时间序列自相关函数的局部影响分析

 时间序列模型不同于一般的线性回归模型,其样本点之间存在着一定的相依结构使得常用的探测异常值的方法,如数据删除、单点求导等对时间序列而言效果不佳.为了探测时间序列中的强影响点,文章介绍了局部影响分析方法,研究同时对几个点作微小扰动时自相关函数的局部改变量.最后,用一个例子来比较局部影响方法与单点求导方法在探测强影响点上的优劣性.     

一类线性混合效应模型分位数估计的影响分析

当回归模型误差服从非对称或非正态分布时,尤其是在重尾分布或分布受污染的情况下,如何检测纵向数据中的异常值是数据分析中的一个重要问题。为了克服非正态分布模型误差的影响,采用稳健的分位数方法对一类线性混合效应模型进行参数估计,并分别基于数据删除模型和均值漂移模型构造强影响点的诊断度量和异常值的检验统计量,以有效地检测强影响点和异常值点。在识别强影响点时,为了减轻计算负担,利用光滑逼近的方法给出了数据删除模型参数的一步近似估计,并据此构造出基于损失函数的距离和Cook距离。为了能够识别异常值点,首先构造出检验异常值点的Wald统计量,然后基于数据删除模型和均值漂移模型的系数估计的等价性,利用Bootstrap抽样得到检验的拒绝域。数值模拟结果表明,本文所提的诊断度量和检验统计量都能够很好地判断出强影响点和异常值点。最后应用本文方法针对化学实验纵向数据进行了影响分析。     

Logistic模型的统计诊断

系统地分析了Logistic模型的统计诊断,将线性模型的诊断方法运用到Logistic模型。推导出数据删除模型一阶近似的参数估计公式,并给出数据删除模型与均值漂移模型的等价性;推导了判别强影响点或异常点的诊断统计量如Score统计量、广义Cook距离、似然距离等。通过实例分析证实了该诊断方法的有效性。     

对一组种子数据的统计分析

Crowder曾经研究过一组种子数据,这组数据所对应的模型为二项线性混合效应模型.本文运用EM算法对模型进行参数估计,并利用“点删除”方法探测到了数据中的强影响点.     

基于证券数据特征的孤立点检测算法及应用

在时间序列数据挖掘领域,对孤立点的研究已经成为关注的热点。结合证券领域数据在时间和取值方面的相关特征,提出了一种新的孤立点探测方法,以便在海量数据中高效快速的寻找出证券领域数据集合中的孤立点,研究产生这些异常数据的原因,及时发现金融欺诈等违法行为,以便规避风险、保护用户利益。     

混合模型固定效应的影响分析

混合模型在许多方面有着广泛的应用，混合模型参数的传统估计方法对于数据点都十分敏感．文中采用数据删除方法来判别混合模型的强影响点和异常点，推出了较为方便的计算公式，最后将此方法用于一例     

金融时间序列变点探测的小波模极大值线方法

研究小波变换方法在金融时序分析中模型变点探测的应用,对金融时间序列采用连续小波变换,通过分析小波变换模极大值线对应的时间序列样本点的小波系数特点,提出了金融时间序列变点探测的小波模极大值线方法,并对广义自回归条件异方差均值模型(GARCH-M模型)进行了仿真计算,其结果验证了此方法的实用性和有效性.该方法更能准确定位金融资产收益率波动所发生的具体时刻,有利于金融资产价格异常时点的正确识别与统计建模分析和资产收益率波动的预测.     

基于统计方法的异常点检测在时间序列数据上的应用

异常点是时间序列数据中不可避免的特殊点,会对时间序列数据的分析产生负面影响。文章设计了一种适用于时间序列数据的基于统计的异常点检测与修正方法,可以有效地检测出异常点出现的位置并进行修正。使用酒店间夜数据进行的数值实验表明,使用修正后的数据集相对于使用原数据集预测精度会提高3.4%～4.4%。     

基于混沌的异常数据的动态识别与挖掘

异常数据的识别与挖掘是非常重要的数据分析之一,在传统的数据分析中往往将异常数据的影响最小化或剔除它们,这可能导致重要的隐藏信息的丢失.该文提出了一种时间序列中异常数据检测与挖掘的新方法,首先计算出时间序列相邻两个点之间的斜率,再与混沌预测斜率相比较以检测出数据的偏差点集,其次对偏差点集进行动态方差检测以确定其异常数据集.该算法较好地解决了异常数据分析中的"屏蔽效应"及异常数据识别不能具体量化的缺陷.     

二元相依生存数据的贝叶斯统计诊断

基于FGM Copula函数刻画二元相依生存数据的相关关系，B样条函数拟合边际基本危险函数，建议半参数二元相依生存模型，相比较于全参数模型，其更为灵活柔性，适应范围更广.在贝叶斯理论框架下，基于Gibbs抽样和MH抽样的混合算法，对模型未知参数进行估计同时，建议了贝叶斯数据删除影响分析和贝叶斯局部影响分析的统计诊断方法.数据模拟和实例分析例证了所提出的半参数模型及其算法的可行性，所建议的统计诊断方法能检测出潜在异常点或强影响点.     

