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...     

一种改进的Lasso方法及其在对数线性模型中的应用

变量选择在数据分析中有着重要应用,其参数估计的渐近性质,特别是Oracle性质及组效应性质在变量选择方法上尤其重要。针对Lasso方法一般情形下不具有Oracle性质及组效应性质,将探讨Lasso的一种改进方法,即Adaptive elastic net方法在Poisson对数线性模型的应用,证明当满足一定条件时,Adaptive elastic net方法估计具有Oracle性质及组效应性质,并利用数值模拟验证其优良性。     

空间自回归模型的变量选择

空间自回归模型是空间计量经济学中用以刻画观测单元之间空间相关性的常用方法.基于Adaptive Lasso方法研究了这类模型的变量选择问题.利用数值模拟考察了所提方法在有限样本下的表现,结果表明所用的方法可以有效地筛选出不显著的变量,并且给出对因变量影响显著的自变量对应的系数估计值.最后利用该方法分析了波士顿房价数据.     

基于M-估计单指标模型的变量选择

结合M-估计与Adaptive Lasso方法用于实现单指标模型(SIM)的变量选择.用B-样条基函数逼近联系函数,构造惩罚估计方程.进一步建立并证明了所提变量选择方法具有oracle性质.随机模拟和实例分析验证了所提方法在有限样本时的表现,证实了所提方法的优良性.     

基于预测变量图结构的高维逻辑回归模型

针对高维数据集,提出一种利用预测变量之间的图结构信息来改进稀疏逻辑回归模型的方法。该方法通过利用高维图结构数据或者重叠组结构来进行逻辑回归建模,即使预测变量的图结构未知,该方法仍适用,当图结构为某些特殊形式时,目前流行的方法,如Adaptive Lasso,(Overlapping) Group Lasso和岭回归都可以看作是该模型方法的特例。数值模拟和实例分析应用表明:该方法能有效地利用预测变量图结构信息,提高模型在估计、预测以及变量选择等方面的表现,并且该模型在有限样本情形下是有效的;该模型方法克服了数据集的维数问题,利用高维数据的图结构提高了稀疏逻辑回归模型的性能,可广泛应用于高通量基因数据集的疾病分类研究中。     

基于Adaptive Lasso的股票指数跟踪问题研究

将处理高维数变量选择问题的Adaptive Lasso运用于指数跟踪问题,利用LQA算法,实现Adaptive Lasso的求解,为构建股票投资组合跟踪指数提供了一种新的方法。实证部分表明:利用此方法构建股票组合来跟踪沪深300指数能够获得很小的跟踪误差,预测能力十分可观,且计算时间极短,说明了该方法在指数跟踪中的实用性。     

Logistic模型自适应组Lasso算法

本文将自适应Lasso与组Lasso进行结合得到了自适应组Lasso,给出了拥有自适应组Lasso惩罚项的logistic模型的相关概念及其符号表示;运用坐标梯度下降算法给出了模型的求解方法;数值模拟表明了该方法在变量选择以及模型预测中的优势.     

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.     

基于序lasso的时间序列分析方法

传统的lasso法因其解的稀疏性、变量选择的稳定性被广泛应用在高维、复杂、多变的大数据的降维及分类中,但在处理时序大数据时,lasso法因不考虑变量的时序关系而受限制。鉴于这一缺点,本文在处理时序数据时采用序lasso方法。序lasso将不同特征的不同时间点的数据作为输入变量,能够有效地估计出每个特征最合适的时滞间隔,它的优点是在恢复真实系数上消除了尾部的波动性。基于实际的时序数据上的实验结果证明了本文的模型和算法。     

基于L曲线方法的Lasso正则化参数选择

大数据背景下,基于罚函数的正则化方法是高维数据变量选择的重要方法.Lasso估计是常用的变量选择方法,而Lasso正则化参数的取值直接影响选择模型的性能,是正则化方法成败的关键.针对Lasso估计,提出一种新的L曲线(LC)准则选择正则化参数.数值模拟和实际应用表明:相比CV,GCV,BIC等准则,LC准则能够以较高的...     

郑州白糖期货价格的模型选择方法

主要利用逐步回归和Lasso 2种方法来讨论郑州白糖期货市场白糖1011远期合约价格模型的问题,对白糖的收盘价格进行建模,在挑选出显著性变量后,根据2种方法确定的模型来分别预测白糖的价格,通过比较预测结果,发现Lasso方法的预测效果明显强于逐步回归方法,从而得到更稳定、更准确的预测模型.     

