Multivariate log-Birnbaum–Saunders regression models

In this paper, we present a multivariate version of the skewed log-Birnbaum–Saunders regression model. This new family of distributions holds good properties such as marginal variables following univariate skewed log-Birnbaum–Saunders distributions, besides presenting the usual log-Birnbaum–Saunders distribution as a particular case. Furthermore, the model parameters are estimated through maximum-likelihood methods, a closed-form expression for the Fisher’s information matrix is presented, and testing hypothesis for model parameters is performed. Two real datasets are analyzed and results are discussed.     

工业经济增长集聚弹性研究——对中国三大经济圈的实证分析

产业集群理论正在继梯度转移理论、增长极发展理论后成为主导区域经济发展新型区域发展理论。在中国的工业化过程中，珠三角、长三角和环渤海地区随着其地区一体化水平的不断提高制造业都表现为不同程度的产业集聚，其制造业集聚程度与地域经济发展特别是工业经济增长都具有较强的相关性。因此，结合面板数据（panel data）模型的计量方法对中国三大经济圈的工业增长集聚弹性进行估计并就三大经济圈的增长集聚弹性差异的成因进行了分析是十分必要的。     

中国财产保险公司的规模效率DEA实证研究

保险行业发展的质量与效率问题渐渐成为了大家关注的焦点。利用2003～2005年间中国财产保险行业发展的相关数据,运用数据包络分析（DEA）的相关数学模型,对中国各大财产保险公司规模效率进行实证研究,分析测度其规模效率,结果表明公司规模与规模效率间的关系不太明显,即规模很大的公司,规模效率并不一定就高;恰恰相反的是,规模效率较高的均为规模不大的保险公司。     

深圳证券交易所不同指数收益率的波动比较

股票价格指数的波动的大小通常代表了它的风险程度,研究股指的波动对风险管理、投资组合以及价格预测有着十分重要的意义。文章采用时间序列分析方法,对深圳证券交易所的三种价格指数建立GARCH模型,并对这三种指数的波动率进行比较。     

财经类高校课堂教学评价模型及应用

课堂教学及其评价是当前教学质量评估中的重要一环。文章根据财经高校教学特点,利用灰色系统多层次评价理论建立不同专家对不同教师课堂教学技能的评价模型,在案例应用中取得了较好的效果。     

时间数列分析中的加法模型与乘法模型

文章通过实例说明了时间数列分析中加法模型的应用,纠正了一些统计学教材上常见的错误认识和模型的错误使用,对统计教材中统计方法的系统化起到了一定的作用。     

一类基于模型的聚类方法

在聚类问题中,若变量之间存在相关性,传统的应对方法主要是考虑采用马氏距离、主成分聚类等方法,但其可操作性或可解释性较差,因此提出一类基于模型的聚类方法,先对变量间的相关性结构建模(作为辅助信息)再做聚类分析。这种方法的优点主要在于:适用范围更宽泛,不仅能处理(线性)相关问题,而且还可以处理变量间存在的其他复杂结构生成的数据聚类问题;各个变量的重要性也可以通过模型的回归系数来体现;比马氏距离更稳健、更具操作性,比主成分聚类更容易得到解释,算法上也更为简洁有效。     

基于时空地理加权回归模型的中国碳排放驱动因素实证研究

基于2006-2011年中国省级区域面板数据,应用时空加权回归模型(GTWR)实证考察了各驱动因素对碳排放规模和碳排放强度影响的时空差异。研究结果表明:大部分解释变量的时空系数估计值显著,波动性较为稳定,符号与预期一致,各驱动因素及其外溢效应在不同区域存在较强的空间异质性,且表现出一定的空间梯度分布。若实现区域差异化碳减排,需要充分考虑空间异质性和外溢性。     

基于区间灰数与离散灰数双重异构序列的预测建模方法研究

系统变化的复杂性导致了系统行为数据的不确定性与异构性,面向多源信息的数据集结导致了表征系统变化规律的灰色异构时序数据的产生。对面向区间灰数与离散灰数的双重异构数据序列预测建模方法展开研究,通过对区间灰数均匀分割处理,得到与离散灰数灰元数量相等的次级区间灰数,进而实现了灰色异构数据的"同质化"转换;在此基础上构建了面向异构数据序列的灰色预测模型,并应用该模型实现了大桥沉降量的有效模拟与准确预测。研究成果对拓展灰色预测模型应用范围具有积极意义。     

Non-ignorable missing covariate data in survival analysis: a case-study of an International Breast Cancer Study Group trial

Summary.  Non-ignorable missing data, a serious problem in both clinical trials and observational studies, can lead to biased inferences. Quality-of-life measures have become increasingly popular in clinical trials. However, these measures are often incompletely observed, and investigators may suspect that missing quality-of-life data are likely to be non-ignorable. Although several recent references have addressed missing covariates in survival analysis, they all required the assumption that missingness is at random or that all covariates are discrete. We present a method for estimating the parameters in the Cox proportional hazards model when missing covariates may be non-ignorable and continuous or discrete. Our method is useful in reducing the bias and improving efficiency in the presence of missing data. The methodology clearly specifies assumptions about the missing data mechanism and, through sensitivity analysis, helps investigators to understand the potential effect of missing data on study results.