自变量可重复观测的线性回归模型研究

文章研究了自变量可作重复观测的线性回归模型.对固定自变量X采用重复观测,得到应变量Y的多个观测值,并利用其均值与X构成数对,建立起自变量重复观测的线性回归模型.讨论了这种模型在一元时的情形,实例分析结果表明,该线性回归模型的参数估计值的方差更小,较之传统回归模型更为有效.     

基于逐步惩罚的动态多元线性回归预测模型

在采用回归方法进行数据预测时,对呈近似线性关系的因变量和自变量,并非要寻找到其对应的精确的非线性函数,而可在对数据进行修正后继续使用线性回归模型。文章讨论了一种引入惩罚因子的动态回归模型,该方法在传统的多元线性回归模型的基础上,在进行逐步回归的同时,通过不断调整因变量来实现实时更改其变化趋势以达到最佳预测结果的目的。该方法在对上海市历年外国游客人数进行分析和预测时得到了较理想的结果。     

不等概率分层抽样条件下Probit模型的参数估计

线性回归分析作为一种传统的统计分析方法,现已得到广泛的应用和完善.但受其对应变量连续性要求的影响,当应变量为分类变量(常见的是二分类变量,即y取0,1两个值)时,线性回归模型不再适用.人们通常采用Probit模型或Lotist模型对二分类因变量进行回归分析,与线性回归不同,Probit回归是一种非线性回归模型,因而在参数估计时,通常采用极大似然估计,并且在随机样本条件下,Probit模型的极大似然估计具有一致性,渐进有效性和渐进正态性.     

参数与非参数回归在FDI中的比较分析

文章在对参数回归及非参数回归方法进行介绍的基础上,采用线性回归模型、引入虚拟变量的非线性回归模型以及N-W核权函数回归估计,对1983-2014年我国外商直接投资总额与GDP关系进行探讨.最后分别给出3类方法的拟合值以及MAE和MSE.从拟合效果来看,相对于线性回归模型,引入虚拟变量的非线性回归模型以及非参数回归方法更能有效地拟合FDI与GDP之间的关系,且窗宽为0.25的非参数估计效果更优.     

基于模糊线性回归的电子商务交易额预测

由于外界环境的影响以及复杂系统本身的模糊性,经典线性回归不能解释这类不精确数据的问题.因此,文章建立因变量是对称模糊数的线性回归模型.根据中国电子商务交易额和互联网发展数据,考虑因变量在不同时期的差异隶属,计算出回归函数的估计表达式.通过与经典线性回归的结果进行比较分析,表明模型在描述数据间内在结构,以及提高预测的精度上有显著效果.     

回归深度及其应用

回归深度(RD)是用来处理线性模型的一种方法。RD方法定义为给定观测值寻找具有最大深度的拟合。从几何的观点看,RD方法就是将观测点最"均匀"地分布在直线(或超平面)的两侧的拟合。文章简单地总结了深度回归的基本概念和稳健性质,同时用实例对回归深度和最小二乘法回归方法进行了比较。     

线性化最小二乘法的理论分析

在处理非线性回归中的可线性化回归问题时,最小二乘法给了我们很大的方便.但是人们在享有其优点的同时,忽视了其结果准确性问题.文章从理论上给出了线性最小二乘法结果准确性的证明并提出了解决方法.     

分层抽样条件下Logistic回归模型的参数估计方法

一、引言Ｌｏｇｉｓｔｉｃ回归模型是对二分类因变量 (因变量ｙ只取两个值 )进行回归分析时经常使用的统计分析方法。与线性回归不同 ,Ｌｏｇｉｓｔｉｃ回归是一种非线性模型 ,因而普遍采用的参数估计方法是最大似然估计法。可以证明 ,在随机样本条件下 ,Ｌｏｇｉｓｔｉｃ模型的最大似然估计具有一致性、渐进有效性和渐进正态性。然而在有些问题的研究中 ,样本抽取并不完全是随机的 ,而是采用分层抽样方法 ,首先将研究总体按属性特征分类 ,然后在各类中随机抽取样本 ,这就需要考虑分层抽样条件下Ｌｏｇｉｓｔｉｃ模型的参数估计问题。对分层…     

非线性回归模型的线性变换和正交多项式回归

在非线性回归模型中,部分模型可以通过数据变换转化为线性模型进行研究,但这种转换有时会引起随机扰动项的变换,改变其假设条件,从而影响模型的准确性.文章引入非线性回归模型的线性变换方法和正交多项式回归方法,重点介绍了正交多项式回归方法;基于R语言软件,通过例子说明了非线性模型线性变换的局限性,并给出了正交多项式回归方法拟合非线性模型的具体应用.     

