结合降维思想的BinomialBoosting方法

文章利用充分降维的思想,对分类问题的BinomialBoosting(BBoosting)算法进行了改进,提出了一种新的方法--Dimension Reduction BinomialBoosting(DRBBoosting).这种算法在每次迭代中,结合充分降维方法,充分提取X与Y之间的信息,得到X的线性组合βTX,用βTX进行boosting迭代,避免了BBoosting对所有变量逐个分析.与BBoosting相比,收敛速度快,预测精度高;模拟比较也表明了DRBBoosting的优点.     

常用统计软件关于岭回归计算原理的比较分析

一、引言 对于多元线性回归模型Y=Xβ+ε,其中Y为因变量的观测向量,维度为n×1,X是自变量的观测矩阵,其维度为n×(p+1),β是p+1维的系数向量,ε是n维随机向量且εi～ N(0,σ28).根据Gauss-Markov定理,参数β的最小二乘估计量β=(X'X)-1X'Y是最优线性无偏估计(BLUE).当自变量之间存在高度的共线性,则最小二乘估计的结果尽管在理论上有较好的性质,但在实际应用中,参数估计值可能会极不稳定,易导致参数估计值缺乏合理含义. 针对多重共线性对模型估计所带来的这些影响,Hoerl (1962)和Hoerl & Kennard(1970)分别提出和发展了一种改进普通最小二乘估计的方法,也就是现在大家所熟知的岭回归(Ridge Regression).     

基于切片逆回归的稳键降维方法

经典的充分降维方法对解释变量存在异常值或者当其是厚尾分布时效果较差,为此,经过对充分降维理论中加权与累积切片的分析研究,本文提出了一种将两者有机结合的稳健降维方法：累积加权切片逆回归法（CWSIR）。该方法对自变量存在异常值以及小样本情况下表现比较稳健,并且有效避免了对切片数目的选择。数值模拟结果显示CWSIR要优于传统的切片逆回归（SIR）、累积切片估计（CUME）、基于等高线的切片逆回归估计（CPSIR）、加权典则相关估计（WCANCOR）、切片逆中位数估计（SIME）、加权逆回归估计（WIRE）等方法。最后,我们通过对某视频网站真实数据的分析也验证了CWSIR的有效性。     

基于分片逆回归的小样本组合预测建模方法

针对在基于回归的小样本组合预测中,容易出现预测模型多于用于组合预测的样本数量,导致回归系数无法估计的问题,文章从信息重组的角度对组合预测建模方法进行了研究.首先采用三次样本插值对原始样本容量进行扩充,然后采用采用分片逆回归方法对扩充后的样本进行降维处理,并在此基础上构建基于回归的小样本组合预测模型.最后实例通过与常用组合预测方法结果的比较说明了该方法的可行性和有效性.     

半参数纵向模型的惩罚二次推断函数估计

针对纵向数据半参数模型E(y|x,t)=XTβ+f(t),采用惩罚二次推断函数方法同时估计模型中的回归参数β和未知光滑函数f(t)。首先利用截断幂函数基对未知光滑函数进行基函数展开近似,然后利用惩罚样条的思想构造关于回归参数和基函数系数的惩罚二次推断函数,最小化惩罚二次推断函数便可得到回归参数和基函数系数的惩罚二次推断函数估计。理论结果显示,估计结果具有相合性和渐近正态性,通过数值方法也得到了较好的模拟结果。     

基于SIR的非参数加法模型及其应用

非参数加法模型的估计困难限制了其应用范围。对此,本文提出首先采用分片逆回归(SIR)方法提取高维数据中的有效成分,进而根据回退拟合算法对模型进行迭代估计。在实证中,将这一模型应用于我国外贸货物吞吐量的预测建模中,取得了较好效果。     

高维参数多项Logistic模型的估计方法

高维参数多项Logistic模型的参数估计,用极大似然法估计很困难.文章给出一种新的估计方法:基于逆回归,给出参数单位向量的估计,从而高维参数得到降维;用极大似然法估计参数向量的模,最后得到参数的估计.且是相合估计.     

线性回归方法的改进

线性回归是常用的数学方法,通常采用在可控制变量X取值下,试验一次,得到应变随机量Y的一个值,试验n次,得到n个数对(X1,Y1)、(X2,Y2)、…、(Xn,Yn),而后作线性回归分析.在此,本文采用在可控制变量X的取值下,重复k次试验,得到应变随机量Y的k个值,用其均值Y与X组成数对,试验n组,得到n个数对(X12,Y1)、(X2,Y2)、…、(Xn,Yn),建立改进的线性回归模型,提高了回归参数的估计精度,并把总离差平方和分离为随机离差、剩余离差和回归离差,从而给出不同要求的检验方法.     

线性回归方法的探讨

线性回归是常用的数学方法,通常采用在可控制变量X的取值下,试验得到应变随机量Y的一个值,试验n次,得到n个数对(X1,Y1)、(X2,Y2)、…(Xn,Yn),而后作线性回归分析.在此,本文采用在可控制变量X的取值Xi(i=1,2,…,n)下,重复ki次试验,得到应变随机量Y的ki个值,试验n组,得到n个数组(X1;Yll…,Y1k1)、(X2;Y21,…,Y2k2)、…、(Xn;Yn1,…,YnKN),建立改进的线性回归模型,对参数作出估计,并将总离差平方和分离为随机离差、剩余离差和回归离差,从而给出不同要求的检验方法.     

