CGE模型中CES生产函数的贝叶斯估计

文章讨论了如何把贝叶斯统计方法应用到单个方程非线性计量经济学模型中。首先对贝叶斯统计方法进行了分析；然后以CES生产函数模型为例分析了单个方程非线性模型的贝叶斯估计问题；最后分析了常替代弹性（CES）产函数模型在不同的先验分布下的贝叶斯估计。     

带线性约束的多元线性回归模型参数估计

本文首先构造线性约束条件下的多元线性回归模型的样本似然函数,利用Lagrange法证明其合理性。其次,从似然函数的角度讨论线性约束条件对模型参数的影响,对由传统理论得出的参数估计作出贝叶斯与经验贝叶斯的改进。做贝叶斯改进时,将矩阵正态-Wishart分布作为模型参数和精度阵的联合共轭先验分布,结合构造的似然函数得出参数的后验分布,计算出参数的贝叶斯估计;做经验贝叶斯改进时,将样本分组,从方差的角度讨论由子样得出的参数估计对总样本的参数估计的影响,计算出经验贝叶斯估计。最后,利用Matlab软件生成的随机矩阵做模拟。结果表明,这两种改进后的参数估计均较由传统理论得出的参数估计更精确,拟合结果的误差比更小,可信度更高,在大数据的情况下,这种计算方法的速度更快。     

基于软件Eviews和WinBUGS计量模型的比较

在计量经济学设计模型、收集资料、估计模型、检验模型、应用模型(结构分析、经济预测、政策评价)过程中,Eviews软件是必不可少的工具,而WinBUGS软件是贝叶斯计量经济学计算的常用软件.文章以时间序列AR(1)模型为例,运用Gibbs抽样的MCMC方法,介绍了贝叶斯统计方法在计量经济学模型中的应用,分析了在实证中贝叶斯估计与经典计量估计的区别和联系,并指出贝叶斯方法在计量经济学及其他学科广阔的应用前景.     

寿命产品可靠度的贝叶斯估计

在与信息论中的熵函数有关的一种新的加权对称熵损失函数下,用参数估计方法研究了寿命服从几何分布的产品可靠度的估计问题。得到了可靠度的贝叶斯估计的一般形式与精确形式并讨论了贝叶斯估计的可容许性。最后研究了可靠度的多层贝叶斯估计,数值算例表明研究结果能为实际生产提供稳健性较高的估计形式。     

基于MCMC方法的贝叶斯AR(p)模型分析

本文提出运用Gibbs抽样的MCMC方法,解决时间序列AR(p)模型贝叶斯分析过程中所遇到的复杂的数值计算问题,借数据仿真分析来说明运用WinBUGS软件建模的分析过程,得出以MCMC为基础的WinBUGS软件简便了贝叶斯AR(p)模型的实际应用的结论.     

产品无失效概率的贝叶斯估计

对给定的一组泊松样本,在与信息论中的熵函数有关的一种对称损失函数下,用参数估计方法研究了产品无失效概率的贝叶斯估计与区间估计。在给定先验分布下得到了这两种估计的精确形式,并讨论了贝叶斯估计的可容许性,模拟结果表明文章得到的这两种估计都具有较高的精度。     

泊松分布变异系数的贝叶斯估计

文章在熵损失函数下,针对一组泊松样本,用参数估计方法研究了泊松分布变异系数的贝叶斯估计问题,得到了变异系数的贝叶斯估计的一般形式与精确形式,并讨论了它的可容许性。最后在给定置信水平1-α下研究了变异系数的贝叶斯置信区间。模拟结果表明这两种估计都具有较高的精度。     

企业年金替代率测算中的MCMC随机模拟及实证

文章引入SV-T随机波动模型,借助马尔科夫链蒙特节罗(MCMC)技术给出模型参数的贝叶斯估计,同时利用WinBUGS软件得到参数的估计值,以年金基金投资于股票和国债两类风险资产为例进行实证分析,在测算出标准化投资收益率的基础上,利用不动点迭代原理计算出非标准化收益率的预测值,验证了模拟的准确性,为年金替代率相关统计量的计算打下良好基础.     

基于MCMC和贝叶斯的AR（1）-MA（0）双重模型的参数估计

为了解决AR（1）-MA（0）双重模型的参数估计问题,文章引入一种新的方法即基于MCMC和贝叶斯估计方法,对该模型的参数进行了估计,系统地推导出了模型中各参数的估计值;通过数值模拟,说明用该方法估计此类模型的参数是可行的,且与传统方法相比更易于实现。     

Gibbs抽样在不同缺失率下的参数估计

文章针对林学研究中缺失数据下的线性模型,依据贝叶斯原理,推导出了基于MCMC方法参数估计的迭代公式。并以8个杉木固定样地观测资料的真实数据建立模型,通过s-plus软件编程,进行计算机模拟和有关的数据分析,得到了不同缺失率下参数的估计结果。     

金融时序的波动率模型比较研究

一、引言 关于波动性的研究是金融领域里的一个非常重要的内容,在本文中波动性指的是就是条件异方差.本文借助于软件WinBUGS(BUGS(Bayesian inferenceUsing Gibbs sampling)这是一个专门用来实施贝叶斯方法的免费软件,可在以下站点下载到:www.mrc-bsu.cam.ac.uk/bugs/winbugs)利用MCMC(Markov Chain Monte Carlo)方法来估计单变量的SVN模型的参数,因为通过MCMC方法能取得模型的精确的似然函数,因此这一方法估计SV模型当前被认为是最好的,所获得的参数估计也是最精确的,所以我们可以得到SV模型和GARCH模型更为客观准确的比较.另外利用MCMC方法,在获得波动率的估计值和预测值方面,都变得极为便当.     

