安徽省城镇居民消费情况实证分析

文章根据《安徽省统计年鉴》中的相关数据 ,运用时间序列线性回归等模型对 1 995 -1 999年安徽省城镇居民的消费支出情况进行实证分析 ,以揭示近几年来安徽省城镇居民的消费支出的结构及特点 ,以及消费不旺局面的内在原因。同时文章还探讨了一些与消费密切相关的经济热点问题     

安徽省经济增长质量动态多维综合测度与分析——兼与全国、浙江省的比较

建立衡量安徽省经济增长质量的多维度指标体系,运用时序因子分析方法测算2000—2012年安徽省、浙江省、全国的经济增长质量指数和各维度指数,并通过二次加权评价法将动态指数转化为静态综合值,数据揭示出2000—2012年间安徽省经济增长质量在波动中稳定提升,各维度质量水平差异明显;从近期看,安徽省经济增长质量总体上高于全国、浙江省水平,其中,经济增长的稳定性和持续性水平均低于浙江省、全国,经济增长的协调性水平高于全国而低于浙江省,潜力水平优于浙江省而低于全国,福利性水平显著超出浙江省和全国。     

正态回归模型中未知参数几种估计的比较分析

给出了正态回归模型中未知参数的无偏估计,最小二乘估计与极大似然估计及其求解过程,并通过数值模拟说明了异同点,验证了相应的结论。     

贫困脆弱性视角下参与式社区综合发展的精准“防贫”效应分析

利用贵州省纳雍县两个贫困行政村跨期十数年的农户追踪调查数据,从贫困脆弱性视角量化分析、评价不同时期参与式社区综合发展的“防贫”效应及其精准性。结果表明,欠发达地区农户的贫困脆弱性在1999-2011年期间降幅巨大（约下降99%）,抗风险冲击能力得到极大提升。总体上,参与式社区综合发展的“防贫”即期效应显著,可使农户贫困脆弱性指数降低5个百分点以上,然其“防贫”时滞效应却并不突出。分不同群体考察,参与式社区综合发展“防贫”虽存在一定“漏出效应”和“溢出效应”,但包容性较强、瞄准精度尚可,能惠及大多数“重度脆弱户”和“中度、轻度脆弱户”;换言之,除“微度脆弱户”、“极度脆弱户”及部分“重度脆弱户”外,其间各贫困脆弱组农户均能从中得到保障,然贫困脆弱性强度越高,所受保障程度愈小。不仅如此,参与式社区综合发展此种“防贫”的精准度可持续性差,无明显时滞效应。     

基于股价预测的泛证券投资组合策略

本文基于期望效用最大化和L₁-中位数估计研究了在线投资组合选择问题。与EG（Exponential Gradient）策略仅利用单期价格信息估计价格趋势不同,本文将利用多期价格信息估计价格趋势,以提高在线策略的性能。首先,基于多期价格数据,利用L₁-中位数估计得到预期价格趋势。然后,通过期望效用最大化,提出一个新的具有线型时间复杂度的在线策略,EGLM（Exponential Gradient via L₁-Median）。并通过相对熵函数定义资产权重向量的距离,进而证明了EGLM策略具有泛证券投资组合性质。最后,利用国内外6个证券市场的历史数据进行实证分析,结果表明相较于UP（Universal Portfolio）策略和EG策略,EGLM策略有更好的竞争性能。     

高频数据瞬时波动率核估计的窗宽选择及算法研究

在瞬时波动率的各种估计量中,非参数估计量因其能准确地度量瞬时波动率,一直是学者们的研究热点。然而,这类估计量在实际应用中都面临着最优窗宽的确定问题。由于最优窗宽中往往携带一些难以估计的未知参数,使得在实际应用过程中确定最优窗宽的具体数值存在困难。本文以瞬时波动率的核估计量为例,借鉴非参数回归分析中窗宽选择的思想,构建了一种能从数据中准确计算出最优窗宽具体值的算法。理论的分析和数值上的验证表明：文中所构建的算法具有良好的稳定性、适应性和收敛速度。算法的提出为瞬时波动率的后续应用研究铺平道路。     