综合要素生产率测定的新方法

一、引言常用的Cobb-Douglas生产函数模型形式为:Y=AXβ11Xβ22…Xβnn(1)其中,Xi(i=1,2,…,n)为第i个要素投入量,Y为产出量,βi(i=1,2,…,n)为要素Xi的产出弹性,A为效率系数。在不变规模报酬下,生产函数具有     

一类多元响应降维子空间的估计及其应用

在高维空间中进行统计建模通常会碰到"维数祸根"问题,解决办法之一是降维,充分降维是一种有效的降维方法。针对多维响应降维子空间提出一类矩生成函数估计方法及其改进估计量,并给出该类方法估计量的大样本性质:相合性、渐近正态性。通过随机模拟与实例分析,表明改进估计量估计效果有较大幅度提高。     

对误差序列相关模型参数估计方法的探讨

一、引言经典线性回归分析的一个基本假定是模型的随机误差项之间互不相关,然而,对经济数据进行计量分析时,经常发生的问题是模型中误差项之间存在着序列相关。在误差项序列相关模型中最简单的一种是以下的自相关表示形式:Yt=α βXt μt(t=1,2,…,n)ut=ρut-1 εt|ρ|<1(1)其中εt满足经典假设条件E(εt)=0E(ε2t)=σ2εE(εtεs)=0(t≠s;t,s=1,2,…,n)(2)如果对式(1)直接使用最小二乘法(OLS法)进行参数估计,虽然OLS估计具有无偏性和一致性,但不具有有效性,不再是系数的最优估计。对此,通常采用的解决办法有两种①:第一种是广义最小二…     

对物价的投入产出分析

一、投入产出分析的两个方程组投入产出分析有实物形态和价值形态两种表式,就价值形态的投入产出表来说,它有两个方程组:1.分配方程组,用矩阵的形式表示为:AX+Y=X可化为X=(I-A)~(-1)Y (1)2.生产方程组,用矩阵的形式表示为:A’p+θ=p可化为p=[(I-A)~(-1)]’θ (2)     

Coob—Douglas生产函数参数的校正

Coob—Douglas生产函数Y=AK~(β_1)L(β_2)是反映经济现象的一个重要的数学模型。它的参数A、β_1、β_2估计的好坏,直接影响预测效果。关于参数估计的一般方法是通过曲线回归的直线化,用最小二乘法得到。即由样本所得信息建立样本回归方程=aK~(b_1)L~(b_2)做为=AK~(β_1)L~(β_2)的估计式,其中a、b_1、b_2分别是A、β_1、β_2的估计值。由于经济现象与时间相关密切,所以用(?)=aK~(b_1)L~(b_2)预测近期经济问题效果较好,而用它预测远期经济     

浙江省城镇居民消费与收入的半参数线性回归模型

通过样本数据(X1,Y1),i=1,2…,n去估计X与Y回归关系,传统的经济计量方法,往往是假设回归模型具有线性或可线性化的特殊形式,并把随机误差视为干扰,设法将其排除或过滤掉,从而反映趋势变动特征.     

在奖惩系统中测量灵敏度

在进行奖惩系统的贝叶斯分析时,很自然地要在保单组合中选取一个结构函数π0(λ)。按照贝叶斯灵敏度分析,结构函数可以通过指定一个先验分布的集合Г而不是一个先验分布来建模。笔者考察了相对费率的变化范围,即δπ=E[λπ(λ|data)]/E[λπ(λ)]/,π∈Γ,并用从非寿险精算协会公告[10(3)(1979)274]中得到的数据说明所用的方法。     

异方差性F的参数估计

在经典经济计量理论中,异方差现象的存在破坏了普通最小二乘法(OLS)参数估计中关于随机序列独立同分布的基本假定,从而使得用OLS法估计得到的模型Y=Xβ失去优良性,如(?)不再是参数β的最小方差线性无偏估计(BLUE),继而参数的显著性检验失去意义,预测误差加大等等,致使模型失效。在实际建模中,一般是这样处理这一问题的:(1)用图示法或等级相关系数、Goldfeld-Quandt、Bartlett等方法检查异方差现象是否存在于待建模型中。(2)对探明有异方差现象的模型,通过加权最小二乘法(WLS)、Glejser法和正确引入解释变量等方法将异方差模型转化为同方差模型后再进行参数估计。经典计量经济理论认为扰动项方差σ_t~2是解释变量X_t的函数,即σ_t~2=f(X_t)σ~2,之所以出现异方差现象,是因为对于不同的X_t∈R~p,f(X_t)发生了变化。如果已知函数f的具体形式,     

对Copula函数中参数检验方法的改进

基于Rosenblatt积分变换,针对Roberto De Matteis等人提出Copula参数估计拟合检验的缺陷加以改进,提出一种新的拟合优度检验方法--两步拟合优度检验法.即第一步进行W(X,Y)是否服从U[0,1]分布假设检验,第二步进行T(X,y)是否服从χ2(4)分布假设检验.     

加权平方损失函数和MUNEX损失函数下一类分布族参数的Minimax估计

文章考虑一类分布族:F(x;θ)=1-[g(x)]θ(A≤x≤B,θ>0),其中g(x)是关于x单调递减的可微函数,且g(A)=1,g(B)=0,在加权平方损失函数和MLINEX损失函数下,得到了参数的Bayes估计和Minimax估计.     

缺失数据下带有讨厌参数的经验似然比置信区域

文章将文献[1]中定理的条件θ0=EH(X,μ)推广到一般估计方程EH(X,θ0,μ)=0(其中μ为讨厌参数)且样本{Xili≥1}为缺失数据下的情况,利用经验似然比方法构造感兴趣参θ0的置信区域.