基于t函数的稳健变量选择方法

在已有研究的基础上,提出一种新的基于t函数的稳健变量选择方法.该方法通过惩罚估计方程中的惩罚函数达到变量选择的效果,方程中的权重矩阵和有界得分函数对自变量和因变量中的异常值有很好的限制作用,可同时达到稳健的变量选择和稳健估计.通过分析3种不同自由度的t函数性质,选取自由度为2的t函数,并与基于Huber函数的稳健变量选择方法进行比较.数值模拟结果表明,基于t函数的稳健变量选择方法在2种污染力度、3种污染方式的数据污染情况下,其稳健性均明显优于基于Huber函数的稳健变量选择方法.与参数估计效果相比,基于t函数的稳健变量选择方法优势更明显.     

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．     

基于DP算法的变量选择

在DP算法的基础上,提出了新的PDP算法,来实现带有惩罚函数的目标函数中参数估计的计算问题。新算法为基于惩罚函数的变量选择方法在计算上的实现提供了新的选择,同时通过数据模拟分析验证了新算法的有效性。     

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．     

函数型变量选择法用于空气质量影响因素实证分析

以全国31个主要城市的空气污染数据作为研究对象,通过B-样条逼近离散数据,拟合日变动曲线作为函数型数据,采用基于Group LASSO的函数型变量选择方法对空气污染因素和气象因素进行变量选择,选取影响空气质量的主要因素,并建立函数型回归模型,同时与函数型主成分回归方法进行比较,发现Group LASSO函数型变量选择方法不仅对群组变量进行选择,而且对选择出的群组内变量还能做进一步的选择,可以获得较为稳健的估计结果和较好的选择效果。     

基于最小距离法的稳健群组变量选择

在研究存在异常值的logistic回归模型时,发现如果使用极大似然估计(MLE)方法进行参数估计,那么异常值引起的偏差不是造成参数估计过大而是导致参数向量内爆即参数向量收缩为零向量,此时如果进行群组变量选择很可能会忽略一些重要变量.因此针对具有组结构的logistic回归模型,为处理解释变量存在异常值时的群组变量选择问题,将基于最小距离法的稳健估计(L2E)方法与已有的3种群组变量选择方法和3种双层变量选择方法结合,在此基础上利用Majorization-Minimization(MM)算法对目标函数进行求解.通过数值模拟比较了基于L2E方法和MLE方法在模型具有组稀疏和双层稀疏的情况下,6种变量选择方法在不同维数下的有限样本表现,结果不仅验证了L2E方法在存在异常值的logistic回归模型参数估计中的稳健性,而且指出了在这6种变量选择方法中使用Group Bridge方法进行变量选择的准确度更高.     

基于弹性网约束的稳健变量选择

大数据时代下收集到的数据常含有异常值或呈现尖峰厚尾以及变量之间具有较强的相关性,针对此问题,结合秩回归和自适应弹性网(Adaptive Elastic-net)提出了一种高效稳健的变量选择方法.此方法的最大优点在于不仅能够有效处理协变量之间的强相关性而且还能克服多重共线性问题,同时能抵抗厚尾分布或异常值的影响,实现稳健...     

组合惩罚下联合均值与方差模型的变量选择

在生产实践和计量经济领域中,控制产品质量的方差就能保证产品的合格品数相对稳定,所以当前学者对联合均值与方差模型的研究倍感兴趣.基于解释变量经常是具有相关关系的实际情况,提出了一种由SCAD惩罚和岭回归混合在一起的组合惩罚,该惩罚充分利用了岭回归能克服解释变量相关性过高对估计效果的影响,同时也证明了这样的惩罚具有相合性和Oracle性质.使用该组合惩罚对联合均值与方差模型进行了变量选择.最后的随机模拟结果表明该模型和方法是有效的.     

组合惩罚似然估计下发散参数变量选择

在Wang等给出的组合惩罚函数的基础之上,将SCAD惩罚部分推广到一般的非凸惩罚的形式,利用岭回归在解释变量相关度较高情形下的良好表现,提出一种推广了的组合惩罚.在参数个数发散的情形之下,利用贝叶斯信息准则(BIC)来选择调整参数,能同时完成变量选择和参数估计.而且还可以证明在合适的条件之下,这种估计具有Oracle性质.模拟研究的结果证明了所提出的方法在预测变量具有强相关性之下的优势.     

