幂整体模式累加多层统计模型的建立及应用

文章将幂单变量整体模式累加多层统计模型和单变量整体模式累加多层统计模型应用到仅有两个调查数据的香蕉组织形式绩效的预测中,计算了预测误差,并且比较了幂单变量整体模式累加多层统计模型和单变量整体模式累加多层统计模型的预测结果.     

基于传递函数的产品价格预测模型

对多变量时间序列进行预测,单变量ARIMA模型和普通多元回归分析并不适用,这种情况下应用多变量ARIMA即传递函数模型是很好的选择。以一种受原油和原材料多种因素影响的合成化纤产品为例,说明利用传递函数模型对其价格进行预测的建模过程中,如何进行模型识别、参数估计及诊断的有关问题。     

宏观经济变量对银行间国债收益率的影响

文章采用VAR建模方法,将国债指数收益率与5个经济变量作为一个动态系统,通过脉冲响应函数与方差分解技术考察银行间国债财富指数波动过程中来自经济变量的冲击,分析了经济变量对国债指数收益率的影响程度以及相对重要性.结果表明经济变量因素对我国银行间国债市场的影响较为明显,市场上对于通货膨胀风险的补偿要求较高,与股票市场"跷跷板"效应明显,投机风险较大;从各变量影响国债市场波动的相对重要性来看,股票收益率变量排在第一位.     

特征样本重复抽样建模方法和应用研究

本文在传统统计回归方法的基础上,构建了一种新的特征样本重复抽样回归(FSR)建模方法.该方法是依据变量特征采用机器抽样方法重复抽样,形成多个特征样本,然后对多个样本进行参数估计,形成参数的抽样分布;最后依据抽样分布,在多个优化目标要求下建立最优化模型.FSR方法能够作为社会科学研究中一种通用的建模方法.     

多元统计方法在公司招聘中的应用

多元统计分析是通过对多个随机变量观测数据的分析,来研究变量之间的相互关系以及揭示这些变量统计规律的科学。多元统计分析方法包括多元数据图表示法、聚类分析、判别分析、主成分分析、因子分析、对应分析、多重多元回归分析、典型相关分析、路径分析、多维标度法等。本文主     

平稳的平滑转移自回归过程之间的虚假回归问题研究

文章研究平稳的平滑转移自回归过程之间的虚假回归问题.通过推导最小二乘回归估计量及其对应的t统计量的极限分布,发现:标准的t检验流程中的t统计量并不趋于标准正态分布,其极限分布依赖于模型参数,从而导致了虚假回归的可能.采用蒙特卡洛模拟研究了有限样本下数据生成过程的各项参数对虚假回归的影响,研究表明:虚假回归现象也可能普遍存在于平稳变量之间,为此,在做统计推断时,考虑平稳变量的具体特征是必要的.     

正则化Beta回归及其应用

随着计算机的飞速发展,极大地便利了数据的获取和存储,很多企业积累了大量的数据,同时数据的维度也越来越高,噪声变量越来越多,因此在建模分析时面临的重要问题之一就是从高维的变量中筛选出少数的重要变量。针对因变量取值为(0,1)区间的比例数据提出了正则化Beta回归,研究了在LASSO、SCAD和MCP三种惩罚方法下的极大似然估计及其渐进性质。统计模拟表明MCP的方法会优于SCAD和LASSO,并且随着样本量的增大,SCAD的方法也将优于LASSO。最后,将该方法应用到中国上市公司股息率的影响因素研究中。     

基于小波多分辨分析的协整建模理论与方法的扩展;

为讨论经济及金融变量的多尺度行为,描述变量之间在不同时间尺度上的长期均衡关系,将小波多分辨分析引入协整建模理论,提出多分辨协整和多分辨误差校正模型两个概念,给出相应建模方法,克服了传统的协整建模理论无法揭示蕴含在变量内部的多时间尺度信息的缺陷。多分辨协整建模能够更加细致地捕获经济或金融变量在不同时间尺度上的关系,对两大股指的实证研究也支持了这一点。     

单变量时间序列模型识别方法的实证研究

时间序列分析就是通过研究时间序列中数值上的统计关系,来揭示系统的动态结构特征及其发展变化规律,是一种重要的现代统计分析方法,广泛地应用于自然领域、社会领域的科学研究和思维。在时间序列变量建模的过程中,一般分为模型识别、模型估计和诊断以及模型预测三个步骤,其中模     

单变量时间序列模型的识别

时间序列分析就是通过研究时间序列中数值上的统计关系,来揭示系统的动态结构特征及其发展变化规律,是一种重要的现代统计分析方法,广泛地应用于自然领域、社会领域的科学研究和思维。在时间序列变量建模的过程中,一般分为模型识别、模型估计和诊断以及模型预测三个步骤,其中模     

对应分析统计检验体系探讨

对应分析因其结果的易读性，近些年得到了越来越广泛的应用。为了更好地应用对应分析，提出建立对应分析统计检验体系，包括对应分析适用性的统计检验以及对应分析效果的检验，同时还提出应用对应分析时应注意的其它问题。     

面板数据的聚类分析及其应用

 不同于传统的计量建模分析，本文探讨了多元统计方法在面板数据分析上的运用。文中介绍了面板数据的统计描述方法，构造了面板数据之间相似性的统计指标，并在此基础上提出了面板数据聚类分析的有效方法，通过实际应用取得了良好的效果。     

Principal component and correspondence analysis of compositional data: some similarities

Principal component and correspondence analysis can both be used as exploratory methods for representing multivariate data in two dimensions. Circumstances under which the, possibly inappropriate, application of principal components to untransformed compositional data approximates to a correspondence analysis of the raw data are noted. Aitchison (1986) has proposed a method for the principal component analysis of compositional data involving transformation of the raw data. It is shown how this can be approximated by a correspondence analysis of appropriately transformed data. The latter approach may be preferable when there are zeroes in the data.     

