基于Bootstrap方法的回归分析的比较

文章系统研究了基于Bootstrap方法的回归分析,给出了Bootstrap残差法与成对Bootstrap法的适用范围及区别,比较研究了参数区间估计的分位点法与加速偏差修正分位点方法(Be),BCa可使Bootstrap统计量近似枢轴化,保证Bootstrap效果,并且利用实例验证了理论分析,模拟结果显示,成对Bootstrap法比Bootstrap残差法稳定,置信区间短.     

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.     

枢轴量为单峰分布的最短区间估计

文章根据构造的枢轴量的不同分两种情况证明了单峰分布的最短置信区间是存在且唯一的，同时给出了求参数最短置信区间需满足的条件；并且对最短区间与传统区问进行了比较，最后给出了一个应用实例，表明对于中小样本，研究未知参数的最短区间估计是很有必要的。     

Archimedean Copula函数中参数的Bootstrap估计

文章给出Archimedean Copula函数中参数的Bootstrap估计.Bootstrap估计能对所有的Archimedean Copula函数中的参数进行估计,通过计算机模拟,把Bootstrap估计方法与和的非参数法进行了比较,说明Bootstrap估计的优越性.最后对上证基金和上证B股进行了实证分析,体现了Bootstrap估计的实用性.     

Bootstrap方法的历史发展和前沿研究

从1979年Efron提出Bootstrap方法至今,该方法在近30年间已经得到了极大的发展和扩充,并被广泛地应用于统计学的各个领域.Bootstrap理论的基本思想、历史发展及其若干比较前沿的研究方向包括:独立同分布数据、基于模型、带有块结构、Sieve、基于变换、Markov过程、长期相依和空间数据的Bootstrap理论,其中对独立同分布数据的Bootstrap应用最为基础,其余七种方向都可以视为附加了各种特殊条件的Bootstrap应用.由于Bootstrap的应用通常需要一定的统计程序编写,在介绍各种研究方向的同时,也相应简要介绍一些算法实现,其软件工具采用当今国际统计研究的主流语言--R语言.     

浅谈对称性方法的应用

数学中的对称性主要指在某种变换下保持不变的性质，亦指数学概念、公式、命题结构的形式具有对称性。数学上的许多问题可以利用对称性来解决。数学对称法是一种探索性的发现方法，它与其它方法的不同之处主要体现在其创造性功能。因此掌握和运用对称法，对于活跃开拓学生...     

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.     

线性无量纲化方法比较研究

根据线性无量纲化方法函数构成所使用的中心点值和值域指标以及其斜率和截距的表达式,对8种线性无量纲化方法进行分析,从不同的角度再次论证不同线性无量纲化方法所满足的性质定理,并进行了理论论证。同时,通过对线性无量纲化方法的分类比较,结合相关性质定理提出了多种线性无量纲化方法,并说明了其相关性质,具有一定的科学性。同时还分析了在对多指标数据进行综合评价的过程中只采用一种线性无量纲化方法的不足,提出了采用多种无量纲化方法的设想的理论可行性,并用案例进行了实证分析,表明其存在一定的合理性。     

线性无量纲化方法的性质分析

内容提要：在对多种线性无量纲化方法特点分析的基础上,给出了“理想无量纲化方法”应该满足的一些性质,并证明了“理想无量纲化方法不存在”的结论。提出了“构建逼近理想性质的复合无量纲化方法”的思路,并构造了一种优良的复合无量纲化方法——“极标复合法”。提出了指标无量纲化过程的稳定性问题,着重分析造成结果不稳定的“指标数据分布”方面的原因,并给出了一种针对线性无量纲化方法的改进型。     

单位根过程联合检验的Bootstrap研究

 本文以Ferretti和Romo的Bootstrap方法为基础进行拓展完成三种联合检验,并从理论证明了Bootstrap方法的有效性;使用蒙特卡洛模拟技术比较了Bootstrap检验与临界值检验的效果。模拟表明,在误判率上,Bootstrap方法下三个检验量的误判率分别为2.22%、3.70%、0.00%,而临界值的误判率分别高达22.22%、11.11%、15.56%;在精确程度上,Bootstrap方法的精度分别是临界值方法的11.25倍、26倍和6.5倍。模拟表明了本文构造的Bootstrap检验方法可以替代临界值方法,特别在小样本下,Bootstrap方法的优势表现更为明显。     

总体均数可信区间估计Bootstrap样本含量的设置

文章探讨了Bootstrap样本含量n*时Bootstrap法总体均数可信区间估计效果的影响.首先模拟从正态分布总体中随机抽样:然后用Bootstrap法进行总体均数可信区间估计,重复1000次,得到1000个可信区间.统计1000个可信区间包含总体均数的准确率.结果表明.Bootstrap样本含量n*对总体均数可信区间估计的准确率影响很大,Bootstrap样本含量n*越小,准确率越高;Bootstrap样本含量n*越大,准确率越低;Bootstrap样本含量n$不能任意设置,当Bootatrap样本含量n*=n-3时,效果最好.     