基于Lasso方法的碳钢土壤腐蚀率预报研究

提出了一种基于Lasso的step adaptive Lasso with Pls(SALP)方法,采用Bayesian Bootstrap算法重构样本,通过多模型集成对变量进行预选,以消除数据扰动和离群点对于模型性能的影响。应用偏最小二乘权重系数改善Lasso方法在处理小样本数据时的参数估计不准确问题。采用碳钢在土壤中的腐蚀数据为研究对象,建立了腐蚀率模型。实验证明:SALP方法建立的模型可以准确地拟合和预测土壤中的碳钢腐蚀率变化。该方法适用于自然环境中材料腐蚀率的预测及类似研究领域。     

基于REGAR模型的对外贸易对人民币汇率波动的影响分析

探讨自回归相依误差回归模型参数估计的变量选择方法,给出求解算法.模拟研究发现,SCAD和自适应Lasso方法比Lasso效果更好.将变量选择方法应用于人民币汇率波动的影响研究,选择出2个具有显著影响的因素——外汇储备、货币和准货币供应量期末值.外汇储备的降低、货币和准货币供应量期末值的增加均会导致人民币汇率的升高.     

基于多重共线性的Lasso方法

多重共线性是多元线性回归分析中的一个重要问题,消除共线性的危害一直是回归分析的一个重点.就此问题介绍了一种Lasso方法,并设计了一种选择最佳模型的方法.通过实例分析,将其与常用方法进行比较,从结果可看出,Lasso回归在处理多重共线性问题上较其他方法更加有效.     

基于ICA-PCA和Lasso的过程故障诊断

为了解决复杂工业过程中变量多,难以判断引起故障的主要异常变量的问题,提出一种基于ICA-PCA(独立成分分析和主成分分析)算法和Lasso(最小绝对收缩和选择算子)回归算法的过程故障检测与诊断的集成模型.首先,建立ICA-PCA模型提取数据的高斯信号和非高斯信号,构造相关统计量实现在线故障检测;然后,基于ICA-PCA模型获得的过程状态及故障信息,进一步构造基于Lasso回归算法的故障诊断模型,实现故障发生时的主要异常变量的定位和选择;最后,利用Matlab进行了TE(田纳西-伊斯曼)过程的数值仿真实验,并与已有故障诊断方法分布式PCA贡献图法进行比较,结果表明所提出的方法是有效的.     

基于变量选择-神经网络模型的复杂路网短时交通流预测

摘要： 针对传统交通流预测模型正在由单断面历史数据处理向多断面、多时刻历史数据处理转变,但在考虑各断面间的影响时,多变的交通状况往往会使预测模型复杂化的问题,引入一种多元线性回归最小绝对收缩和选择算子方法(Lasso),并利用其优秀的变量选择能力,在复杂路网多断面中选出相关性较高的断面;结合神经网络(NN)的非线性特性,提出了Lasso NN组合模型.结果表明：Lasso NN模型在路网交叉口对未来15 min交通流数据预测的误差率低于9.2%;在非交叉口的误差率低于6.7%,总体优于各自单独使用得出的结果.     

Logistic模型中参数的自适应Lasso估计

目的研究Logistic模型的参数估计。方法在L1罚中引用一个自适应的权,即自适应Las-so方法。结果自适应Lasso方法对Logistic模型同时进行了模型选择和参数估计。结论在一定的正则条件下,Logistic模型的自适应Lasso估计是满足Oracle性质的。     

基于Lasso回归和ARIMA模型的城市生活垃圾产生量预测——以宝鸡市为例

基于宝鸡市2009—2019年城市生活垃圾产生量及其影响因素的基础数据,首先通过Lasso回归建立了生活垃圾产生量预测模型,其次通过ARIMA模型对模型中主要影响因子进行了预测,最后通过Lasso模型对2020—2025年宝鸡市城市生活垃圾产生量进行了预测.结果表明,Lasso回归模型预测精度高,可用于城市生活垃圾产生量的精准预测.未来几年宝鸡市生活垃圾产生量将会快速增长,2025年将达到的52.71×104t.     

基于二次Lasso回归的纵向驾驶员模型研究

为了更好地模拟实际驾驶员行为,提出基于二次回归和 Lasso回归方法的纵向驾 驶员回归模型. 通过采集纵向驾驶行为数据,提取可能影响驾驶行为的状态参数,进而建立二 次回归驾驶员模型;面向多参数回归模型中的多重共线问题,采用Lasso回归方法进行状态参 数筛选;结合筛选数据建立二次回归驾驶员模型. 为了验证模型的有效性,与PI驾驶员模型和 一次 Lasso回归驾驶员模型进行仿真对比 . 仿真结果表明,相较于其他两种模型,所建立的驾 驶员模型具备良好的工况跟随效果,同时能较好地反映实际驾驶行为特征.     

基于不平衡情感分类的Lasso-Lars特征选择方法研究

基于Lasso回归和支持向量机分类器,首先利用Lasso回归具有变量筛选的特点,过滤部分不重要的特征,然后利用支持向量机分类器做情感提取.在某化妆品品牌的评论数据实验中,利用基础情感词典和领域情感词典构建待选择高维特征集,通过对比特征选择前后的G-means,精确度和召回率等,均取得显著效果.