稳健学生t回归模型的非迭代贝叶斯抽样算法

与正态回归相比,学生t回归模型是一种对异常值较稳健的回归模型,通常用Gibbs抽样算法估计参数.而Gibbs抽样是一种迭代算法,所得样本不是独立样本,统计推断之前需判断其收敛性.文章探讨了一种基于逆贝叶斯公式的非迭代抽样算法,该算法利用t分布的正态混合表示,结合EM算法和重要再抽样算法,得到参数的独立同分布的后验样本,该样本可直接用于统计推断,从而避免了Gibbs抽样中的问题.     

稳健学生t回归模型变点估计的Gibbs抽样算法

文章讨论了用学生t线性回归模型估计回归系数变点位置的稳健Gibbs抽样算法.利用学生t分布的正态尺度混合表示,得到各参数的满条件后验分布,通过对满条件分布抽取样本,得到变点位置及其他参数的贝叶斯估计.模拟显示该算法能有效地估计变点位置,并且当数据呈现重尾现象时,该模型较正态变点模型要稳健.     

基于Gibbs抽样正态混合模型的参数估计

文章运用Gibbs抽样方法,推导了正态混合模型参数估计的迭代公式,并且进行了计算机模拟,得到了较好的效果.     

稀有事件变点问题的Bayes分析

文章针对稀有事件中的变点问题,根据Bayes法建立了判断变点是否存在、计算变点位置的合理模型,并利用基于Gibbs抽样的MCMC模拟抽样,估计出变点和分布参数之值。然后引用美国煤矿灾难和我国关中地区干旱灾害的实际数据,对文中提出的模型进行验证,得出了有关结论。     

含均值结构变点时间序列的贝叶斯单位根检验

针对ADF和PP检验对含有均值结构变点时间序列的“伪检验”问题,文章基于贝叶斯理论,先运用贝叶斯因子模型选择的方法检测时序结构变点位置,再在结构变点已知的情况下运用置信区间和贝叶斯因子两种方法检验序列是否存在单位根,并用Monte Carlo模拟方法进行仿真,验证该方法的有效性。研究发现：是否考虑均值结构变点对时间序列的单位根检验有着重要的影响,不考虑结构突变而进行常规的单位根检验会产生误判;贝叶斯方法能够有效检测含有均值结构变点时间序列的变点位置,并能提高单位根检验功效。     

Gibbs抽样在正态混合模型中的参数估计

文章针对正态混合模型,推导出了Gibbs抽样在正态混合模型中的迭代公式,并通过Matlab编程进行了实例分析.     

均值和方差双重变点的贝叶斯侦测

 本文应用贝叶斯方法研究了股价时序的均值和方差双重变点问题。基于后验概率比,我们提出一个类似ICSS算法的快速侦测算法。通过对上证指数时序的实证分析,我们总共发现5处方差突变。其中,3处是均值和方差双重变点,它们都对应中国股市的重大结构变化。     

基于Gibbs抽样的贝叶斯超高频金融数据协整关系研究

针对传统协整检验不能适用于具有随机性特征的超高频金融数据的问题,构建贝叶斯超高频金融数据协整模型,结合参数的后验条件分布设计Gibbs抽样方案,提出基于超高频金融数据的贝叶斯协整检验方法,并利用中国股市超高频金融数据进行实证分析。研究结果表明：贝叶斯方法把参数看作随机变量的思想适合超高频数据随机性的特点,贝叶斯超高频数据协整方法能够不断更新参数信息,避免了OLS估计的有偏性问题,可以得到更符合实际的结论。     

两种时间序列孤立点挖掘方法的比较

一、引言在传统的观念中 ,孤立点常常被认为是噪声数据或无用数据 ,常用的方法是排除这些干扰数据。然而 ,一个对象的噪声可能是另一个对象的信号 ,这可能导致重要的隐藏信息丢失。因此 ,识别这些孤立点 ,挖掘隐藏信息也是我们的一个重要的任务。从实际来看 ,它能用于欺诈监测 ,例如探测不寻常的信用卡使用或电信服务。此外 ,在市场分析中用于确定极低或极高收入的客户消费行为 ,或在医疗分析中用于发现多种治疗方式的不寻常的反应。这样 ,孤立点地探测和分析是一个有趣的数据挖掘任务 ,被称为孤立点挖掘 (OutlierMining)。目前该领域已取…     

基于两正态均值的灰色统计假设检验研究

两个正态总体均值差的区间估计和假设检验研究是数理统计学的基本内容,但经典统计学的两个正态总体均值区间估计和假设检验理论,是建立在确定的随机数据上的区间估计和假设检验.而现实社会生活中很多数据具有模糊灰色等不确定性,面对这类不确定性数据,如何较为合理地进行科学分析和判断.在灰色系统理论的基础上,文章建立了在随机样本信息下,两个正态均值的灰色区间估计和灰色假设检验方法,从而把随机信息的两正态均值假设检验理论拓展到灰色数据信息中,并把这一灰色检验方法应用于医学统计实例分析.     

