基于样条函数的时空加权回归模型变量选择

为了提高时空加权回归模型的预测精度,增强时空加权回归模型的可解释性,选择对因变量具有显著影响的重要变量已成为当今统计分析中一个重要研究课题。首先对时空加权回归模型的系数使用样条函数作出逼近,其次在最小二乘的理论基础上,根据SCAD惩罚理论对时空加权回归模型各变量所对应的系数进行处理,并利用BIC准则来选择调谐参数λ,最终通过迭代算法来选择出对时空加权回归模型有用的变量,剔除掉影响模型准确性的变量,达到精简模型、提高预测精度的目的。
     

函数系数部分线性回归模型的变量选择方法

函数系数部分线性回归模型是变系数模型中的一种特殊情形,文章对这种新的变系数模型的变量选择问题进行了主要研究．首先,运用局部多项式方法得到非参数项的估计,并且使用B样条逼近函数系数,选取SCAD惩罚作为变量选择方法．其次,得到了估计的渐近性质．最后,模拟说明了该估计方法较好地达到了变量选择的目的．     

时空加权回归模型的影响分析

基于数据删失模型,探讨各组观测数据对模型拟合的影响程度,给出Cook统计量;基于均值漂移模型,利用两步估计法对模型进行拟合,研究异常点检验问题,并构造检验统计量.     

基于地理加权回归张力样条函数的广西PM2.5浓度插值

针对广西地区PM2.5污染情况,利用广西气象站数据通过反距离加权插值得到广西地区空气质量监测站的气象数据,然后结合空气质量监测站数据及其气象数据插值结果建立地理加权回归张力样条函数(geographically weighted regression-tension splinefunction,GWR-TSF)插值模型,并用该模型进行广西PM2.5浓度插值分析.研究结果表明,GWR-TSF模型的PM2.5浓度插值效果较好,其均方根误差为2.34μg/m3,较普通克里金(ordinary Kriging,OK)模型和地理加权回归(GWR)模型分别提高了20.68％和25.71％;而平均绝对误差为2.13 μg/m3,较OK模型和GWR模型分别提高了20.22％和11.62％,对区域PM2.5监测预警具有一定的参考价值.     

空间自回归模型的变量选择

空间自回归模型是空间计量经济学中用以刻画观测单元之间空间相关性的常用方法.基于Adaptive Lasso方法研究了这类模型的变量选择问题.利用数值模拟考察了所提方法在有限样本下的表现,结果表明所用的方法可以有效地筛选出不显著的变量,并且给出对因变量影响显著的自变量对应的系数估计值.最后利用该方法分析了波士顿房价数据.     

函数型线性回归模型的三角样条估计

函数型数据的回归分析研究主要集中在函数型线性回归模型,基于三角样条估计的方法对模型中未知参数进行了估计.通过仿真实验验证了三角样条估计的均方误差比传统的多项式样条估计的均方误差更小,且在计算上用时更少,由此得出三角样条估计在部分函数型线性回归模型中具有一定的优越性.     

基于惩罚回归样条的函数导数拟合

在函数形式未知,而已知该函数的带误差的离散数据点情况下,运用基于p次截断幂基的惩罚回归样条拟合数据点,并在拟合出的曲线基础上求出函数的一阶导数。该方法将经典最小二乘法和惩罚样条方法进行结合,既考虑了拟合优度,又兼顾拟合曲线的光滑性,模拟和实际应用的例子显示此种方法效果较理想。     

基于众数回归的变系数模型统一变量选择

研究了众数回归下变系数模型的统一变量选择问题.利用B样条基函数近似非参数部分,在众数回归下建立SCAD惩罚函数同时选择变系数模型中的重要变量并且识别具有常数效应的协变量,在一定条件下, 证明惩罚估计量相合性和稀疏性,通过数值模拟评估所提出的变量选择方法的有效性.     

Beta回归模型基于EM算法的变量选择方法

本文针对响应变量取值为(0,1)区间上的比例数据研究Beta回归模型的贝叶斯变量选择方法。首先通过选取合适的先验分布,基于贝叶斯随机搜索和EM方法提出了参数的估计算法;然后根据回归系数相应的指示变量后验分布提出了重要变量选择的门限准则,所提方法具有易实施、快速计算等特点;最后通过研究中国上市公司股息率实际数据的影响因素以说明所提方法的有效性。     

潜半参数回归模型的变量选择

作者提出了潜半参数回归模型及其估计方法.该方法应用双重判罚,使得在估计非参数的同时可以对参数部分进行参数估计和变量选择.在分析过程中作者还得到了潜变量的估计值.     

