线性模型选阶的一个新准则

本文给出了新的线性模型选阶准则Λ。由Λ推广得到的Λα。在适当选取α之后，能够浙近正确地选出真模型的阶数，文中讨论了ＡＩＣＣ和Λα的选阶比较问题。     

线性模型信息准则的稳健性

在不需要假定：１）被选模型包含真实模型；２）误差分布为正态分布的条件下，应用作者定义的广义Ｋ－Ｌ差异度，得到了自变量选择的广义Ｋ－Ｌ差异度准则。这个准则包含了所有信息准则作为它的特例，由此说明信息准则具有稳健性。     

时序模型定阶准则评述与改进

对时序模型常用定阶准则作了较全面的评述，并提出了一些改进设想。     

广义K—L差异度准则的渐近最优性

讨论了线性回归模型自变量选择的广义Ｋ－Ｌ差异度准则的渐近最优性问题。     

线性回归模型自变量选择准则的比较分析

将一些自变量过择准则用一种统一的形式表示,并依此得到这些准则所选出的自变量个数的顺序关系,从这些关系推出所给出的广义K-L差异度准则能选取较少的自变量,同时也指出广义K-L差异度准则具有利用数据本身选择惩罚因子的优点。     

广义K－L差异度准则的渐近最优性

讨论了线性回归模型自变量选择的广义Ｋ－Ｌ差异度准则的渐近最优性问题．     

线性自回归模型的自回归分析

将回归模型的回归分析推广到线性自回归模型的自回归分析,获得了线性自回归模型参数的估计公式、估计标准误公式、变量的点估计与区间估计公式、总体自回归系数的检验统计量。     

从审计准则角度看注册会计师的民事责任

分析了独立审计准则中的“真实性”概念与法律意义上的“真实性”之间的区别，探讨了独立审计准则中的“职业谨慎”与民法上的“过失(过错)”之间的关系，得出独立审计准则中的“真实性”与民法上的“过错”相对应，只要注册会计师遵循准则，保持合理的职业谨慎，就不会发生重大过失，避免承担民事责任。     

基于最小一乘准则的非线性回归模型研究

给出基于最小一乘准则的非线性回归模型的参数估计算法。该算法利用泰勒级数和最小一乘准则的性质,得到模型的参数估计值。文中用实例验证了该算法的正确性和有效性,同时也证实了最小一乘的稳健性。     

边界条件下线性模型中的一个影响度量

在研究数据对模型的影响时，建立判定强影响点的方法是一个重要问题，本文从预测值度量讨论数据对边界条件下线性模型影响，得到了两个有意义的结果。     

岭估计的一个影响度量

提出了预测数据对岭估计的影响一个度量，建立了它与全相关系数的联系，并和岭估计中的ｃｏｏｋ距离作了比较。     

利用软件SAS/OR建立最小最大化准则回归模型

建立回归模型一般使用最小二乘法，但在某些场合建立最小最大化准则回归模型更有意义。本文给出了利用SAS／OR软件建立最小最大化准则回归模型的方法。     

基于最小一乘准则的非线性回归模型研究

给出基于最小一乘准则的非线性回归模型的参数估计算法.该算法利用泰勒级数和最小一乘准则的性质,得到模型的参数估计值.文中用实例验证了该算法的正确性和有效性,同时也证实了最小一乘的稳健性.     

基于自回归时序盲辩识的机械故障诊断

提出了一种自回归(AR)模型的盲辨识的算法，该算法与传统AR模型的辨识算法的区别在于它可同时确定AR模型的阶次和参数，而不需事先确定AR模型的阶次或假定AR模型的阶次已知，其特点是计算量小，具有很好的收敛性，并在此基础上将AR模型的盲辨识方法应用到机械故障诊断中．     

自相关线性回归模型的若干问题

在普通线性回归模型的理论、方法的基础上，对讨论更一般的线性回归模型－－自相关的线性回归模型。     

基于ε-SVR的用户视听在线人数预测

预测视听在线人数能够帮助厂商提供有价值的信息, 获取更大效益. 从时间序列分析出发, 经过特征调整, 利用支持向量回归对用户视听在线人数进行准确预测. 首先, 对数据进行时间序列分析建模并预测; 然后, 将模型视为线性回归对用户视听在线人数作进一步改进, 结合时间与实际生活中的特征进行调整, 并添加了新的特征; 接着, 对新特征组成的样本进行支持向量回归, 通过社会认知优化寻找径向基函数中的最优参数; 最后, 得到比较理想的预测效果.     

股市预测的一个随机时间序列模型及其实证

给出了将非平稳时间序列转化为平稳序列构建自回归模型的步骤和方法.将这一方法具体运用于上证指数的预测,并证实该方法与实际吻合很好.最后讨论了该方法运用于股市波段预测应注意的问题.     

广义线性模型拟合方法的相容性

广义线性模型包括了回归、自回归及其混台型的线性模型,是一种比较广泛的统计模型.对它的拟合,主要包括了对参数的最小二乘估计,以及对自变元的选择估计.本文的目的在于,综述近十余年在此领域中的重要研究成果,其中也包括介绍某些主要结论的证明方法.