多维时间序列Granger因果图Markov性

文章利用Granger因果图表示多维时间变量序列间的因果关系,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Granger因果关系,无向边表示分量间的同期因果关系.建立Granger因果图的p-分离准则,研究Granger因果图的Markov性.     

条件区间分位数超高维特征筛选研究

超高维数据下的特征筛选是模型降维建模的重要环节.基于条件分位数的改进超高维特征筛选方法在给定分位点有扰动情况下可能会导致筛选变量不稳定,针对该问题,引入全局条件分位数的思想,提出基于条件区间分位数的超高维特征筛选方法,并通过理论及数值模拟证明其特征筛选的确定性独立筛选性质和所提方法的有限样本性质.     

战略创新、市场创新、技术创新与企业绩效互动关系研究 ——以海尔为例

创新是企业持续发展的马达。以海尔1991—2013年时间序列数据为研究样本,采用Granger因果检验、IRF脉冲响应函数和方差分解方法,揭示了战略创新、市场创新、技术创新和企业绩效之间的因果关系和互动机制,构建了企业四维协同创新模型。     

非平稳变量的Granger因果检验

由于非平稳的时间序列不具有有限方差,高斯-马尔科夫定理不再成立,用普通最小二乘法得到得参数估计不再是一致的,出现伪回归的现象,从而导致得出错误的因果关系.针对时间序列的非平稳性,指出目前进行Granger因果分析时所存在的问题,指出对非平稳变量进行因果分析的两种正确方法,并对这些方法的适应范围和优劣性进行比较.     

沪深港股指时间序列GRANGER因果关系变化分析

目的 在于利用时间序列分析理论研究证券市场间Granger因果关系及其变化.以沪、深、港三证券市场每日收盘综指数据为基础,检验其形成的指数时间序列之间Granger因果关系的存在性,据此分析在香港回归前后三市场指数时间序列间Granger因果关系及其变化情况.根据检验表明:(1)各分析时段里香港与上海、深圳间不存在Granger因果关系,而上海与深圳间存在Granger因果关系；(2)各分析时段里三市场间均存在Granger同期因果关系.     

非平稳变量的Granger因果检验

由于非平稳的时间序列不具有有限方差,高斯-马尔科夫定理不再成立,用普通最小二乘法得到得参数估计不再是一致的,出现伪回归的现象,从而导致得出错误的因果关系。针对时间序列的非平稳性,指出目前进行Granger因果分析时所存在的问题,指出对非平稳变量进行因果分析的两种正确方法,并对这些方法的适应范围和优劣性进行比较。     

Granger因果关系检验的适用性

研究了Granger因果关系检验在小样本下的适用性。采用Monte Carlo模拟方法,以1阶滞后模型为例,对其可能的27种数据生成过程进行模拟。从变量的平稳性、样本容量的大小、变量依存关系的显著性等方面,对其性质和适用性条件进行了较为全面的探讨。结果表明,序列的不平稳性是造成虚假因果关系最主要的因素之一;对于两个平稳序列,随着样本容量的增大,判断出存在Granger因果关系的概率将显著增大;当二者之间依赖关系增强时,判断出存在因果关系的概率也将显著增大。     

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.     

福建省金融发展、对外贸易与产业结构关系研究——基于VAR模型的实证分析

采用1991—2013年福建省金融相关率、净出口率和第二产业比重三个变量,建立了VAR模型,实证结果表明：金融发展与产业结构互为Granger因果关系,对外贸易和产业结构互为Granger因果关系,金融发展是对外贸易的Granger因果关系不显著,但对外贸易是金融发展的Granger因果关系很显著。结合福建省具体情况,提出若干政策建议。     

海堤渗压监测因果模型基本结构和因子选择

为揭示海堤渗压规律以及与主要影响因素间的关系，并建立安全监测因果模型、实现对海堤状态的实时监控，以监测数据为基础，对海堤实测渗压、潮位和降雨记录以及存在的因果关系加以分析，确定了海堤渗压因果监测模型的基本结构；采用统计距离比较方法选取合理的初选前期潮位因子，提出反映降雨量和降雨持续作用时间的降雨因子形式，并加入时效因子，以实测数据建立了海堤渗压监控因果模型.结果表明，该因果模型具有良好的拟合、预测效果.     

线性EIV模型参数的LASSO估计方法

基于结构风险最小化原则,提出了可以实现高维数据降维的线性EIV模型参数的LASSO估计(LE)方法,并给出了其数值解的迭代算法.为说明LE方法的有效性,通过实证与WTLS、LS两种方法进行了对比分析.结果表明,LE方法能够明显提高预测精度,具有更强的泛化能力,同时可以实现变量选择,达到高维数据降维的目的.     

