TAM移动社交媒体使用行为影响因素的统计检验

文章引入移动社交媒体功能、感知趣味性和感知可信性等变量,建立TAM模型对用户微信使用行为进行实证研究.研究表明:对于移动社交媒体的使用行为,经典的技术接受模型依然适用;主观规范和移动社交媒体功能对移动社交媒体行为意向的影响较为显著;感知易用性和感知可信性对其影响显著性程度较低;感知趣味性通过感知有用性间接影响用户行为意向.     

基于ARIMA模型的工业品出厂价格指数预测与分析

工业品出厂价格指数(PPI)对于制定未来的经济政策和宏观经济决策有着重大的意义.文章深入分析了我国从1993～2014年工业品出厂价格指数(PPI)月度数据,并在此基础上应用ARIMA模型进行建模,并作出了短期的预测.研究表明预测数据与真实数据较为接近,预测精度较高,模型拟合优度良好,工业品出厂价格指数(PPI)在未来一段时间内将有可能继续保持稳中有升的趋势.     

基于GMDH组合的中国GDP预测模型研究

文章对中国季度GDP分别建立了ARIMA和ARCH模型,并利用GMDH自组织建模方法提出了新的组合预测模型。模型预测结果及对比表明,基于GMDH组合的GDP预测模型的拟合和预测效果,在经济正常增长或出现较大波动时都具有较高的可靠性与准确性。文章还使用Bon-ferroni-Dunn检验方法进一步验证了组合模型的拟合能力要优于单一模型。     

社交网络结构对消费者行为的影响分析

文章以社交网络结构为视角,构建基于S-O-R模型的社交网络结构对消费者行为影响的理论框架,采用社交网络理论对其传播路径进行理论解释,并运用结构方程模型进行实证研究.研究表明:在社会化电子商务环境下,社交网络结构中的关系强度、网络中心性及网络密度,通过正向影响SNS用户的情感成分与认知成分,进而增强消费者购买意愿.     

高等教育投资需求预测模型构建与统计检验

文章通过选取1995-2011年17年间的相关统计指标数据,在加强变量科学选择和预处理的同时,通过逐步回归和求解最优化模型,建立了多元线性回归模型和最优拟合模型,根据统计检验和误差分析比较,并结合经济意义分析,确定了高等教育投资经费总需求的最优拟合预测模型.结果表明该预测方法和模型具有较高的估计精度,预测结果具有一定的决策参考意义.     

互联网企业广告收入预测研究——基于低频数据的神经网络和时间序列组合模型

神经网络模型对大样本时间序列的拟合效果优于传统时间序列模型,但对于年度、月度、日度等低频时间序列的预测则难以发挥其优势。鉴于此,本文应用传统时间序列模型和神经网络模型,建立Holtwinters-BP组合模型,利用Holtwinters模型分别拟合各解释变量序列,利用BP模型拟合解释变量和自变量的非线性关系,基于某社交新闻类APP的日广告收入数据进行互联网企业广告收入预测研究。通过与循环神经网络(RNN)模型、长短期记忆神经网络(LSTM)模型等预测结果的对比发现:Holtwinters-BP组合模型的预测精度和稳定性更高;证明多维变量对于广告收入的显著影响,多变量模型的预测准确性高于单变量模型;构建的Holtwinters-BP组合模型对于低频数据预测有较好的有效性和适用性。     

基于网络搜索数据的房地产价格预测

本文以北京、上海、天津、重庆等16个大中城市的二手房价格和新房价格为研究对象,以来自我国最大搜索引擎的百度搜索指数为数据基础,使用6种计量模型分别对16个城市的二手房价格和新房价格进行了拟合和预测,得到预测二手房和新房价格变动情况的最优模型.结果显示:网络搜索数据不但能够较好地预测房价指数,而且能够分析经济主体行为的趋势与规律,有一定的时效性.预测的月度房地产价格能够比官方数据发布提前约两周时间.     

灰色马尔可夫模型在房价指数预测中的应用

灰色马尔可夫模型预测兼有灰色预测和马尔可夫链预测的优点,并能对较短的时间序列数据进行建模计算。文章尝试将该模型应用于房价指数的预测分析,并对2003年7月到2005年7月间的中房上海住宅指数和办公楼指数进行了实证分析,结果表明模型的拟合精度较高,在房价指数的预测中有较强的适用性。     

具有非参数趋势的残差自回归模型的预测方法

为了探寻具有非参数趋势的残差自回归模型的较为合适的预测方法,文章考虑了基于多项式样条的两种方法:直接法和两步法,模拟算例表明两步法拟合与预测的均方误差(MSE)和平均绝对误差(MAE)都小于直接法拟合与预测的MSE和MAE,此外,还对人民币/美元的日度汇率数据进行了拟合与预测的实证分析,得到了与模拟算例相类似的结果,这说明两步法优于直接法,两步法是一种较好的预测方法.     

基于ARIMA-GMDH的GDP预测模型

文章先对四川省GDP分别建立了ARIMA时间序列模型和GMDH变量自回归模型来进行预测;然后利用GMDH自组织建模方法建立ARIMA-GMDH组合预测模型来预测;最后使用Bonferroni-Dunn方法对三个模型的稳定性进行分析检验。模型预测结果和稳定性检验结果表明:基于ARIMA-GMDH组合的GDP预测模型的拟合和预测都优于另外两种单预测模型。相比之下组合模型在拟合和预测效果具有较高的可靠性、准确性和稳定性。     

基于灰色-马尔可夫模型的房地产周期研究

文章针对我国房地产周期研究中存在的内在机理复杂、数据信息不足等问题,提出了利用灰色-马尔可夫模型进行房地产周期分析和预测的想法,即利用GM(1,1)模型估计长期趋势成分,利用马尔可夫链预测模型估计周期性波动成分,通过两者的结合完成对房地产周期的拟合和预测.实证表明,该模型能够成为当前我国房地产周期研究的一项有效工具.     

