基于MCMC算法的贝叶斯面板单位根检验

针对面板单位根检验存在检验势不稳定和原假设设置主观选择的问题,提出基于面板数据分位自回归模型,选择非对称Laplace分布的似然函数对模型进行贝叶斯分位回归分析.结合参数的完全条件分布设计MCMC抽样算法,进行贝叶斯分位单位根检验,并利用Monte Carlo模拟实验研究了贝叶斯分位单位根检验的有效性与可行性.研究结果表明,基于面板数据分位自回归模型的贝叶斯单位根检验方法解决了检验势不稳定以及原假设主观设置的问题,能够给出更全面稳健的单位根检验判断.     

基于MH算法的贝叶斯分位自回归模型

针对时间序列分布特征多样性的问题,不考虑序列本身的分布特征而选择非对称Laplace分布的似然函数对模型进行贝叶斯分位回归分析.利用Metropolis-Hastings算法模拟参数的后验边缘分布,解决了参数估计过程遇到的高维数值积分的问题.仿真分析中,参数的迭代轨迹是收敛的,说明MH抽样有效地模拟了参数的后验边缘分布;并且应用该方法估计出了不同分位数下模型参数的后验均值,标准差,MC误差和95%的置信区间.非对称和局部持续性数据的数值模拟,证实了贝叶斯分位自回归模型可以更全面有效地描述滞后变量对响应变量变化范围和条件分布形状的影响.     

基于M-H抽样算法的贝叶斯Probit分位回归模型研究

针对Probit分位回归在参数随机化条件下的建模问题,提出基于Metropolis-Hastings算法的贝叶斯Probit分位回归模型.通过分析Probit分位回归模型结构,选择模型的先验分布,运用M-H算法进行参数估计.利用Monte Carlo仿真技术,得到不同分位点模型参数后验分布,同时用贝叶斯probit分位回归与分位回归方法和光滑分位回归方法对模型参数估计进行比较分析.研究结果表明:贝叶斯Probit分位回归模型可以更全面描述离散选择变量的影响,能够得到更加准确有效的参数估计.     

函数型累积Logistic回归模型研究与应用

该文针对响应变量为有序多分类标量数据，协变量为函数型数据构建函数型累积Logistic回归模型，并在贝叶斯分析框架下构造Gibbs抽样算法解决参数估计问题.具体解决流程为：首先，通过潜变量连接有序响应变量与函数协变量间的关系，同时对回归系数函数和回归函数型自变量选取主成分基函数进行展开，设置潜变量模型误差项服从Logistic分布.再利用Polya-Gamma变换解决模型似然函数的复杂性，并求得回归系数展开系数的后验分布从而构建Gibbs抽样算法.最后将该方法应用与模拟数据和实际空气质量指数(AQI)的分析，结果显示能较好地对模拟数据和空气质量指数(AQI)污染状况进行分类.     

广义极值回归模型下现状数据的贝叶斯估计

广义极值分布自提出以来就受到众多学者关注,它可以用于拟合某些寿命数据,在医学、 工程和气象等领域应用很广泛.本文主要在区间删失I型数据,即现状数据下研究三参数广义极值模型的贝叶斯回归分析.基于广义极值分布的位置参数引入协变量,建立位置参数与生存时间的贝叶斯回归模型,并采用Gibbs抽样和MH算法相结合的MCMC方法,从...     

具有Logistic回归结构的几何分布参数贝叶斯估计及应用

Logistic回归模型是一种广义线性模型,广泛应用于二分类数据的建模问题之中,经典的Logistic回归模型通常基于二项分布进行建模,在某些实际问题中,二项分布是不合适的.在平方损失函数下,研究了具有Logistic回归结构的几何分布参数的贝叶斯估计问题,选取正态分布作为参数的先验分布,运用MCMC方法在WinBUGS软件中进行gibbs抽样,得到参数的后验样本.数值模拟表明估计效果良好,最后将所提出的模型应用于米其林餐厅定级数据当中.     

左截断右删失数据下泊松分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到左截断右删失数据下泊松分布的完全数据似然函数.给出变点位置和其它参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行抽样,介绍MCMC方法的实施步骤.把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

分位点门限自回归时间序列模型的贝叶斯分析

本文运用贝叶斯方法研究了分位点门限自回归时间序列模型的估计和预测.通过将分位点回归的最优化问题转化为极大似然估计的问题,作者利用Metropolis-Hastings算法对模型中的参数进行了贝叶斯估计.同时作者将模型应用于上证综合指数的收益率的数据,得到了这一收益率的分位点估计.这一方法的优越之处在于它不需要对数据的分布作预先的假定.     

分位点门限自回归时间序列模型的贝叶斯方法

本文运用贝叶斯方法研究了门限分位点自回归时间序列模型的估计和预测. 将分位点回归的最优化问题转化为极大似然估计的问题,从而可以利用Metropolis-Hastings算法对模型中的参数进行Bayesian估计. 同时我们将模型应用于上证综合指数的增长率的数据, 得到了这一增长率的分位点估计. 这一方法的优越之处在于它不需要对数据的分布作预先的假定.     

IIRCT下负二项分布参数多变点的贝叶斯估计

通过添加缺损的寿命变量数据得到了带有不完全信息随机截尾试验下负二项分布的完全数据似然函数.给出了变点位置和其他参数的满条件分布.利用Gibbs抽样与Metropolis-Hastings算法相结合的MCMC方法对各参数的满条件分布分别进行了抽样.详细介绍了MCMC方法的实施步骤,得到了参数的Gibbs样本,把Gibbs样本的均值作为各参数的贝叶斯估计.随机模拟试验的结果表明各参数贝叶斯估计的精度都较高.     

