房地产股价线性模型的变量选择实证研究

建立了房地产上市公司财务指标和其股票价格的线性回归模型,利用最小二乘回归、主成分回归和逐步回归方法估计回归系数,对比3种方法发现基于逐步回归方法的变量选择是最全面和可靠的;进一步建立了房地产股价指数与其成分股的多元线性回归方程,运用弹性约束估计方法实现成分股变量选择问题,解决了回归系数不显著性和股指追踪问题。     

线性自回归模型的自回归分析

将回归模型的回归分析推广到线性自回归模型的自回归分析,获得了线性自回归模型参数的估计公式、估计标准误公式、变量的点估计与区间估计公式、总体自回归系数的检验统计量。     

删失回归模型的分位数变量选择和压缩估计

删失回归模型是一种响应变量受限制的模型,广泛应用于计量经济学中.针对删失回归模型,借助于分位数估计方法和SCAD型惩罚函数,提出了一种变量选择和压缩估计方法.该方法可选出对模型有贡献的回归变量,即非0回归系数,同时给出非零参数的一个相合估计.另外,获得了变量选择方法的oracle性质.最后,利用数值模拟计算说明所提出方法的效果.     

自回归模型的自回归分析及其应用

将线性回归分析推广到7种自回归模型的自回归分析,获得自回归模型参数的估计公式、估计标准误公式、变量的区间估计公式、总体自回归系数的检验统计量.通过实例分析论证了自回归模型的应用.     

基于Horseshoe+先验的惩罚置信区域变量选择方法

针对高维稀疏线性回归问题,相关变量的数量远远少于不相关变量.相关变量的变量选择问题对于传统的频率论正则化方法是一大挑战.现有的贝叶斯惩罚置信区域法通过将模型拟合与变量选择分离,在联合后验置信区域内搜索最稀疏解,从而得到稀疏模型解.且该方法在高维变量选择效果上优于常用的变量选择方法.在此基础上,针对高维稀疏模型,将原方法中依赖的共轭正态先验替换成针对"稀疏信号勘测问题"提出的Horseshoe+先验,利用Horseshoe+先验对小系数"重"压缩与大系数几乎零压缩的理论特性,实现对稀疏回归系数的稳健估计.通过数据仿真模拟不同稀疏程度下的高维稀疏线性回归,并将基于Horseshoe+先验的惩罚置信区域法分别与基于正态先验以及Laplace先验的该方法进行比较,结果表明基于Horseshoe+先验的惩罚置信区域法在高维稀疏线性回归问题具有更好的变量选择效果与预测效果.     

MAR缺失机制下随机设计情形线性模型回归系数的估计

在响应变量满足MAR缺失机制下,研究了随机设计情形的线性模型回归系数的估计问题.分别讨论了基于观察到的完全样本数据对、基于固定补足后的"完全样本"和基于分数线性回归填补后的"完全样本"得到的回归系数的最小二乘估计的弱相合性、强相合性及渐近正态性.     

基于半参数空间模型的房地产估值数据研究

针对现有的房地产估值模型中不包含空间自相关性以及非线性影响因素的问题,提出了可以灵活解释变量意义的部分线性空间自回归模型来拟合房地产估值数据;对于部分线性空间自回归模型的估计问题,利用局部多项式方法与拟极大似然估计法相结合的两步估计过程得到参数部分的估计;房地产估值数据的拟合结果表明:房地产估值数据确实存在空间相关性,房屋到最近的捷运站的距离与房价呈负相关关系,而步行生活圈中便利店的数量与房价呈正相关关系,这与现实意义上的解释是相通的,另外房屋年龄与房价之间的非线性关系也被体现出来;部分线性空间自回归模型能更加客观和灵活地解释房地产估值数据的现实意义。     

响应变量缺失下线性模型的模型平均

研究响应变量随机缺失下线性模型的模型平均问题.首先利用拟似然估计给出倾向得分函数的未知参数的估计,基于扩张的逆概率加权和最小二乘方法给出了每个子模型回归系数的相合估计,并且证明了子模型的回归系数的估计量具有渐近正态性.然后建立了局部误设定框架下模型的FIC准则,计算了频率模型平均估计,给出了频率模型平均估计量的渐近性质及其证明.     