分位数回归模型中的两步变量选择

对于高维分位数回归模型提出了一种两步变量选择方法,这里协变量的维数pn远远大于样本量n.在第一步中,使用e1惩罚,并且证明第一步由LASSO惩罚所得到的惩罚估计量能够把模型从超高维降到同真实模型同阶的维数,并且所选模型能够覆盖真实模型.第二步对第一步所得模型使用自适应的LASSO惩罚来剔除冗余变量.在一些正则性条件下,证明了此方法具有变量选择的相合性.还进行了数值模拟和实际数据分析,用来表明此方法在有限样本下的表现.     

时空加权回归模型局部线性估计的渐近性质

在模型分析中,对未知参数的估计及其相关性质的研究甚为重要。首先通过假定时空加权回归模型的回归系数是时空位置的函数,给出了时空加权回归模型的一种局部线性估计方法。其次,在假设I~V及引理1下,研究了由此估计方法得到的第p个系数函数估计量所具有的渐近条件性质。最后,证明了第p个系数函数估计量的渐近条件偏差和渐近条件方差。结果表明该估计具有良好的表现。     

时空加权回归模型的变窗宽局部估计

基于合变系数模型的局部线性估计方法与时空加权回归(GTWR)拟合方法,给出了时空加权回归模型的局部估计方法,并在其中嵌入一个变窗宽以提高其估计精度.     

带有缺失数据线性回归模型的变量选择

通过惩罚估计方程,对响应变量随机缺失下的线性回归模型,给出了一个变量选择方法,并结合局部二次逼近,得到了一个迭代算法,证明了此变量选择方法是相合的并且所得估计达到最优的参数收敛速度,最后通过数据模拟研究了此方法的有限样本性质．     

异方差回归模型的拟合和变量选择

作者研究了异方差回归模型的估计与变量选择问题.在误差分布未知的情况下,作者分别给出了联系函数已知及未知时均值与方差的估计.另外,作者在给出估计的同时,分别选出了对均值与方差影响显著的变量.     

转换函数未知时转换模型的变量选择

作者研究了转换函数未知时转换模型的变量选择.较经典的Box-Cox转换模型,作者提出的模型不限制转换函数的形式,并且允许非正态的误差分布.作者先由估计方程得到转换函数的估计,然后用SCAD判罚方法同时进行变量选择和参数估计.数值模拟结果证明本文方法是有效的.     

基于调整秩回归的组变量选择

EXP惩罚是一种指数形式的惩罚函数,它近似于L₀惩罚. EXP惩罚最小二乘估计具有模型选择的相合性和渐近正态性.但是,惩罚最小二乘方法对重尾分布和含有异常值的混合分布的效果并不理想.该文考虑回归模型中的变量是以组结构形式存在的,研究基于调整秩回归的EXP型组变量选择,给出了调整秩回归估计的理论性质,并通过数据模拟和实例分析,检验调整秩回归的EXP惩罚的效果,结果表明这种方法具有较好的表现.     

基于样条估计分位数回归的光伏功率回归模型

光伏发电功率预测的准确与否是太阳能光伏发电是否能够有效地并入当前电网从而大大地提高太阳能利用率的关键.分位数回归是一种能够给出输出量的详细完整分布,从而便于分析与研究的回归模型.样条就是仅在节点处平滑连接的多项式函数,样条估计具有简单易行和计算速度快的优点.本文通过建立基于样条估计的分位数回归模型,在光伏面板发电功率数据的基础上,拟合光伏功率曲线,通过计算残差平方和和确定系数进行对拟合效果的评估.结果表明,该模型利用已有的光伏面板发电功率数据,可以在给出功率预测值的完整分布的同时,准确有效地分析相关因素对光伏发电功率的影响,展现不同分位点的回归拟合效果,从而有效地提高光伏系统对太阳能的利用率,避免光伏发电在接入电网时所产生的不利影响.     

Logistic回归中的变量选择

在许多情况中,我们需要对logsitic回归模型中的重要变量进行选择,这适用于预测问题,本文从信息论准则出发提出了一种选择程序,并且证明了这些程序是强相合的。     

非参数回归模型基于残差的样条估计

为了探究固定设计下具有 α-混合相依误差的非参数回归模型的估计理论,基于多样式样条方法对均值函数进行了估计,利用残差构造了方差函数的样条估计.在一般假设条件下,均值函数估计量和方差函数估计量具有相同的一致收敛速度.数值模拟结果显示:基于贝叶斯信息准则下的样条估计优于赤池信息准则下的样条估计和局部线性估计.