基于初值修正的组合GM(1,1)模型及其应用

灰色GM(1,1)模型的拟合和预测精度依赖于其结构参数.文章从传统GM(1,1)模型的初值选取入手分析其存在的理论缺陷,通过两种初值修正方法建立改进的GM(1,1)模型,摒弃与系统关系不大的老信息,充分利用新信息来建模,从而达到精确预测的目的.在此基础上建立两种初值修正GM(1,1)模型的组合预测模型,提高了模型的拟合和预测精度。     

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.     

运用改进灰色模型预测消费者信心指数

文章应用灰色系统理论对我国消费者信心指数建立了GM(1,1)模型,并通过改进模型中拟合曲线经过更新点来重新预测,结果表明,改进灰色模型有更好的拟合效果,可用于消费者信心指数的预测。     

多层贝叶斯模型在消费者偏好分析中的应用研究——基于手机市场数据

基于手机市场的调研数据,构建了多层贝叶斯模型,并将其与传统哑变量回归模型进行比较,得出前者比后者具有更好的模型拟合能力和预测能力的结论。利用有人口特征变量的多层贝叶斯随机效应模型来完成对所有未知参数的估计,从个体内行为和个体间行为两个层面对消费者的偏好行为进行全面分析,结果发现该模型可以很好解释消费者的总体偏好及其偏好差异性。     

基于HP滤波和GARCH模型的股票价格趋势预测

在股票市场中人们最关心的就是股票价格的变化,对股票价格趋势的预测直接影响到投资者的投资决策,关系到投资者的切身经济利益,因而对预测的准确性要求较高.为了更精确的预测股票价格趋势,提供更为合理的股票投资意见.文章尝试将HP滤波法应用到股票价格趋势的预测中,通过HP滤波法将股票价格分解为不同的数据,然后通过高阶自回归和GARCH模型分别对分解出来的数据进行拟合和预测.并通过对上证指数的预测后,发现该模型具有较好的预报效果,可为金融产品的趋势研究提供帮助.     

我国男女两性老龄人口死亡率联合建模与预测

老龄人口死亡率建模和预测是长寿风险度量和养老金风险管理的基础。在我国,退休年龄及以上老龄人口死亡数据稀少,随机波动大,构建能够捕捉老龄人口死亡率随性别、年龄和时间变动的动态预测模型成为难题。本文采用Logistic两人口死亡率模型研究我国老龄人口死亡率的建模与预测。首先,运用死亡率数据质量较好的我国台湾地区数据,对模型结构进行选择,并检验模型的稳健性和预测性能。其次,基于我国大陆地区死亡率数据对模型结构进行二次验证和选择,应用所选模型对大 陆地区老龄死亡率进行建模和预测。结果显示,对于我国男女老龄死亡率的拟合和预测,Logistic 两人口模型均优于单人口CBD模型。最后,运用Logistic两人口死亡率模型对死亡率在年龄和时间两个维度上外推和预测,计算出时期和队列老龄人口分年龄的预期余寿,为养老金精算评估和长寿风险分析提供更准确的数据支持。     

适用于大数据集的广义可加模型

通常情况下,对用电量进行预测的问题可以采用广义可加模型(GAM),但当数据集很大时,在计算机上实现起来就非常困难,甚至是不可行的.因此,本文给出了大数据集下实用的广义可加模型拟合方法,模型中的平滑项用惩罚回归样条函数来表示.只需保证在任何时候模型矩阵的子矩阵可以在计算机上实现,该方法就可以通过迭代更新的方式得到模型矩阵的因子.本文研究证明,该方法可以有效地对平滑参数进行估计.当有新数据加入时,用电量预测模型需要不断地拟合更新,并且需要对新的用电量数据序列的自相关性进行处理.本文给出了处理这些问题的方法,以及在计算机上的实现过程.该方法可以实现使用一般的中型计算机来处理大数据集的广义可加模型的估计问题.最后,对法国用电量预测的实证研究表明,降秩样条平滑方法也能够很好地处理复杂的模型问题.     

基于GM(1,1)—逐步回归模型的用水量预测

为了对城市的用水量有个更精确的预测,文章将逐步回归模型与灰色预测模型相结合,提出了一种基于灰色预测——逐步回归的总用水量预测模型.该模型以逐步回归方法为基础,利用灰色相关性分析方法对观测数据进行处理,进而对预测模型的因变量进行筛选,并将灰色理论引入到回归模型分析中,对预测模型进行改进.通过实例分析可知:所提出的耦合模型与单一预测模型相比,在一定程度上改善了预测效果,达到了简化模型、提高拟合精度和增强模型预测能力的目的.     

基于改进背景值算法的优化GM(1,1)模型及其应用

研究表明,GM(1,1)模型的背景值构造方法是影响其建模精度的一个重要因数。文章研究了已有的相关文献中关于背景值的构造方法,进而提出了一种新的背景值构造方法,其具有更好的适应性。同时,为了进一步提高灰色GM(1,1)模型的模拟及预测精度,利用拟合值和原始值平方和误差最小对预测模型的初始值进行了优化。文章改进的优化GM(1,1)模型既适用于对低增长指数的数据也适用于对高增长指数的数据进行GM(1,1)预测实例建模结果展示了其具有更高的精度和适应性。