2)预测近期经济问题效果较好,而用它预测远期经济     

梯度法在参数估计中的应用

一、引言极大似然法是数理统计中参数估计的重要的方法。该方法是统计学家费雷(R.A.Fisher)创建的。这种方法的机理就是利用样本的联合密度函数构造似然函数     

异方差性F的参数估计

在经典经济计量理论中,异方差现象的存在破坏了普通最小二乘法(OLS)参数估计中关于随机序列独立同分布的基本假定,从而使得用OLS法估计得到的模型Y=Xβ失去优良性,如(?)不再是参数β的最小方差线性无偏估计(BLUE),继而参数的显著性检验失去意义,预测误差加大等等,致使模型失效。在实际建模中,一般是这样处理这一问题的:(1)用图示法或等级相关系数、Goldfeld-Quandt、Bartlett等方法检查异方差现象是否存在于待建模型中。(2)对探明有异方差现象的模型,通过加权最小二乘法(WLS)、Glejser法和正确引入解释变量等方法将异方差模型转化为同方差模型后再进行参数估计。经典计量经济理论认为扰动项方差σ_t~2是解释变量X_t的函数,即σ_t~2=f(X_t)σ~2,之所以出现异方差现象,是因为对于不同的X_t∈R~p,f(X_t)发生了变化。如果已知函数f的具体形式,     

一种新寿命分布的参数估计及其应用

Chen(2000)提出了一种新的两参数寿命分布,这个分布有递增或浴盆型失效率函数,并基于Ⅱ型截尾样本给出了分布参数的区间估计.文章对这种两参数寿命分布在一个参数已知时,基于Ⅰ型截尾样本并借助Han(2011)给出的失效概率的E-Bayes估计给出了另一个参数的最小二乘估计和加权最小二乘估计,进而得到了失效率函数和可靠度的估计.最后,结合发动机的实际问题进行了计算,结果表明方法可行且便于工程应用.