不同先验下分位数回归的贝叶斯估计:实现与比较

分位数回归是现代计量经济学研究的前沿之一,与频率学派方法相比采用贝叶斯分析方法对其进行估计具有一定的优势。基于泊松分布实现了在R中调用STAN对分位数回归进行贝叶斯估计,将尺度参数进行参数化,并比较参数化与否对模型估计系数统计性质的影响;在此基础上通过模拟实验研究参数先验分布的设定对参数估计量统计性质的影响,结果表明:参数化后得到的估计量统计性质更好;适当的先验分布可以提高Hamiltonian Monte Carlo抽样估计量的统计性质。     

动态修正贝叶斯估计的Bootstrap调整

在现场子样相对较小的条件下,研究具有多阶段试验信息时弹点散布方差的参数估计问题,将Bayes法和Bootstrap法结合起来,给出动态Bayes估计的Bootstrap调整方案,并通过仿真模拟算例验证方法的有效性.     

线性回归模型Bootstrap LM-Lag检验有效性研究

基于OLS估计残差,将Bootstrap方法用于空间滞后相关LM-Lag检验。在不同的误差结构和空间权重矩阵条件下,比较Bootstrap LM-Lag检验和渐近检验的水平扭曲和功效。通过Monte Carlo实验表明,当误差项不服从经典正态分布假设时,LM-Lag渐近检验存在严重的水平扭曲,Bootstrap检验能够有效地校正水平扭曲,并且Bootstrap LM-Lag检验的功效与渐近检验近似;无论误差项是否服从正态分布,从水平扭曲和功效角度看,线性回归模型Bootstrap LM-Lag检验有效。     

均值已知正态总体方差的区间估计

未知参数的区间估计是一种非常重要的统计推断形式.文章从单个正态总体入手,用枢轴量法在均值已知条件下提出总体方差的一种置信区间,并将该置信区间与常用的总体方差的置信区间进行比较,从而说明常用的总体方差的置信区间的合理性.     

基于贝叶斯的Bootstrap置信区间

在许多领域中,Bootstrap成为一种数据处理的有效方法。很多情况下,模型中感兴趣的参数的置信区间难以构建,为了解决这一问题,文章提出了一个新的贝叶斯Bootstrap置信区间的估计量,并做了蒙特卡洛模拟比较,结果比经典区间估计方法和经典Bootstrap方法更优,并进行了实例分析。     

Bootstrap平均数假设检验样本容量探讨

Bootstrap方法是一种有放回的再抽样方法,可用于平均数假设检验的估计.采用蒙特卡洛数据模拟技术,模拟正态分布数据.设计研究程序,探讨在不同的样本量和再抽样次数不同情况下,Bootstrap方法在平均数假设检验中应用,所适宜的样本容量,将一类错误率作为对比条件.结果表明,跨越三种比较条件,只有当样本量大于等于5且模拟次数大于等于1000次时,才能得到满足条件的一类错误率,即表明使用Bootstrap方法才会取得较好的效果.     

不完全数据场合下双参数指数分布参数的区间估计

文章讨论了双参数指数分布参数基于不完全数据情况下的置信区间的构造问题.针对门限参数和尺度参数,分别给出了用于构造置信区间的枢轴量,讨论了门限参数的枢轴量以及尺度参数的枢轴量的精确分布,得到了相应的置信区间.针对尺度参数置信区间构造的枢轴量可以抵抗样本中异常数据的干扰,具有一定程度的稳健性.     

函数性广义线性模型曲线选择的正则化方法

本文对函数性广义线性模型曲线选择的正则化方法进行了较全面地综述,并比较了各种方法的性质。结果发现,函数性广义线性模型曲线选择问题具有群组效应,另外可能具有高维数据性质。同时通过数据模拟发现,Group Bridge、Group MCP、Elastic Net和Mnet表现出较好的数值结果。     

图解Bootstrap方法用于空间相关性Moran检验的有效性

因为区域间经济收敛、外商直接投资和知识溢出等领域的空间经济计量研究依赖于空间关系的存在,所以进行空间相关性Moran’s I检验是关键。然而,已有空间相关性Moran’s I检验理论受到众多假设条件限制。利用＂名义水平—实际水平＂图和＂名义水平—功效＂图,解析非对称Wild Bootstrap方法用于空间相关性Moran’s I检验的有限样本性质,发现即使模型不满足经典的分布假设条件,与渐近检验相比,Bootstrap方法也能够有效地检验研究对象间的空间相关性。