EV回归的半参数部分线性模型的Bayes估计

考察部分线性模型y=X^τ_β+g(t)+ε,ε~N(0,σ²),其中回归变量X可以精确测量,而t具有测量误差. 用光滑样条估计非参数函数g(t), 结合光滑样条的Bayes解释及Bayes的线性回归, 将模型中的未知参数赋以一定的先验, 运用Gibbs抽样方法从后验分布中抽样, 用后验样本的均值来估计未知参数. MCMC模拟的另外一个好处是容易从后验样本中构造后验样本区间估计. 最后,提供了一个模拟例子来说明Bayes方法的估计效果.     

中国电力消费影响因素权重的分位数回归研究

通过加权最小二乘法(WLS)和分位数(QR)回归比较性研究电力能源消费影响因素的影响权重,分位数回归技术则更能详尽阐明不同消费需求下各影响权重的变化:电价、能源效率改进、消费支出能力、电力价格体制改革、人口与电力消费需求之间存在长期均衡的关系,并通过多重验证指标验证模型和结果的合理性;能源效率改进和电价控制是影响电力能源消费的2个重要因素,在不同分位数上各个因素影响权重存在差异;特别发现"高人口增长率并不必然伴随高电力消费需求量"。并提出不同分位数下相关政策建议。     

分位回归马尔可夫转换ARCH模型的贝叶斯分析

针对经济时间序列波动的复杂性和不确定性,不考虑残差项分布形式的情况下,本文提出了一类分位回归马尔可夫转换ARCH模型。在贝叶斯理论框架下,选择扩散先验分布和非对称Laplace分布似然函数,实现了对MS-ARCH模型的贝叶斯分析。仿真分析发现分位回归MSARCH模型可以有效地刻画条件异方差时间序列的变结构性。     

基于分位数回归的企业债信用风险研究

将非参数GARCH模型的方差方程取对数变换后所得的模型用于估计企业债利差波动率。针对模型误差的非对称性，利用更为稳健的分位数回归方法估计改进后的非参数可加GARCH模型。实证分析结果表明，改进后的模型对波动率的估计更为有效；分位数回归方法比最小二乘回归方法能更有效的克服模型误差的非正态影响，对异常值的敏感程度更低，是一种非常稳健的估计方法。     

基于非规则分布样本的航段油耗区间估计

飞机航段油耗估计是航空公司进行节能减排的重要基础。多因素影响下的航段油耗样本的非规则分布特征会导致一般的区间估计方法得到的估计区间质量较低,针对以上问题,提出了基于支持向量分位数回归（Support Vector Quantile Regression,SVQR）和Bootstrap相结合的航段油耗区间估计方法。利用SVQR非对称形式的绝对值残差最小化的思想估计航段油耗的条件分位数,并将其作为Bootstrap的输入来估计航段油耗总体的统计量,由于相同机型、航段的油耗样本总体满足正态分布,最后构建一定置信度的估计区间。实验结果表明：该方法的估计区间可信度更高、平均带宽更窄、提高了估计区间的质量。该方法能为航空公司合理的估计油耗及制定碳排放监测计划时提供参考。     

基于线性分位数组合的兴安落叶松冠幅预测

【目的】 使用线性分位数回归和分位数组合对兴安落叶松(Larix gmelinii)冠幅进行建模和预测,为准确模拟和预测冠幅生长提供技术支持。【方法】 利用大兴安岭兴安落叶松天然林实测数据,采用线性回归和分位数回归构建基础和多元冠幅模型。比较7种分位数组合:三分位数组合(τ=0.1, 0.5, 0.9和τ=0.3, 0.5, 0.7)、五分位数组合(τ=0.1,0.3,0.5,0.7,0.9和τ=0.3,0.4,0.5,0.6,0.7)、七分位数组合(τ=0.1,0.2,0.3,0.5,0.7,0.8,0.9和τ=0.1,0.3,0.4,0.5,0.6,0.7,0.9)和九分位数组合(τ=0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9)的预测效果。分析4种抽取方案(随机抽样、选择最大树、平均木、最小树)和9种抽样数量(1~9株)对预测精度的影响。同时使用K折交叉验证对线性回归、最优分位数回归和最优分位数组合进行比较。【结果】 线性和分位数回归都能对冠幅模型进行拟合,中位数回归的拟合结果与线性回归相似,且在所有分位数中拟合能力最好。多元冠幅模型和分位数回归的拟合及检验效果都优于基础模型,冠幅与胸径和样地平均高(立地质量)呈正相关,与枝下高(树木大小)和样地内落叶松断面积(竞争)呈负相关。使用分位数组合可以提高模型的预测能力,7种分位数组合的差异很小,三分位数组合(τ=0.3, 0.5, 0.7)的预测能力最好。对于基础和多元分位数组合在实际应用时,最优抽取方案都为选取最大树,每个样地建议选取6株样木。【结论】 基于线性分位数组合的冠幅模型可以提高预测精度,建议使用三分位数组合和选取最大树及抽取数量为6株的方案对冠幅进行预测。     

纵向数据下基于复合分位数回归的经验似然推断

利用复合分位数回归（CQR）研究了纵向数据下回归系数的经验似然（EL）推断。将数据组内相关性纳入估计方程中,得到了参数更加有效和稳健的估计,无需预先估计渐近方差,从理论上证明了所得复合分位数经验似然估计（CQREL）的渐近性质,且提出的经验对数似然比服从渐近卡方分布,从而构造了兴趣参数的置信域。通过数值模拟验证了所得方法有很好的有限样本性质。