乡村农户贫困状态特征因子筛选与分析框架：兼论我国乡村振兴路径选择

本文构建了刻画乡村农户贫困状态的特征因子的提取算法和分析框架，旨在实现和帮助完善家庭农场的持续发展，尤其是由贫困农户组成或参与的家庭农场在发展需要的融资方面的乡村信用评估，推动有效地制订对应政策和落地方案，巩固脱贫攻坚成果和防止返贫。本文的最大亮点是以“分类与回归树”(CART)分析和“吉布斯抽样”(Gibbs Sampling)的人工智能算法为工具，对乡村农户贫困状态的特征因子提取建立了对应的框架和分析流程。基于国内某地区乡村建档立卡数据库的31,116个样本，实证研究筛选出12个刻画乡村农户贫困状态高度关联的特征因子，并进一步对特征因子的有效性进行了ROC曲线和AUC测试。结果表明以特征因子分析框架为基础，建设配套的乡村信用评估体系是支持乡村振兴的可持续性最佳解决途径之一，除了能够为乡村贫困户获得持续工作的基本技能或生产环境的改善提升上得到持续性的融资支持提供评估依据和数据支持，也能为乡村和城镇“传帮带”等生产和商务平台的建立提供可持续的基础性数据和信用分析的动态支持。     

贝叶斯支持向量回归及其应用

支持向量回归（SVR）是机器学习中重要的数据挖掘方法，当前关于SVR的研究大多基于二次规划理论，同时，利用交叉验证或一些智能算法选取模型中的超参数，然而，基于二次规划理论的SVR估计方法不仅计算量较大，而且不能进行后续的统计推断分析。文章基于贝叶斯方法研究SVR，通过引入两个潜在变量将SVR的?不敏感损失函数表示为双重正态-尺度混合模型并构建似然函数，通过选取适当的先验分布获得兴趣参数和超参数的Gibbs抽样算法。为筛选重要变量和最优模型，引入0-1指示变量并选取回归参数的Spike and Slab先验来获得贝叶斯变量选择算法。数值模拟证明了所提算法的有效性，并在非正态误差下表现出很好的稳健性。最后将所提方法应用于房价数据分析，得到了有意义的结果。     

基于局部集合和差分进化的过抽样方法

基于噪声过滤的过抽样方法能克服噪声生成，但是他们的噪声侦察技术和合成样本的过程依赖于参数，同时，他们也会过滤掉大量的少数类样本。为了解决该问题，文章提出了一种基于局部集合和差分进化的过抽样方法（OMLSDE）。首先，用该方法计算每个样本的局部集合；其次，用局部集合和不平衡比去发现可疑的噪声；然后，用差分进化去优化可疑的噪声；最后，用局部集合内的随机样本去生成少数类的合成样本。实验证明，OMLSDE优于6个流行的过抽样方法。     

被访者驱动抽样：基于多种方法的估计诊断

本文利用RDS样本数据，使用RDS估计器、收敛图、瓶颈图、经纬度信息等，对违反“随机招募假设”的RDS估计进行综合诊断。诊断结果表明，适度违反“随机招募假设”并不会导致严重的RDS偏差，RDS估计仍然是有效的。因此，本文较为系统地介绍了多种诊断方法的实际操作及判断假设违反适度的可能标准，为国内研究者理解RDS方法，推动和发展RDS抽样和统计估计提供了思路。     

分层拉丁超立方体抽样方法及应用

为了提高样本数据的质量，文章提出了一种新的抽样方法——分层拉丁超立方体抽样，给出了该抽样方法的定义以及实现算法，证明了在相应条件下该抽样方法的估计精度比分层随机抽样方法更高，可以更有效地缩减蒙特卡罗方差。同时，还通过数值模拟比较了分层拉丁超立方体抽样与分层随机抽样在用蒙特卡罗方法估计定积分时的效果，数值模拟结果验证了上述结论的正确性。