多维平稳时间序列二阶矩的性质

讨论了多维平稳时间序列均值向量和协方差函数的极限性质,并在多维移动平均(VMA)情况下,给出了最佳线性预报的误差估计.     

时间序列格兰杰因果性的图模型识别方法

利用格兰杰因果图表示多维时间序列变量间的因果关系.图中的顶点集由序列的各个分量组成,顶点间的有向边表示分量序列间的格兰杰因果关系,无向边表示分量间的同期因果关系.研究了格兰杰因果图结构的识别问题,利用关联积分估计检验统计量,采用bootstrap方法来确定检验统计量的原分布.模拟和实例分析说明了本方法的有效性.     

关于多维时间序列AR(p)模型的最小二乘估计及若干平稳性的探讨

本文给出了多维时间序列AR(p)模型的最小二乘估计,并对若干平稳性进行了探讨。     

P元周期倒序广义对偶多维序列的复杂性分析

线性复杂度是度量密钥流序列的重要指标。在P元周期倒序单序列的对偶序列极小多项式性质的基础上,讨论了P元周期倒序广义对偶多维序列的极小多项式的性质,并明确给出P元周期倒序广义对偶多维序列与原多维序列之间的联合线性复杂度的关系式。这些结果很好地推动了密钥流多维序列的联合线性复杂度研究的发展。     

水文时间序列变点识别的一种稳健方法

针对目前水文时间序列变点识别研究中忽略了方法的稳健性,未能充分考虑异常值的影响的不足,提出了利用一种高度稳健的高斯混合密度分解算法来识别水文时间序列中的变点,并以此来研究水文时间序列均值的突变该方法的核心是根据观测到的资料,通过逐步挖掘服从不同正态分布的时间序列分支,将均值变点的识别问题转化为混合正态密度的聚类问题,从而达到估计变点的位置以及自动获得变点的数目估计的目的实例计算结果表明,该方法对含有噪声的时间序列数据,仍能准确识别变点的位置,较好地解决了水文序列变点识别的稳健性问题．     

基于分位数因子模型的高维时间序列因果关系分析

从观察数据中发现变量之间的因果关系是许多科学研究领域的关键问题，传统Granger因果模型受到维度灾难的影响，难以准确地在高维时间序列中发现因果关系.提出一种基于分位数因子模型的Granger因果分析新方法 QFMCGC用于高维时间序列因果关系的判定.首先，QFM-CGC采用赤池信息量准则进行模型选择，避免人为干预设置滞后阶数的操作；然后，对向量自回归（Vector Autoregressive,VAR）模型中的条件变量建立分位数因子模型进行降维，减少VAR模型中的待估计系数，对降维后的VAR模型重新进行条件Granger因果分析；最后，使用蒙特卡洛模拟评估不同方法识别底层系统与观测时间序列的连通性结构的能力.在不同维度变量的线性仿真系统和两组现实数据集上与基准方法和经典方法进行了比较，实验结果验证了该方法的有效性.     

带有记忆项的半线性板方程解的衰变估计

研究多维空间Rⁿ(n≥1)中带有记忆项的半线性板方程的初值问题.在傅里叶空间中,得到线性问题解的衰变估计.介绍了一系列时间加权索伯列夫空间,运用压缩映射定理,在足够小的初值假设下,得到半线性问题解的全局存在及最佳衰变估计.     

部分线性模型的adaptive group lasso变量选择

对部分线性模型的aglasso(adaptive group lasso)参数估计及变量选择问题进行研究.通过构造aglasso的估计函数,将分组部分线性模型变量的选择问题转化为分组因子的选择问题.理论研究表明:该方法能相合地识别真实模型,并且估计具有oracle性质.最后通过模拟研究了所提方法的有限样本性质.     

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.     

误差是非参数AR(1)序列的变系数模型

利用局部线性方法给出误差序列{εi,1≤i≤n}是非参数AR(1)序列下的变系数模型系数函数的估计,并在此基础上研究了系数函数估计的相合性问题,给出了该模型系数函数估计是弱相合的.     