稳健经验似然估计方法

在经验似然方法的基础上提出了一种稳健的经验似然估计方法,在约束条件的估计方程中使用权重函数以及有界得分来限制异常点的影响。通过数值模拟研究该方法的稳健性。模拟结果表明,相比普通的经验似然估计,提出的稳健经验似然方法在数据中存在异常值的情况下所得估计的均方误差更小。同时对于非正态的厚尾分布数据,提出的稳健经验似然估计也在均方误差意义下更优。     

稀疏Group Lasso高维统计分析

研究稀疏Group Lasso方法的高维统计性质。通过对损失函数和罚函数的性质分析,以及选择适当的正则参数λn。得到了稀疏Group Lasso估计的界。当损失函数与罚函数满足适当的条件,任意解θλn和未知参数θ*有统一的误差界。     

基于理想点法的双目标结构鲁棒设计

在结构优化过程中结合鲁棒设计的思想,分别定义了目标鲁棒性及约束鲁棒性,将结构鲁棒设计问题描述成双目标优化问题,采用理想点法并结合序列二次规划优化策略求解该双目标鲁棒优化问题。为保持约束的可行性,根据最坏情况分析方法,在原始约束函数基础上加上带有惩罚因子的惩罚项。舱口盖及悬臂梁的设计结果表明了该方法的可行性。     

基于正则惩罚的半参数密度估计方法

目的 针对一元随机变量的概率密度函数估计问题,寻找一个提高非参数估计收敛速度的方法。 方法 通过对参数估计和非参数估计组合加权,提出一个基于正则惩罚的半参数估计方法:假定一个参数模型得到其对应的参数估计,用核方法计算得到其非参数估计,通过带正则惩罚的经验似然损失或积分平方损失得到一个权重,基于这个权重对得到的参数估计和非参数估计组合,从而得到所提出的基于正则惩罚的半参数估计。 结果 渐近理论性质显示:所提出的带正则惩罚的半参数密度估计方法结合了参数估计和非参数估计的优点,不依赖任何模型假设,在任何情况下都是收敛的,并且在参数模型假设正确时,权重偏向参数估计,此时收敛速度与参数估计一样,反之则偏向非参数估计,收敛速度与非参数估计一致。 通过数值模拟实验发现:当数据满足参数模型假设时,带惩罚的半参数密度估计方法权重偏向参数估计,与理论结果一致;当数据不满足参数模型假设时,所提出的半参数估计权重偏向非参数估计,这同样与理论结果一致。 最后将该方法应用于重庆市降水数据中,研究了其月降水量的分布。结论 实例分析结果表明:所提出的基于正则惩罚的半参数估计与非参数估计相比更光滑,与参数估计相比拟合更好,验证了该方法的合理性。     

双理赔风险模型的Gerber-Shiu罚金函数

本文考虑了一类双理赔风险模型,即每一个主理赔以概率P产生一个次理赔,本文通过更新方法得到了该模型的Gerber-Shiu期望折扣罚金函数所满足的积分方程和积分-微分方程。     

等式约束情况下多项式函数的乘子法

在乘子法中广泛使用二次罚函数,但有时会遇到困难,如约束条件为有界集,但增广Ｌａｇｒａｎｇｅ函数在Ｒ＾ｎ上无下界,文中对等式约束条件下,目标函数与约束函数为多项式函数的情况作了具体分析,然后给出１种非二次罚函数及相应乘子法,且对于上述情形,该形式乘子法都有解。     

带干扰且变保费率的Cox风险模型的罚金函数

在带有扰动的随机环境中,考虑保费率随索赔强度而变化的Cox风险模型,利用更新论证及随机分析的方法,得到了罚金函数的瑕疵更新方程、级数表达式和渐近性质,推广了文献[3]中关于破产概率的相应结果,于是可以根据罚金函数的不同形式,给出保险公司所关心的更多精算变量的级数表达式与渐近性质．最后也给出了罚金函数的几个特例及其相应结果．