光滑样条回归的分层贝叶斯方法

从光滑样条回归的贝叶斯解释出发，将光滑参数λ看作先验分布中的超参数．用分层贝叶斯的方法，假定λ的先验分布为伽玛分布，用后验均值估计回归样余．通过模拟表明本文提出的方法具有很好的估计效果．     

基于共轭先验分布的平稳AR(1)模型贝叶斯分析

本文系统地分析了平稳AR(1)时间序列模型的条件似然函数,并根据似然函数的统计结构构造了模型参数的共轭先验分布,研究了截断正态-逆Gamma共轭先验下模型的贝叶斯推断理论,包括参数的后验分布函数、二次损失函数下的贝叶斯估计及一步超前预报分析,最后采用一个仿真时间序列研究了先验分布参数对后验分布的影响。     

基于贝叶斯多变量厚尾随机波动模型的期货与现货联动效应研究

针对多变量随机波动模型难以刻画金融时间序列尖峰厚尾特征的问题,构建了贝叶斯多变量厚尾随机波动模型。通过模型的贝叶斯分析,选择参数先验分布,设计基于Gibbs抽样的MCMC算法,据此估计模型参数,解决多变量随机波动模型参数较多难以估计的问题;并利用沪深300股指期货与现货交易数据进行实证分析。研究结果表明：贝叶斯多变量厚尾随机波动模型能更准确地刻画金融市场的波动特征以及金融市场间的波动溢出效应。     

小样本条件下操作风险度量中的参数估计研究

针对操作风险损失数据匮乏的特点,引入贝叶斯推断理论来保证小样本条件下模型参数估计的质量,将专家经验以先验分布的形式引入,从贝叶斯推断的视角构建了融入专家经验的操作风险损失频率模型、损失强度模型和风险度量模型。其中,损失频率建模中假设损失频率服从Poisson-Gamma分布,损失强度建模中应用极值理论对损失分布的“厚尾”特性进行描述,利用广义帕累托分布(GPD)对损失强度分布进行拟合,并打破GPD的位置参数和形状参数常数化的限制,视其为随机变量并假定两者服从不同的Gamma分布。实证结果证明: 与传统的MLE方法相比,在小样本的情况下,基于贝叶斯推断的MCMC方法对参数的估计更有效和稳定,较好地解决了在操作风险度量中由于损失数据不足给损失分布拟合带来的难题。     

基于Bayes方法的银行投资经理能力识别方法研究

银行监管对银行投资经理能力的识别是其管理的重要职能.首先基于项目状态好坏的先验概率与银行监管对投资经理能力的先验信息,包括经理是否能干的先验概率与其策略选择的先验信息等,根据贝叶斯法则建立了一个全新的识别模型,通过先验信息推导出了模型的先验特征,最后给出了投资经理能力类型的后验概率,进一步得到了识别方法,并给出了实例计算.     

Poisson分布参数的Bayes估计

以先验分布为Gamma分布时,对Poisson分布给出了参数的Bayes估计.     

基于Bayes方法的银行投资经理能力识别方法研究

银行监管对银行投资经理能力的识别是其管理的重要职能。首先基于项目状态好坏的先验概率与银行监管对投资经理能力的先验信息，包括经理是否能干的先验概率与其策略选择的先验信息等，根据贝叶斯法则建立了一个全新的识别模型，通过先验信息推导出了模型的先验特征，最后给出了投资经理能力类型的后验概率，进一步得到了识别方法，并给出了实例计算。     

基于贝叶斯面板平滑转换模型的房价阈值效应研究

针对经济变量之间普遍存在的非线性关系,导致线性模型拟合失效的问题,构建面板数据平滑转换模型,刻画变量之间关系的非对称性。采用贝叶斯方法进行模型的参数估计,避免非线性最小二乘算法难以收敛,参数估计不确定。通过分析模型结构,选择参数先验分布,设计相应的Metropolis-Hasting-Gibbs混合抽样算法,据此估计模型参数;在此基础上,利用省域面板数据分析房价阈值效应问题。研究结果表明:参数的动态迭代轨迹收敛,MH-Gibbs混合抽样算法能够准确地估计模型各参数,解决了非线性最小二乘无法收敛的问题,证明了贝叶斯面板数据平滑转换模型的有效性;同时也验证了房价波动的阈值效应以及房价与城市化、城乡收入差距之间的非线性关系。     