用于高维时序数据预测的非同步尺度主成分分析

针对时间序列数据预测过程中可能面对高维或超高维的预测变量,同时考虑变量的时序特征及预测的非同步性,提出用于时序数据预测的非同步尺度主成分分析方法。首先构建单个预测变量和被预测变量的非同步线性回归,通过可决系数选取单变量的最佳滞后阶数,并将回归系数赋权与相应的预测变量得到赋权预测变量,并通过主成分分析对赋权预测变量降维,即非同步尺度主成分分析。将该方法用于消费者物价指数增长率的预测,结果表明经非同步尺度主成分分析降维的预测精度高于传统降维预测的方法。     

新疆固定资产投资与经济增长关系的实证分析

利用计量经济学方法,对新疆1978 -2009年的国内生产总值(GDP)及固定资产投资(FAI)两时间序列数据进行了单位根检验、协整关系检验、误差修正模型(ECM)分析以及Granger因果检验.结果表明:新疆固定资产投资对经济增长的拉动作用很大,短期内新疆固定资产投资增加1个百分点,GDP约增加0.895个百分点;二者之间存在着长期稳定关系和单向的因果关系.     

用主成份提取进行数据库聚类预处理

按照相关性最小原则提出数据库主成份提取的聚类预处理方法(DCP PCE)对高维数据进行降维,以数据对象变异最大方向的投影作为特定数据对象集的主成份,实现分层次主成份聚类提取.用DCP PCE方法验证主成份对于原有信息全面覆盖的特性,同步解决了综合变量覆盖和降维问题,降低了数据对象集合的相异度和维度,实现了数据对象集合的聚类归约．将聚类分析引入高校数据资源的预处理环节,给出应用实例,为深入探索相关模式提供有效的分析方法．     

基于自适应主成分分析维度寻优的脑力负荷识别

脑力负荷识别对提高作业操作人员工作效率,减少人因事故具有重要意义。然而,由于脑电(electroencephalogram, EEG)信号的采集是由多通道脑电帽采集的,并且分布在各个频带上,因此经过特征提取得到的特征维度过高,造成后续识别模型复杂度过高。对此,通常使用主成分分析(principal component analysis, PCA)对高维特征向量进行降维处理,但是降维维度的取值很难确定。提出了一种基于主成分分析的自适应维度寻优方法,将实验数据集中的高维特征使用主成分分析降维到寻优维数范围内的各个维度,并将各个维度的分类精度绘制成维度—分类精度曲线,通过识别该曲线的“肘部”来确定该实验数据集的最优降维维度,并将该维度应用到同实验的其他实验数据上进行脑力负荷识别。结果表明,该方法可以准确识别出在同实验数据集中通用的最优降维维度,有效提高识别效率。     

高维数据挖掘中的正则化估计新方法

针对高维数据的特点并基于线性回归模型,利用变量选择降维技术,提出了一种新的、有效的变量选择（或称特征提取）的正则化估计方法．新的正则化估计方法主要考虑了数据的噪声（方差）对正则化估计的影响,在寻找估计的正则化路径时能对方差进行有效估计,且基于凸优化问题的KKT条件和坐标算法思想给出了正则化估计算法的实施细节．实验结果表明,该方法能够提高高维数据集进行估计和变量选择的准确性,是高维数据挖掘中新的、有效的特征提取方法．     

VAR模型下中国沪铜期货价格发现实证研究

通过建立VAR模型及修正模型VECM模型,基于协整分析、Granger因果检验、VAR模型、方差分解等计量分析方法对中国沪铜期货市场及铜现货市场之间的关系进行了深入的研究.VECM模型证实了铜期货价格是以现货价格为基准进行调整的.结果表明,铜现货市场在价格发现中占有主导地位.     

高维惩罚分位数回归及优化算法

针对具有异常值或离群点的高维数据线性回归模型，提出了一种基于误差函数正则化的惩罚分位数回归的新方法，与经典的L₁惩罚方法相比，新方法具有更好的稳健性以及更小的估计偏差和预测误差；为解决分位数损失函数非光滑性与误差函数非凸性所带来的计算挑战，结合迭代再加权L₁算法以及ADMM算法，提出了一种有效的IRWADMM算法，并对回归系数进行了求解.模拟结果表明，与已有的惩罚分位数回归方法相比，新方法在参数估计和变量选择等方面均具有更好的表现.将新方法应用于核黄素基因数据分析，以证实其有效性和可行性.     

基于多元图形特征融合原理的降维方法研究

降维是将高维模式映射到低维子空间的过程.在降维后的低维子空间进行分类往往能得到更好的效果.本文以高维数据为研究对象,采用多元描述图对高维数据进行可视化表达,采用多元图图形特征融合的方法对高维数据进行降维,用K邻分类器进行分类效果评价.与Fisher线性判别及其他一些常用非线性降维方法相比,本文所提方法在数据的可视化以及分类精度等方面均有较好效果.     

应用变量因果序分析的符号有向图建模方法

针对传统符号有向图(SDG)建模方法容易引入虚假因果关系的问题,利用因果序分析时系统各阶自含结构进行逐层分解,通过各阶变量完全子集迭代解析平衡结构变量的层级因果关系,以及典范式积分链的约简导出动态结构变量的层级因果关系,运用中间变量的衔接作用,结合变量系数辨识定性的因果影响效果,实现了平衡、动态及混合结构的线性系统SDG模型的构建.以串联存储系统为实例进行验证,结果表明该方法消除了以系统方程等式关系直接导出SDG模型引入的虚假因果关系,且辨识出多处潜在的因果关系,与传统的SDG建模方法相比,以该方法构建的SDG模型精度更高,而且完备性较好.