对预测模型误差的分析——相对误差与绝对误差

文章介绍了预测模型的相对误差和绝对误差,对于常用的线性预测模型和非线性预测模型的线性化和由此产生的误差类型进行了分析,并分别介绍了在两种误差情况下预测模型无偏性调整的方法。     

线性回归模型与传递函数模型在时间序列应用上的比较研究

如果一个因变量是由一个或多个自变量来解释的,那么对这些数据可以建立回归模型.但如果因变量和自变量同时又是时间序列,则也可以建立传递函数模型(transferfunction models).与普通的回归模型相比,传递函数模型说明因变量与自变量以及扰动项之间关系时,有着更为丰富的结构.在多变量时间序列模型方面,有关线性回归模型与传递函数序列在时间序列方面应用效果的比较很少,因此,本文拟进行这方面的研究,为多变量时间序列建立模型提供参考.     

应用最小二乘法预测出院人次

统计预测法(Statistical Forecast Method)是根据过去的情况和资料建立数学模型并由此对未来趋势作出预测的一种非主观方法。应根据预测资料的质和量来选择不同的预测方法,如预测资料零散不全或无法搜集,很难通过精确计算来得出结论,在此情况下,一般可选用定性分析的方法,如所掌握的资料全面且可信度高,那么就可以选用精确计量方法进行预测,如果指标的变化呈水平性,则采用简单平均数就可以了。常用的统计预测法有比例趋势分析法、经济计量模型法、一元线性回归预测、多元线性回归预测、非线性回归预测等。统计预测是现代管理经常使用的一种方法,现代医院管理中也常采用统     

双回归（AR—R）预测模型之新探——及其在中国人口中短期预测上的应用

构造一种称为双回归的时间序列预测新方法。本文作者利用与因变量自身相关性紧密的因变量前几期取值,综合前一次的自变量构建了双回归(时间序列自回归-多元线性回归)预测组合模型。这种方法克服了以往时间序列预测只是自身拓展而不考虑多项因素(变量)的不足,也弥补了回归分析预测法必须已知同时期各个自变量值才能预测的缺陷。并用这种新方法对中国的人口总量进行预测,预测效果比较理想。     

第三产业增加值的闭环门限自回归预测模型

文章利用非线性模型的逐段线性化方法研究了1978～2006年国内生产第三产业交通运输、仓储和邮政业与批发和零售业增加值的团环门限自回归(TAKSC)模型,并用所建模型对未来2007～2008年增加值进行外延预测.     

分位数回归技术综述

普通最小二乘回归建立了在自变量X=x下因变量Y的条件均值与X的关系的线性模型。而分位数回归（Quantile Regression）则利用自变量X和因变量y的条件分位数进行建模。与普通的均值回归相比,它能充分反映自变量X对于因变量y的分布的位置、刻度和形状的影响,有着十分广泛的应用,尤其是对于一些非常关注尾部特征的情况。文章介绍了分位数回归的概念以及分位数回归的估计、检验和拟合优度,回顾了分位数回归的发展过程以及其在一些经济研究领域中的应用,最后做了总结。     

伴随置信度的线性回归模型

针对正态余项的线性回归模型,研究伴随置信度的线性回归模型。在一定概率下,设计随机变量以均值为中心的置信区间,建立机会约束规划,并在一定置信度下转化为确定性规划,应用LINGO 11优化软件求解,构造出伴随置信度的线性回归模型,实现对随机变量观测值信息的动态应用,可以实现伴随置信度的预测。实证分析表明,该模型可以依置信度不同程度地反映观测数据的多方面信息,选择最佳线性回归方程,更好满足需要。该模型有异于线性分位数回归模型的优点,丰富了线性回归分析的研究内容。     

多元非线性经济预测模型的建立方法

在经济预测中,常用多元回归模型反映预报量与各因素之间的依赖关系,其中线性回归分析有着广泛的应用.但客观事物之间并不一定呈线性关系,这时建立的线性回归模型往往拟合效果不好或有不合理的经济解释.建立非线性回归模型可能更为合适,只是建立起来较为困难.本文给出建立多元非线性回归预测模型的两种方法.     

关于R2等价定义的探讨

在计量经济学中,通常用回归平方和与总的平方和的比例来定义R2,反映回归方程的拟合度,而往往忽视用因变量和因变量预测值的相关系数的平方得到R2的一种等价定义.等价R2克服了通常R2的缺点,同时可以推广到非线性回归模型和限值因变量模型的拟合度度量.文章从一元线性回归模型出发,构思如何得到多元线性回归模型等价R2,并以Tobit模型为例说明等价R2在非经典计量模型中刻画拟合度时的优势.从而强调重视在教学中对等价R2的认识.     

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.     

线性回归模型在因变量缺失下的约束估计

文章主要研究了线性回归模型在因变量缺失下的约束估计,基于完整数据方法和单点插补方法,我们给出了模型系数的两种约束估计,并研究了估计量的渐近正态性.最后,我们通过数值模拟验证了所提方法的有效性.