熵损失函数下Burr(α)X分布参数的贝叶斯估计

文章研究了Burr(α)X分布参数的各类贝叶斯估计问题.在熵损失函数下分别获得了参数的贝叶斯估计、经验贝叶斯估计、多层贝叶斯估计和E-Bayes估计.证明了参数经验贝叶斯估计的渐近最优性,讨论了参数多层贝叶斯估计和E-Bayes估计的稳健性,通过蒙特卡洛方法对各类估计的MSE进行了数值模拟和比较分析,结果表明:经验贝叶斯估计的均方误差最小,精度较高.     

复合LINEX对称损失下Pareto分布形状参数的E-Bayes估计及应用

在统计决策问题中,统计决策及参数估计的优劣性在很大程度上依赖于损失函数形式的选取.文章主要在在复合UNEX对称损失函数下,研究了Pareto分布在其尺度参数σ已知的情况下利用共轭先验分布求出其形状参数θ的E-Baves估计:并举出具体的数值例子说明其应用性.通过数值分析对其形状参数的Baves估计和E-Baye8估计进行比较,说明后者比前者较优.     

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。     

单指标纵向数据模型的估计

纵向数据是一类重要的相关性数据,广泛出现在诸多科研领域。单指标模型是多元非参数回归中重要的降维方法,在纵向数据下研究单指标模型是统计研究的热点问题。针对纵向数据单指标模型,提出惩罚改进二次推断函数方法来讨论模型的参数和非参数估计问题。该方法利用多项式样条回归方法逼近模型中的未知联系函数,将联系函数的估计转化为回归样条系数的估计,然后构造关于样条回归系数和单指标系数的惩罚改进二次推断函数,最小化惩罚改进二次推断函数便可得到模型的估计。理论结果显示,估计结果具有相合性和渐近正态性,最后得到了较好的数值模拟结果和实例数据分析结果,结果显示该方法适用于半参数纵向模型的参数和非参数估计问题。     

小样本下贝叶斯参数估计法对操作风险的度量

操作风险损失事件的数据一般较为匮乏,这会影响到模型参数估计的准确性,进而导致经济资本配置的偏差和风险控制能力的降低。在损失分布法的框架下,运用基于MCMC模拟的贝叶斯方法,借助WinBUGS软件包通过Gibbs抽样构造出负二项分布和帕累托分布的稳态马尔可夫链,以分别动态模拟操作风险损失频率和强度的后验分布,计算出操作风险所要求的经济资本。对比极大似然估计法,实证结果表明,在小样本条件下此方法可以取得较好的结果。     

参数估计精确度的计算机模拟

参数估计精度的度量对于参数估计的理解是十分重要的。本文介绍了根据Bootstrap理论,运用Excel统计软件对参数估计的精度进行模拟的方法和步骤,使学生对参数估计有更直观的理解。     

平滑转移空间随机前沿模型的贝叶斯估计

经济数据常存在空间相关性,忽略空间相关性会引发内生性问题,导致相应估计量有偏且不一致。空间随机前沿模型在随机前沿模型的基础上考虑了生产单元的空间相关性,更利于效率测算。然而现有空间随机前沿模型的生产函数形式单一,适用性较差,实证分析存在局限性。文章在空间随机前沿模型中引入平滑转移效应,构建了平滑转移空间随机前沿模型,该模型同时考虑了空间相关性和个体异质性,适用性较佳。为丰富估计方法,同时采用极大似然方法和贝叶斯方法估计模型,其中极大似然估计的核心在于推导对数似然函数、对数似然函数的最优化以及使用JLMS法估计技术效率,贝叶斯估计的核心在于推导未知参数的后验分布及执行MCMC抽样。数值模拟结果显示：（1）极大似然估计和贝叶斯估计的估计精度均较高,其中贝叶斯估计的估计精度略高于极大似然估计;增加样本容量,贝叶斯估计和极大似然估计的估计精度更高。（2）若忽略空间效应或者平滑转移效应,则估计精度较低。     

基于MCMC模拟的贝叶斯 AR-GJR-GARCH 模型及其应用

AR-GJR-GARCH模型是一种误差项为GJR-GARCH形式的自回归模型,该模型的贝叶斯推断很难得到其具体形式的条件后验密度。文章利用Metropolis-Hastings抽样方法对模型参数的条件后验分布进行MCMC模拟,然后运用模拟得到的样本对模型的参数进行贝叶斯估计。该方法解决了参数估计过程中的高维数值积分问题。模拟结果表明了该模型在中国股市波动性分析过程中的直观性和有效性。     

基于MCMC随机模拟的企业年金投资收益率的测算

投资收益率是决定企业年金给付水平的主要因素之一,对年金受益水平以及年金替代率水平的研究,都依赖于投资收益率的合理测算和分析。鉴于收益率表现出的金融时间序列特征,应该按照随机波动理论对其进行研究。文章引入SV-T模型对企业年金的投资收益率进行随机模拟,并借助马尔科夫链蒙特卡罗(MCMC)技术给出模型参数的贝叶斯估计,同时利用WinBUGS软件得到参数的估计值。最后,以年金基金投资于股票和国债两类风险资产为例进行实证分析,进一步证明了模型的有效性,改变了以往收益率仅用单一数值或忽略收益率时间序列特点的常规做法,为年金替代率相关统计量的计算打下良好基础。