在R语言中实现Bayes方法对logistic的回归分析

对于logistic回归分析的处理办法,一直采用的都是极大似然估计的EM算法,由于计算方法的固定及计算过程的复杂性,例如,该算法对于初值的选取要求很高,否则收敛速度很慢。Gibbs抽样法作为一种高效灵活的估计方法广泛应用于广义线性回归模型,其中Probit回归模型由于联系函数为正态分布,使得回归系数的后验分布为共轭正态,从而抽样简单快捷。而Logit模型的后验分布比较复杂,无法直接抽取。本文基于增加数据的Gibbs抽样方法,通过引入Pólya-Gamma分布族的潜在变量,使得模型中的回归系数参数的满条件分布为共轭正态分布,从而回归系数的马氏链很容易构造,回归系数的估计为后验均值估计。通过一组实际数据,分别调用R语言Glm包和BayesLogit包,并对比2种方法的估计结果,二者差别不大,表明PólyaGamma潜变量Bayes估计法在处理logistic回归模型时的可用性、准确性。     

一类线性回归模型的参数估计

考虑一类多总体线性回归模型，其特点是它们均具有部分相同回归系数. 采用各个子总体内样本利用最小二乘方法估计回归参数， 然后依据样本容量进行加权估计公共回归系数， 最后把公共回归系数回代到各个线性回归模型， 利用最小二乘方法估计不同部分系数. 理论结果表明， 此种方法得到的估计量， 不仅是无偏估计， 而且方差比用单个子总体样本得到的最小二乘估计要小，蒙特卡罗模拟证实了该估计量良好的性质.     

基于多重共线性的Lasso方法

多重共线性是多元线性回归分析中的一个重要问题,消除共线性的危害一直是回归分析的一个重点.就此问题介绍了一种Lasso方法,并设计了一种选择最佳模型的方法.通过实例分析,将其与常用方法进行比较,从结果可看出,Lasso回归在处理多重共线性问题上较其他方法更加有效.     

统计模型和博弈论视角下的杭州房价影响因素分析

以杭州市统计年鉴数据为基础,进行了多种统计回归以找出与房价关系最密切的因素.在博弈论视角下分析了房地产参与各方的博弈矩阵,并对纳什均衡条件进行了探讨.     

基于MATLAB的岭归分析程序设计及其应用

岭归分析是多元线性回归分析中的一种方法,在实际应用中经常遇到。本文通过设计MATLAB中Ridgel函数程序,介绍如何利用MATLAB进行岭回归分析。     

基于一元线性回归分析法的施工成本预测研究

运用一元线性回归分析法,建立了工程建筑面积和施工成本的线形回归模型,预测了拟建和在建工程的施工成本,为工程投标以及工程施工成本管理提供了依据。     

多元回归中因子分析和选择问题初步探讨

讨论了多元线性回归分析中因子选择存在的问题．建议在选择因子时，将Fa作为选择因子的门限值．而不作为假设检验的显著性界限．在逐步回归的基础上，提出以剩余标准差最小为准则的改进算法．文中计算了四例，全部取得最优因子．     

基于梯度提升回归树的井下定位算法

为了提高井下定位系统的定位精度,提出了基于梯度提升回归树(gradient boost regression tree, GBRT)的井下定位算法。本文首先介绍了GBRT算法的实现过程,然后利用射线追踪算法模拟井下多径信号叠加后的接收信号强度(received signal strength, RSS)数据集,最后对比了GBRT、K最近邻(k-nearest neighbor, KNN)、随机森林(random forest, RF)、支持向量机(support vector machine, SVM)和神经网络多层感知器(multi-layer perceptron regressor, MLPR)算法的定位结果并对GBRT的定位结果进行5点平均滤波。实验结果表明,在100个点组成的行人轨迹定位中,GBRT算法的定位结果的均方误差为0.381米,明显优于其他四种算法,平滑滤波后的定位轨迹更加贴合真实轨迹。因此,本算法可以有效提高定位精度,可以满足井下定位系统的精度要求。     

基于支持向量回归机的气象观测站优化模型

在保证足够信息量的前提下,针对合理减少气象观测站的实际问题,首先利用主成分分析(PCA) 降低样本数据的维数,其次利用支持向量回归机(SVR)对样本进行有效的回归,然后结合优化软件lingo对凸二次规划问题(与支持向量回归机相对应)进行求解,最终得出基于主成分分析-支持向量机回归预测优化模型。     

基于糖尿病与民族因素的多元线性回归分析

基于多元线性回归分析的理论,对糖尿病发病人数与民族因素之间的多元线性关系进行探讨,并建立他们之间相关的回归方程.最后,对所得到的回归方程进行显著性检验.     

统计回归模型及其优化算法综述

在大数据时代,正则化(惩罚)回归模型成为高维数据分析的一种有效分析工具.文中从统计模型理论和优化算法两个角度对正则化回归模型进行简要的概述,主要介绍线性回归模型、广义线性模型和分位数回归模型三种经典且重要的回归模型以及相应的正则项.对于线性回归模型,介绍最小二乘回归和l_1-正则最小二乘回归问题的优化算法;对广义线性模型和分位数回归模型,介绍逻辑回归模型和求解l_1-正则逻辑回归问题的优化算法,并展示分位数回归模型和求解相应的正则化分位数回归模型的优化算法.最后,对正则化回归模型未来的研究方向进行展望.     

试验设计中多元回归分析方法的研究

在分析研究试验设计产例的基础上，提出了多元回归分析在试验设计中的应用方法。通过对试验数据建立的回归模，可以预测到更好的因素水平，可以指导第２轮试验设计。