基于Gibbs-DA算法的贝叶斯分位回归模型研究

针对分位回归模型参数的不确定性风险问题,构建了基于Gibbs-DA抽样算法的贝叶斯线性分位回归分析模型.根据非对称Laplace分布的正态-指数分布的混合表示性质,利用数据扩展方法构建了潜变量,给出分位回归模型的似然函数,推断了多元正态先验分布条件下分位回归模型参数的后验分布,证明了潜变量的完全条件分布为广义逆高斯分布;结合Gibbs抽样和数据扩展方法,设计Gibbs-DA的仿真分析方案,并将其应用于我国能源消耗问题分析.研究结果表明:贝叶斯方法可以有效地应用于分位回归的建模以及我国能源消费弹性的分位问题研究.     

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.     

面板数据贝叶斯双惩罚分位回归方法研究

在面板数据混合效应模型中,大量未知随机效应的存在,给模型参数估计带来极大困难;同时随机误差的分布未知,不同分布下的随机误差会增加模型计算的复杂度,对固定效应与随机效应系数的变量选择与估计带来困难.为了解决这一问题,本文建立贝叶斯双Adaptive Lasso分位回归模型,将Adaptive Lasso惩罚函数同时引入到...     

分位回归马尔可夫转换ARCH模型的贝叶斯分析

针对经济时间序列波动的复杂性和不确定性,不考虑残差项分布形式的情况下,本文提出了一类分位回归马尔可夫转换ARCH模型。在贝叶斯理论框架下,选择扩散先验分布和非对称Laplace分布似然函数,实现了对MS-ARCH模型的贝叶斯分析。仿真分析发现分位回归MSARCH模型可以有效地刻画条件异方差时间序列的变结构性。     

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.     

混合效应模型的双MCP惩罚分位回归研究

针对混合效应模型,在已有的双Lasso正则化分位回归(DLQR)的基础上,结合MCP惩罚,提出了双MCP正则化分位回归(DMQR).通过对惩罚方法的改进,使得模型的拟合效果大大提高.在求解参数时使用交替迭代算法使得每次只用求解单个MCP惩罚的分位回归,并结合针对非凸惩罚的迭代坐标下降法(QICD)使得计算的速度大大提高.在稀疏模型的模拟研究中发现,无论在何种误差条件下,DMQR都能很好的排除冗余变量,效果相对于DLQR有了较大的提升.且在模型的稀疏程度不同时,都能得到很好的模拟结果.     

基于双惩罚分位回归的面板数据模型理论与实证研究

固定效应和随机效应同时选择是面板数据模型研究中的重要问题之一。本文通过分别对固定效应和随机效应引入条件Laplace先验,提出了一种新的贝叶斯双惩罚分位回归法。该方法不仅能对模型中重要解释变量进行自动选择,而且充分考虑到个体随机波动对解释变量系数估计带来的偏差。通过对方差分量的惩罚压缩,减少了模型中未知参数的个数,提高了模型自由度。Monte Carlo模拟及实证分析显示,所提出的方法不仅能准确估计出固定效应系数,而且能精确地捕捉到个体随机效应的波动。     

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。     

基于Gibbs抽样的贝叶斯金融随机波动模型分析

通过分析随机波动模型的统计结构,推断了SV模型似然函数的具体形式,据此构造了模型参数的共轭先验分布.利用贝叶斯定理获得了相应的模型参数后验条件分布.同时,为了获得模型参数的贝叶斯估计及其置信区间,设计了基于Gibbs抽样的MCMC数值计算程序,并利用上海综合指数和深圳成分指数数据进行了建模实证分析,解决了参数随机条件下金融随机波动时间序列建模问题,提高了模型预报精度.     

部分线性分位数回归模型的平均估计

模型平均估计可对不同候选模型中的参数估计量进行加权平均,能有效提高参数估计的精度,在经济、金融和管理等领域有着广泛应用。为提高部分线性分位数回归模型的参数估计效果,本文构造了基于兴趣参数的模型平均估计量并探究了其大样本性质。首先,利用B样条近似非参数函数,并通过极小化分位数损失函数来得出各候选模型的回归系数估计量,在局部误设定框架下推导了系数估计量的渐近分布;其次,基于候选模型中兴趣参数的估计构造出了模型平均估计量,并得出其渐近性质;最后,推导了覆盖真实参数的概率趋近于名义水平的置信区间。本文研究不仅丰富了平均估计的渐近分布理论,而且为兴趣参数构造了合适的置信区间。     

基于MCMC的分位回归GARCH模型的贝叶斯分析

基于最小一乘方法提出了一类分位回归GARCH模型的2步估计方法,并且基于双指数分布和非对称Laplace分布构建了GARCH模型的似然函数,选择扩散先验分布,实现了对模型的贝叶斯估计.仿真分析发现基于最小一乘方法的贝叶斯分位回归方法可以全面有效地实现对GARCH模型的估计.     

缺失数据假设下的灵活贝叶斯分位数回归分析

考虑缺失数据假设下,响应变量为有序分类变量的灵活贝叶斯分位数回归分析.对有序分类变量添加一潜在变量,并假设潜在变量服从广义偏斜拉普拉斯分布,由此建立起有效的贝叶斯后验推断程序.与传统的贝叶斯分位数回归方法相比,本方法的主要优势在于广义非对称拉普拉斯分布的尾部灵活,具有高度的适应性.最终,以云南省某医院生殖遗传中心的试管婴儿数据为例来说明本方法的有效性和适用性.     

基于EM算法的Poisson-Gamma回归的影响诊断

对于Poisson-Gamma回归模型,将来自于Gamma分布的权重看作缺失数据;在此基础上,引入EM算法;从而利用基于完全数据似然函数的条件期望进行影响诊断分析,并且进一步基于正则曲率方法系统研究了各种扰动模型下的局部影响分析,得到相应的诊断统计量.最后,通过一个实例说明了所得统计量的有效性.     

基于指数加权分位数回归预测的CPFR成本模型

针对某些商品的高易变性、不对称性的需求模式,基于预测方法高精确度的要求,采用计量经济学前沿预测研究方法指数加权分位数回归预测法,建立了由零售商、制造商的成本模型和供应链系统总成本模型构成的CPFR供应链系统成本模型,为基于多层次CPFR的三级库存协调与优化研究中提高需求预测精度探索新的视角.该模型通过直接预测销售序列的分位数,避免既存研究中基于假设的预测失误,使预测结果更加贴近需求模式的真实值.数值分析表明指数加权分位数回归预测模型的预测精度较高.     

分位数回归模型的经验似然置信区域

在强平稳Ф-混合样本下,利用光滑经验似然方法,给出分位数回归模型参数的经验似然置信区域,得到类似于独立同分布时的结果.该结果优于非光滑LAD方法所得到的结果.     

基于稀疏贝叶斯回归的正则化核密度估计算法

为了加快核密度估计(KDE)的计算速度,简化模型复杂度,提出了一种基于稀疏贝叶斯回归的KDE稀疏构造算法SBR-KDE.该算法将经人工加噪处理后的分布函数逼近值作为输入,获得了KDE的极为稀疏表示形式.实验结果表明:与传统KDE算法相比,在保持相当计算精度(多数情况下降低了模型误差)的情况下,文中算法的时空效率大幅度提高,而且在小样本训练集条件下得到的密度估计更光滑;独立成分分析及高斯化变换的应用使文中算法在一定程度上缓解了维数灾难.