股指时间序列突变点小波检测研究

预测股指时间序列突变点是在股票市场上进行投资的一个关键问题,而检测突变点是预测的基础.在检测深沪两市股指时间序列月度收益率突变点位置和个数时采用了非参数方法,该方法基于小波数据依赖门限技术.研究显示了运用Lipschitz指数解释的突变点的数学特征.使用的模型证明了小波变换模的极大值能够检测出突变点的位置,实证结果也显示出突变点的位置和个数是精确的.     

主动轮廓模型及其在医学体分割中的应用

利用医学序列切片在灰度值和空间位置上的相关性,对传统主动轮廓模型进行改进,将其应用于医学体数据分割中.以物体轮廓采样到其相邻两采样点中点的距离为内部能量函数,同时通过制约轮廓的长度,使其尽可能短来达到;利用图像区域的局部梯度信息,同时利用序列图像之间局部区域的全局信息及其相关性重新构造外部能量函数;并根据内外部能量的比值,动态的调节权值参数.实验结果表明,改进算法既可以有效地检测出一些拐角点和凹点,又可以避免目标边缘收敛于某些噪声点或伪边缘点,可达到良好的体分割效果.     

基于均匀布点的模拟退火算法

把实验设计中的均匀设计思想引入模拟退火，提出了一种基于均匀设计变量的模拟退火优化方法。该方法根据均匀设计原理在优化模型的设计变量空间内均匀分布一系列点，然后，将可行域内的上述系列布点作为优化计算的系列初始点，并运用模拟退火算法，分别开始进行优化计算，得到优化模型的一系列局部最优点。最后，比较所有局部最优点的最优值，即认为在一定程度上获得了该优化问题的全局最优解。该算法可求取非线性多峰函数的全局最优解。编制了计算程序，给出了计算实例，计算结果表明该设计方法是可行的。     

多元时间序列模式异常研究

为了提高多元时间序列模式异常检测算法的有效性和合理性,在k-近邻局部异常检测算法的基础上,结合基于主元分析的多元时间序列的降维方法,对多元时间序列模式异常进行检测.实验结果验证了该算法对多元时间序列模式异常检测的准确性和有效性.     

基于时间序列分析的网络流量异常检测

针对传统模型无法对网络流量异常进行准确识别和检测的问题,提出一种基于时间序列分析的网络流量异常检测模型.首先提取网络流量的原始数据,并对原始数据进行小波阈值去噪处理,消除干扰因素的影响;然后采用时间序列分析法挖掘网络流量数据之间的变化关系,建立网络流量异常检测模型;最后通过仿真实验验证检测模型的有效性和优越性.实验结果表明,时间序列分析法可以准确、及时地检测网络流量的异常行为,且结果优于目前其他网络流量异常检测模型.     

基于滑动窗口的奇异点数据挖掘算法研究

在一条时间序列上与其它序列点存在显著差异的点,被称为奇异点.提出了一种基于滑动窗口的奇异点挖掘算法,该算法利用局部异常因子检测的方法检测出时间序列中的奇异点,再利用移动平均模型对奇异点的趋势进行判断,这样能更直观的看出奇异点对时问序列趋势的影响.通过对证券信息点和上证指数收盘点数构成的时间序列进行分析,结果表明该算法的...     

基于局域波法的时间序列预测

提出了一种新的用于时间序列预测方法。由于实际信号常常具有非平稳特征，直接应用AR模型进行时间序列分析，得不到理想的效果。而局域波分解法是一种新的分析非平稳、非线性的工具。用局域波分解法对待预测的时间序列进行经验模式分解，产生多个基本模式分量，对各个分量分别进行AR模型预测，然后重构各个预测值。仿真结果表明预测结果比直接进行AR模型预测更加精确。     

固定转换参数的GPS网平差与坐标转换模型

分析了起始数据误差与坐标轴指向变化对于转换参数的影响 ,提出了采用固定转换参数的GPS基线向量与地面已知数据进行联合平差与转换的模型 ,探讨了采用该模型计算时应该注意的问题 .利用这一模型处理了上海地铁M8线GPS控制网的数据 ,结果表明 :当已知点位于GPS网的一侧时 ,采用这一模型能够显著地提高GPS控制网的外符合精度 .     

基于模态重构与多维评价的时间序列趋势提取

为了准确提取时间序列的趋势特征，提出一种基于模态重构与多维评价的时间序列趋势提取算法。定义重要点作为时间序列分段点的候选集，运用自适应噪声的完备经验模态分解方法对时间序列进行分解和模态重构得到全局因子，使用全局因子度量重要点在整体维度上的重要程度，给出特征因子和边界因子的定义并分别用来度量重要点在单点维度和局部维度上的重要程度，根据3个评价因子综合评价重要点来选取分段点。仿真实验结果表明，该方法具有良好的去噪能力，在相同压缩率情况下的拟合精度比现有方法高，在对心电图趋势提取的实验中也验证了方法的有效性。     

非参数趋势项时间序列自协方差函数的变点检测

本文主要考虑带有非参数趋势项时间序列的自协方差函数的变点检测问题.本文采用局部多项式对趋势项进行拟合,并对去除趋势项后的时间序列,通过累积和(CUSUM)统计量进行变点分析.在GMC条件及一些正则性假设下,我们讨论了检验统计量在原假设和备择假设下的渐近性质及检验的相合性.实证方面,我们运用0-5阶的局部多项式分别对带有AR(1)误差的模型进行估计,并进行变点检测.通过检验水平和经验功效的比较分析,验证了有限样本下检验方法的有效性.