基于Bayes后验概率的自变量与异常点的同时识别

本文基于自变量与异常点识别隐变量的联合Bayes后验概率,给出了自变量与异常点同时识别的一般方法,且利用Gibbs抽样降低了Bayes后验概率的计算复杂度。其次,针对多值序次数据模型自变量与异常点的同时识别展开详细讨论,给出了同时识别的具体过程。最后通过模拟算例展示了本文方法的有效性。     

不等概分类整群抽样下的均值估计及其性质

一、问题的基本提法设总体πN 分为K组 ,即πN =πN1 ∪πN2 ∪…∪πNK ,第i组πNi(i=1,2 ,… ,K)称为第I群 ,以Ni 表示第I群的容量 ,N表示总体的容量。在πN 中每个总体单位对应一数量指标 ,依次为Y1 ,Y2 ,… ,YN,其中N是已知的正整数。在πN 中 ,随机地将群按先后顺序排列 ,群中的个体任意先后排列 ,并加以编号 (不编也可 )。抽样分为两步 :先随机从总体中抽取容量为n的子样 ,再观察子样中个体的来源 ,若抽到的个体属于Ni 群 ,则Ni 群被抽中 ,然后对Ni 群中的个体逐个观察。设每个个体的某一数量指标分别为yi1 ,yi2 ,… ,yiNi…     

基于Gibbs抽样算法的面板数据分位回归方法

 文章讨论了含有随机效应的面板数据模型,利用非对称Laplace分布与分位回归之间的关系,文章建立了一种贝叶斯分层分位回归模型。通过对非对称Laplace分布的分解,文章给出了Gibbs抽样算法下模型参数的点估计及区间估计,模拟结果显示,在处理含随机效应的面板数据模型中,特别是在误差非正态的情况下,本文的方法优于传统的均值模型方法。文章最后利用新方法对我国各地区经济与就业面板数据进行了实证研究,得到了有利于宏观调控的有用信息。     

基于加速遗传的交通流变点分析方法

交通流变点是交通流演化规律研究的一个重要内容.以往用于交通流变点搜索的最小方差、局部比较等算法虽然有很多优点,但是也存在数据误差满足正态分布假设、识别全部变点困难、部分和的项数较难确定等问题.鉴于此,文章结合均值变点模型,运用加速遗传算法对交通流变点问题进行分析研究,利用英国南安普敦市的实际数据对上述算法进行标定,并给出模型的应用实例.仿真及分析结果表明,将加速遗传算法用于交通流多变点诊断是简便、可行和有效的.     

线性模型中变点检测的算法分析

文章介绍了线性模型中对于回归变点检测的已有方法,包括在正态分布的假设下采用一个经验似然型的Wald计量和基于经验似然比检验统计量检测方法。还利用对经验似然法的改进给出了一个新的变点检测方法,其中包含了两个不同检验统计量,并给出了具体算法步骤,最后通过模拟比较这几种方法的检验效果,结果显示：新的变点检测方法在很大程度上提高了变点检测问题的功效和命中率。     

变点估计的相合性及其应用

文章主要研究了均值变点估计问题,给出了变点的累积和型估计,证明了变点估计的相合性。利用EViews软件,分别对总体上证指数数据和变点之后的数据建立状态空间模型,通过比较预测结果的绝对百分比误差(APE),得出基于变结构的分段数据所建立的模型预测效果较好的结论。     

正态总体均值与标准差比在序约束下的假设检验

要想找出正态总体均值与标准差比在序约束下的假设检验的检验统计量是一个比较困难的问题,即使找到了,也比较复杂。文章通过求出正态总体均值与标准差比在序约束下的置信区间,根据置信区间与假设检验的关系,得出了检验的拒绝域与接受域,避免了通过找到检验统计量来确定拒绝域与接受域的困难。     

非平衡数据集的改进SMOTE再抽样算法

非平衡数据集的不均衡学习特点通常表现为负类的分类效果不理想。改进SMOTE再抽样算法,将过抽样和欠抽样方式有机结合,有针对性地选择近邻并采用不同策略合成样本。实验表明,分类器在经此算法处理后的非平衡数据集的正负两类上,均可获得较理想的分类效果。     

变点统计分析的研究进展

In this paper, we review the progresses of change-point problems. In particular, we discuss the research results about change-point problems in China.     

异方差且未知情况下两正态总体等均值检验的贝叶斯观点统计量

在两正态总体方差不等且未知的前提下,检验它们的均值是否相等,用经典方法处理此问题是困难的.而在贝叶斯学派观点看来此检验与等方差情况下的等均值检验并无本质差异.文章使用贝叶斯学派方法导出此假设检验的统计量.