FEPA-金融时间序列自适应组合预测模型

本文报告一种金融时间序列预测的信号分析、信息融合与智能计算组合模型,简称FEPA,由针对金融时间序列（FTS）信号分析的经验模态分解（EMD）、用于数据降维的主成分分析（PCA）和用于非线性建模的人工神经网络（ANN）三部分组成。该模型首先应用滑动窗口截取原始金融时间序列最近期数据集,应用EMD分解算法把数据集分解成不同尺度的本征模态函数（IMF）,然后通过主成分分析将分解后的数据降维,提取最有信息量的特征;然后将这些特征输入到神经网络进行组合预测。本文提出的组合预测模型FEPA是基于分解-提优-合成的信息融合思想,有效提高了预测可靠性。其创新点在于：1）首次给出了EMD算法的结构化表达,提供了今后融合更多信息的算法接口;2）通过多步长预测输出深入研究EMD分解的有效信息结构;3）通过切换到更细时间框架来处理EMD的端点效应,并探索了两级时间框架下的预测效果;4）给出了金融时间序列组合预测模型的一般性架构,具有可升级性和可扩展性。并且通过滑动窗口EMD使得实证更能切近实际。通过在沪深300股指和澳大利亚股指上的实证,结果表明FEPA预测模型在沪深300股指日线和15分钟线上的预测命中率高达78%和82%,在澳大利亚股指日线上也达到了74%的命中率,经比较,明显高于文献中常见的5种模型。     

实物资金流量表的预测方法研究

资金流量表是国民经济核算体系中的重要组成部分。然而,由于在编制过程中需要采集大量的数据,通常情况下,很多国家的资金流量表都会有较长时间的滞后。在编制实物资金流量表的延长表时,已有方法通常是基于基期与预测期交易收支结构保持不变的假定条件。然而,经济结构发生显著变化时,该类方法就会失效。基于上述问题,研究弱化模型的假设条件,并提出了新的实物资金流量表预测方法( 简称 FPTF方法)。根据表中元素必须满足的约束条件,该方法通过建立数学模型解除约束,其次基于历史数据的动态趋势,采用适当的时间序列分析方法来预测目标年份的实物资金流量表。通过仿真分析,验证了所提方法的有效性和稳定性。此外,基于中国1992年～2014 年的实物资金流量表数据进行实例分析,取得了满意的分析结果。     

ESTIMATING A PARAMETER WHEN IT IS KNOWN THAT THE PARAMETER EXCEEDS A GIVEN VALUE

In some statistical problems a degree of explicit, prior information is available about the value taken by the parameter of interest, θ say, although the information is much less than would be needed to place a prior density on the parameter's distribution. Often the prior information takes the form of a simple bound, ‘θ > θ₁ ’ or ‘θ < θ₁ ’, where θ₁ is determined by physical considerations or mathematical theory, such as positivity of a variance. A conventional approach to accommodating the requirement that θ > θ₁ is to replace an estimator, , of θ by the maximum of and θ₁. However, this technique is generally inadequate. For one thing, it does not respect the strictness of the inequality θ > θ₁ , which can be critical in interpreting results. For another, it produces an estimator that does not respond in a natural way to perturbations of the data. In this paper we suggest an alternative approach, in which bootstrap aggregation, or bagging, is used to overcome these difficulties. Bagging gives estimators that, when subjected to the constraint θ > θ₁ , strictly exceed θ₁ except in extreme settings in which the empirical evidence strongly contradicts the constraint. Bagging also reduces estimator variability in the important case for which is close to θ₁, and more generally produces estimators that respect the constraint in a smooth, realistic fashion.     

A copula-based Markov chain model for the analysis of binary longitudinal data

A fully parametric first-order autoregressive (AR(1)) model is proposed to analyse binary longitudinal data. By using a discretized version of a copula, the modelling approach allows one to construct separate models for the marginal response and for the dependence between adjacent responses. In particular, the transition model that is focused on discretizes the Gaussian copula in such a way that the marginal is a Bernoulli distribution. A probit link is used to take into account concomitant information in the behaviour of the underlying marginal distribution. Fixed and time-varying covariates can be included in the model. The method is simple and is a natural extension of the AR(1) model for Gaussian series. Since the approach put forward is likelihood-based, it allows interpretations and inferences to be made that are not possible with semi-parametric approaches such as those based on generalized estimating equations. Data from a study designed to reduce the exposure of children to the sun are used to illustrate the methods.