时变扩散模型中收益参数向量的局部复合分位回归估计

主要研究多维时变扩散模型中收益参数向量的估计问题.基于离散观测样本,利用局部线性拟合的方法,得到了时变漂移参数向量的局部复合分位回归估计,并证明了估计量的渐近正态性.同时,给出了估计量的渐近偏差和渐近方差.     

线性耗散板方程解的衰减估计

研究了多维空间（n≥1）中线性板方程的初值问题.使用Fourier变换,得到基本解和相应的线性问题的解.对Fourier空间中线性问题的解作逐点估计,得到解算子的估计和性质,再结合能量方法,得到线性问题解的最优衰减估计.     

随机误差序列自相关的贝叶斯诊断及其单位根检验

在线性模型Y＝Xβ＋U中，通常假定随机向量U的各分量相互独立、方差相同，而且均服从正态分布。但在利用时间序列数据和横截面数据的模型中，前一期的误差一般与后一期的误差相关，误差项并不满足独立性要求，此时OLS估计不再是最佳线性无偏估计。根据贝叶斯定理，通过自相关系数的条件后验分布，研究了自相关系数的统计推断问题，包括点估计、区间估计、自相关的统计诊断和单位根的统计检验。     

ARMA模型参数的分步估计方法

提出了一种ARMA模型的线性估计方法，这种方法通过两次AR模型的估计来实现ARMA的估计。讨论了一维时间序列开环系统、闭环系统的辨识方法及定阶问题。仿真结果表明该方法具有良好的准确度和可靠性，可直接用于结构状态监测。     

线性不等式约束下一类线性模型参数估计的渐近解及其收敛性

利用交替迭代算法, 研究在线性不等式约束下具有相同参数的两个线性模型在误差方差未知条件下的参数估计问题, 得到了其参数的最小二乘估计序列及其渐近解, 并利用多元多项式方程组解的个数定理和不动点定理, 证明了此估计序列是依概率1收敛的.     

基于Markov机制转换模型的商品房价格波动研究

用传统的线性模型对时间序列进行分析,往往基于时间序列线性假设,而实际上大多数时间序列都是非线性的。如果仍选择线性模型进行分析,必然会导致分析不准确的问题。任何一个宏观经济或金融时间序列随着时间的变动,其均值、波动性都会发生显著性变化。本文通过选取近6年来房价的月度数据,通过统计分析,建立Markov机制转换模型。研究房价的波动。     

多维GARCH模型的估计和检验

讨论多维 GARCH模型的识别及其参数模型的极大似然估计和检验方法     

F_p上多维周期序列复杂性分析

周期序列的线性复杂度是衡量流密码稳定性的重要指标.近年来,对多维周期序列的研究越来越受到广大学者的关注.主要在周期序列S与其对偶序列珔S组合成的新序列已有结论的基础上,给出了由多个新序列组成的多维序列的极小多项式和联合线性复杂度.     

径流序列的相空间重构神经网络预测模型

在水文水资源领域中引入混沌理论，将相空间重构理论与神经网络理论相结合，提出了径流时间序列预测模型．通过相空间重构，把一维径流时间序列拓展为多维序列，而多维序列可挖掘更为丰富的信息，有利于神经网络的训练．研究表明，利用神经网络建模可以较好地解决非线性问题，使预测更符合实际．以汉江石泉水库逐月平均入库径流序列为例，建立了径流时间序列相空间重构与神经网络耦合预测模型，计算结果表明，模型有较高的预测精度．     

一类多维线性混料模型的最优设计

在混料试验设计中,通常会考虑多个指标的质量特性,需要对多个因变量与多个自变量进行研究.文章讨论了多维线性混料模型下的2种基本形式,利用一维线性混料模型的最优设计,推导出2种多维线性混料模型的最优设计,进而得出一维与多维线性混料最优设计之间的等价关系,并推广至其他最优设计问题.