Doubly inflated Poisson model using Gaussian copula

Multivariate data are present in many research areas. Its analysis is challenging when assumptions of normality are violated and the data are discrete. The Poisson discrete data can be thought of as very common discrete type, but the inflated and the doubly inflated correspondence are gaining popularity (Sengupta, Chaganty, and Sabo 2015; Lee, Jung, and Jin 2009; Agarwal, Gelfand, and Citron-Pousty 2002).

Our aim is to build a statistical model that can be tractable and used to estimate the model parameters for the multivariate doubly inflated Poisson. To keep the correlation structure, we incorporate ideas from the copula distributions. A multivariate doubly inflated Poisson distribution using Gaussian copula is introduced. Data simulation and parameter estimation algorithms are also provided. Residual checks are carried out to assess any substantial biases. The model dimensionality has been increased to test the performance of the provided estimation method. All results show high-efficiency and promising outcomes in the modeling of discrete data and particularly the doubly inflated Poisson count type data, under a novel modified algorithm.     

Bayesian analysis for confirmatory factor model with finite-dimensional Dirichlet prior mixing

Confirmatory factor analysis (CFA) model is a useful multivariate statistical tool for interpreting relationships between latent variables and manifest variables. Often statistical results based on a single CFA are seriously distorted when data set takes on heterogeneity. To address the heterogeneity resulting from the multivariate responses, we propose a Bayesian semiparametric modeling for CFA. The approach relies on using a prior over the space of mixing distributions with finite components. Blocked Gibbs sampler is implemented to cope with the posterior analysis. Results obtained from a simulation study and a real data set are presented to illustrate the methodology.     

Functional variance estimation using penalized splines with principal component analysis

In many fields of empirical research one is faced with observations arising from a functional process. If so, classical multivariate methods are often not feasible or appropriate to explore the data at hand and functional data analysis is prevailing. In this paper we present a method for joint modeling of mean and variance in longitudinal data using penalized splines. Unlike previous approaches we model both components simultaneously via rich spline bases. Estimation as well as smoothing parameter selection is carried out using a mixed model framework. The resulting smooth covariance structures are then used to perform principal component analysis. We illustrate our approach by several simulations and an application to financial interest data.     

函数型数据分析的研究进展和技术框架

函数型数据分析(Functional Data Analysis,FDA)是1980年以后发展起来的一种基于离散统计数据函数化、进而通过函数型分析刻画更广义和更深刻统计关系的高维数据分析(Multivariate Data Analysis,MDA)方法。FDA的基本思想是由加拿大麦吉尔大学的J.O.Ramsay和牛津大学的B.W.Silverman等人提出并发展起来的,同时多位世界知名统计学者也对此作出了贡献。目前该方法已广泛应用于经济学、生物学、气象学、心理学、工业及其他领域。函数型数据分析的基本思想是把观测到的数据函数看作一个整体,而不仅仅是个体观测值的顺序排列,函数本质上是指数据的内在结构而不是它们直观的外在表现形式。因此,在简要回顾FDA发展历程的基础上,追踪国际国内主要研究动态,简介和评述FDA研究的技术框架以及与传统多元统计分析方法的差异,并试图就FDA在经济学中的应用进行一定剖析。     

（超）高频数据分析与建模

高频数据即指日与日内的数据 ,主要针对以小时、分钟或秒为采集频率的数据。而超高频数据则指对交易过程实时采集的数据 (显然是不等间隔的数据 )。一般而言 ,金融市场上的信息是连续性影响证券价格变化过程 ,离散模型必然会造成信息的丢失 ,数据频率越低 ,则信息丢失就越多。Ｗｏｏｄ(2 0 0 0 )详细讨论了国外金融研究中所用的不同频率数据库的历史和对未来实证研究者的数据采集建议。中国目前 (据我们所知 )日内数据很难得到 ,更不用谈超高频数据了。但是作为一种先进的数据分析工具 ,高频数据分析迟早都将被中国的理论研究者和金融市场的…     

A non linear analysis of the preference for preservation of the teeth

Data resulting from behavioral dental research, usually categorical or discretized and having unknown measurement and distributional characteristics, often cannot be analyzed with classical multivariate techniques. A non linear principal components technique called multiple correspondence analysis is presented with its corresponding computer program that can handle this kind of data. The model is described as a form of multidimensional scaling. The technique Is applied in order to establish which factors are associated with an Individual's preference for preservation of the teeth.     

Correspondence analysis of square asymmetric matrices

The application of correspondence analysis to square asymmetric tables is often unsuccessful because of the strong role played by the diagonal entries of the matrix, obscuring the data off the diagonal. A simple modification of the centring of the matrix, coupled with the corresponding change in row and column masses and row and column metrics, allows the table to be decomposed into symmetric and skew symmetric components, which can then be analysed separately. The symmetric and skew symmetric analyses can be performed by using a simple correspondence analysis program if the data are set up in a special block format. The methodology is demonstrated on a social mobility table from the first democratically elected Parliament in Germany, the Frankfurter Nationalversammlung . The table cross-tabulates the jobs of parliamentarians when first entering the labour market and their jobs in May 1848 when the Parliament started its first session.