关于回归参数估计方法的探究

线性模型广泛应用于工业、生产、经济、社会等领域,本文对模型中的参数作了最小二乘估计,讨论了最小二乘估计的优点和缺点.针对这种方法的不足,提出了对模型参数的线性约束估计,同时对其优点作了讨论.     

关于回归参数估计方法的探究

线性模型广泛应用于工业、生产、经济、社会等领域,本文对模型中的参数作了最小二乘估计,讨论了最小二乘估计的优点和缺点。针对这种方法的不足,提出了对模型参数的线性约束估计,同时对其优点作了讨论。     

缺失数据下区间自回归模型的参数估计

研究了当数据存在缺失时区间值自回归模型的参数估计问题.利用均值补充法、条件均值补充法对缺失数据进行补充,在此基础上进一步利用条件最小二乘估计方法对模型参数进行了估计,并通过随机模拟说明了上述估计方法的合理性.     

异方差一致协方差阵的估计方法研究

处理回归模型中的异方差问题尤为重要的一点是对随机误差项的方差进行估计.考虑到非参数核估计和稳健估计在异方差构成未知的情况下在估计效果上仍具有一定优越性，因而将非参数N-W估计和两种稳健估计方法分别与估计加权最小二乘估计法相结合，先得出随机误差项方差的估计量，进而将其作为权矩阵对模型参数进行估计，并基于估计加权最小二乘法，对已有的加权异方差一致协方差估计方法进行扩展，提出了两个新的加权估计量WHC4m和WHC5m.通过实验可以发现，各估计方法在模型参数的估计和检验效果上差别较大，并且新提出的加权估计量比原有的异方差一致协方差估计量HC4m和HC5m在检验效果上表现更好.     

基于成分数据的异方差模型

经典线性回归模型中,常用最小二乘法对模型中的参数进行估计,进而对模型进行预测。当模型具有异方差时,经常使用广义最小二乘法估计参数。若线性模型中的解释变量为成分数据,在异方差下,虽然可以使用广义最小二乘对参数进行估计,但是由于成分数据的定和限制及其特殊的协方差结构,会导致矩阵不可逆,从而无法估计参数。针对成分数据中的这种情况,文章借助于岭回归分析法的思想给出了一种解决方法。实例分析表明,此方法是可行的。     

基于Griddy-Gibbs抽样的混合高斯AR-GJR-GARCH模型的贝叶斯估计

综合考虑波动率的尖峰厚尾性、杠杆效应等特点,作者提出了混合高斯AR-GJRGARCH模型,并用基于Griddy-Gibbs抽样的MCMC方法对模型的参数进行了贝叶斯估计,然后以新东方的股票数据为例用Matlab和R软件对模型进行了实现与检验.结果表明:模型对波动率的各种特性都有一定的体现,并且估计方法的收敛速度较快、自相关性弱、算法复杂度低、稳定性良好.     

噪声对频响函数辨识的影响

以线性系统频率响应函数的辨识为研究课题，对系统辨识中所面临的各种干扰噪声对模型精度估计的影响进行了系统的研究。给出了各种条件下的频响函数的估计，为实验辨识频响函数提供了理论依据。     

基于模糊竞争学习的模糊模型一体化辨识

提出了一种利用MGS(modified Gram-Schmidt)算法建立非线性系统模型的建模方法,并给出了基于MGS算法的模型结构和参数辨识的一体化方法,即利用MGS正交变换对通过模糊竞争学习的聚类结果进行变换,确定对模型贡献大的规则,删除对模型贡献小的规则,同时对模型中的参数进行估计,实现模糊模型结构和参数的优化.仿真结果表明,提出的方法能够对非线性系统进行模糊建模.     

INARS(p)模型的拟似然统计推断

用拟似然方法对p阶基于符号伯努利稀疏算子的整值时间序列模型参数进行估计,得出了参数修正的拟似然估计因子以及该估计因子的极限分布(可以用此极限分布对模型参数进行假设检验等统计分析),并通过数值模拟,将修正的拟似然估计与条件最小二乘估计进行了比较,结果表明,修正的拟似然估计在一定条件下明显优于条件最小二乘估计.     