Poisson分布参数的Bayes估计

以先验分布为Gamma分布时，对Poisson分布给出了参数的Bayes估计．     

基于贝叶斯神经网络的非参数回归

提高神经网络模型推广能力的关键是控制模型的复杂度。该文探索了贝叶斯神经网络的非参数回归的建模方法,通过融入模型参数的先验知识,在给定数据样本及模型假设下进行后验概率的贝叶斯推理,使用马尔可夫链蒙特卡罗算法来优化模型控制参数,实现了对神经网络模型中不同部分复杂度的控制,获得了模型参数的后验分布及预测分布。在5个含噪二维函数回归问题上的应用显示了模型的复杂度能根据数据的复杂度而自适应调整,并给出了较好的预测结果。     

基于核方法的贝叶斯邮件分类网络研究

提出一种包含核函数的Bayesian参数估计方法,提高了Bayesian参数估计的实用性。结合邮件内容和报文格式两个方面分析和提取邮件的重要特征,建立了对应的Bayesian邮件分类网络。将包含核函数的Bayesian参数估计方法应用到邮件分类网络,在对不同邮件测试集的在线学习试验结果证明,这种新的分类模型能够有效地实现垃圾邮件的分类过滤。     

一种对称损失下Pareto分布参数的Bayes估计

本文讨论了给定容量n的一个Pareto样本在对称损失函数下,Pareto分布参数的Bayes估计,证明了这一估计是可容许的,并给出了Bayes的置信下限。     

基于EM的朴素贝叶斯分类算法

将EM算法引入到朴素贝叶斯分类研究中,提出一种基于EM的朴素贝叶斯分类算法。首先用未缺失的数据属性的算术均数作为初始值,求得极大似然估计;其次迭代执行算法的E步和M步直至收敛,然后完成缺失数据的填补;最后根据朴素贝叶斯分类算法对数据进行分类。实验结果表明,与朴素贝叶斯分类算法相比,基于EM的朴素贝叶斯分类算法具有较高的分类准确率。     

不等群下的整群抽样问题研究

在社会经济领域中,群大小不等是常见的现象。在群大小不等条件下进行整群抽样最主要的问题是样本群大小的随机变动。样本群大小的随机变动会给抽样调查带来种种不利的影响。要提高整群抽样估计的准确度,就必须控制样本群大小的变动。在群大小不等条件下,简单随机抽样无偏估计方法是不可取的,应尽可能地采用麦多方法、PPS方法或简单随机抽样比率估计方法,以提高整群抽样效率。另外,改进总体推估方式也是提高整群抽样效率的简便方法,应值得高度重视。     

两种损失函数下心理状态数的Bayes估计

本文在刻度平方误差损失函数和Q-对称熵损失函数下,讨论了心理状态数c的Bayes估计,并且证明了估计是可容许的.     

内外部网络口碑与在线销售的动态交互过程——基于分层贝叶斯模型的解析

与以往单纯以内部网络口碑、相互独立的内部和外部网络口碑为研究对象,分析网络口碑与在线销售的关系不同。基于评论环境理论,采用分层贝叶斯模型,以当当网、京东、亚马逊和豆瓣网为数据搜集对象,在充分考虑网络口碑异质性及其来源多元化的条件下,结合外部网络口碑平台信息提供的特点,在进一步引入免费试样因素的基础上,对内外部网络口碑与在线销售的动态交互作用进行研究。结果发现:在异质性网络平台并存且效价差异较小的情境下,效价不再是影响在线销售的关键,而内部网络口碑数量、数量信息熵才是影响在线销售的关键,反过来在线销售也刺激了网络口碑数量的提升。虽然外部网络口碑的存在削弱了这一环形机制的积极影响,但免费试样可有效削弱该负向调节机制。     

抽样规模确定的目标及影响因素

在从总体抽取样本的过程中,抽取多大规模的样本比较合适,这在抽样方案设计之时就必须要给出明确的规定。样本容量确定的目标体现在：一要保证应有的抽样估计精度和检验效率;二要提高对抽样估计结果的概率把握程度;三要尽可能减小机会损失和调查费用。为了实现这些目标,在确定抽样规模时需要系统地兼顾调查对象内部的变异程度、总体分布是否确知、概率把握程度的要求、样本抽取的实现方式、数据的测量水准等因素。     

采用一元辅助信息的多元二相抽样的比估计

一元抽样调查的理论已经发展相对成熟．但实际问题中往往涉及多个指标,一元理论不能满足需要．本文研究了多元二相抽样,并且在多元二相抽样中添加了一元辅助信息。定义了采用一元辅助信息的多元比估计,得到了采用一元辅助信息的多元二相抽样的比估汁量及其性质．并且证明了在满足一定条件时．采用一元辅助信息的多元二相抽样的比估计量优于多元简单随机抽样的简单估计量．