变系数回归模型的局部M-估计

讨论了变系数回归模型的系数函数的估计问题.在通常的局部M-回归方法基础上嵌入一个变窗宽对模型的系数函数进行了估计,并在样本独立同分布的情况下,讨论了系数函数估计的弱相合性和渐近正态性,最后,给出了估计的渐近性质的证明.     

神经网络在自回归建模中的应用

在信号估计和自适应滤波领域中，利用ＡＲ模型进行信号估计，虽然古老但仍不失为一种非常重要的估计方法。利用常规方法提取自回归模型参数，随着模型阶数的增加，其实时实现的难度也将增加。Ｈｏｐｆｉｅｌｄ和Ｔａｎｋ等人的工作表明，对于最佳ＡＲ估计问题，由于Ｈｏｐｆｉｅｌｄｄ网络的全互联和微分动力特性，该网络具有极强的分布并行处理能力，是解决该类问题的有力工具，作者在本文中利用Ｈｏｐｆｉｅｌｄ网络对模型的参数进     

双因子GARCH利率波动模型的Bayes估计

本文运用向量GARCH模型描述利率的波动性,建立了双因子GAECH利率波动模型,并分别运用机大似然估计和Bayes估计对模型的参数进行了估计,通过实证分析发现运用GARCH模型能很好地描述利率的波动性且运用Bayes方法能得到更好的结果。     

泊松INAR(1)模型参数估计方法的比较及其应用

探讨了泊松INAR(1)模型的参数估计.基于CLS估计方法,提出一种偏差修正CLS估计方法并分析了其大样本性质.随机模拟结果表明:与CLS估计和CML估计方法相比,偏差修正CLS估计方法可以有效减小参数估计的偏差.偏差修正CLS估计方法在有限样本下估计效果较好,同时计算过程简便,具有较高的实用性.最后,通过泊松INAR(1)模型对一组实际的整数值时间序列数据建模,利用偏差修正CLS估计方法进行参数估计,并对模型进行预测.     

反映缺失的部分函数型回归模型的统计推断

为了解决反映变量随机缺失下部分函数型线性回归模型的统计推断，首先利用主成分分析法对模型中函数变量进行展开，在运用多元最小二乘法估计了模型中未知的参数和未知的系数函数，并证明了这两个估计具有渐近正态性。然后给出反映均值的回归借补估计，并证明了该估计量的大样本性质。     

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.     

变系数联立模型的局部线性广义矩估计

目的在随机设计条件下,提出了一类变系数联立模型,对模型的变系数进行了估计,研究了估计量的大样本性质。方法局部线性广义矩估计。结果利用概率论中大数定律和中心极限定理,证明了估计量的大样本性质。结论局部线性广义矩估计具有相合性和渐进正态性。     

鞅差误差下简单线性EV回归模型最小二乘估计的相合性

研究了误差为鞅差序列条件下的线性EV(errors-in-variables)回归模型.利用最小二乘估计方法对模型中β和θ进行估计,证明了估计量的强相合性和均方相合性,从而推广了线性EV回归模型已有的相关结论.     

半参数函数关系模型参数的M估计

对于固定设计下的半参数函数关系模型,基于最小二来估计的不稳健性。对模型的参数采用M估计方法,在一定条件下。给出了参数在M估计下的强结合性．     

基于MCMC的贝叶斯长记忆随机波动模型研究

针对贝叶斯长记忆随机波动模型的单步Gibbs抽样算法效率低下的问题,通过对模型在状态空间框架下的近似表示,将向前滤波向后抽样算法引入对波动变量的估计过程中,同时在贝叶斯框架下分析了模型参数的满条件后验分布,设计出Gibbs联合抽样算法.更进一步,在对模型进行参数估计的基础上,提出波动变量的向前多步预报分布的估计方法.模...     

线性回归模型的稳健估计及异方差检验

将Huber函数引入线性回归模型的对数似然函数中,利用Fisher Scoring迭代法得到参数的稳健估计(M估计);在M估计的基础上,对模型进行异方差检验,建立Score检验统计量;最后用一组实际数据说明本文方法的有效性.