A monetary real‐time conditional forecast of euro area inflation

Based on a vector error correction model we produce conditional euro area inflation forecasts. We use real‐time data on M3 and HICP, and include real GPD, the 3‐month EURIBOR and the 10‐year government bond yield as control variables. Real money growth and the term spread enter the system as stationary linear combinations. Missing and outlying values are substituted by model‐based estimates using all available data information. In general, the conditional inflation forecasts are consistent with the European Central Bank's assessment of liquidity conditions for future inflation prospects. The evaluation of inflation forecasts under different monetary scenarios reveals the importance of keeping track of money growth rate in particular at the end of 2005. Copyright © 2009 John Wiley & Sons, Ltd.     

Long‐memory dynamic Tobit models

We introduce a long‐memory dynamic Tobit model, defining it as a censored version of a fractionally integrated Gaussian ARMA model, which may include seasonal components and/or additional regression variables. Parameter estimation for such a model using standard techniques is typically infeasible, since the model is not Markovian, cannot be expressed in a finite‐dimensional state‐space form, and includes censored observations. Furthermore, the long‐memory property renders a standard Gibbs sampling scheme impractical. Therefore we introduce a new Markov chain Monte Carlo sampling scheme, which is orders of magnitude more efficient than the standard Gibbs sampler. The method is inherently capable of handling missing observations. In case studies, the model is fit to two time series: one consisting of volumes of requests to a hard disk over time, and the other consisting of hourly rainfall measurements in Edinburgh over a 2‐year period. The resulting posterior distributions for the fractional differencing parameter demonstrate, for these two time series, the importance of the long‐memory structure in the models. Copyright © 2006 John Wiley & Sons, Ltd.     

再论本原指标缺数

本文在[1]、[2]的基础上,对s≥5时,s-3s+4,s~2-3s+3,s~2-3s+2以及s~2-3s+1到s~2一4s+7这一区段内的本原指标缺数的情形进行了讨论,得到了明确的结论。同时,又对[1]中的一些结论重新给出了较为简洁的证明。     

基于协作过滤的传感器数据补全方法

如何对缺失的传感器监测数据进行补全是物联网信息感知过程中的一个关键问题.针对这一问题,提出了一种基于协作过滤的传感器数据补全方法.该方法利用传感器之间的时空相关特性,考虑到同一区域的传感器或同一传感器的不同监测周期中相应的监测数据具有很大的相似性这一特点,通过对缺失数据的传感器进行分类,分别使用不同的相似评价方法选取相似传感器,以保证估计值的准确性.结果表明,该方法对环境变化幅度较大时段的缺失数据进行估值的效果要优于其他方法.     

投资组合中不完全数据的处理方法

投资者通常要利用数据进行投资分析,由于各个证券市场成立的时间不同,投资者所获得的历史数据长度各不相同。如果将较长的历史数据"截断"使其与较短的历史数据长度相同,这样将丢失部分有效数据从而影响分析结果,较长的历史数据为我们提供了更详细的信息。本文利用EM算法和"综合样本"法解决长度不等的历史数据问题。     

基于关系马尔可夫模型的枚举型缺失值估计

针对数据质量中数据缺失问题,提出了基于关系马尔可夫模型(RMM)的枚举型缺失值估计方法.该方法充分考虑属性间的关联性,将动态属性选择(DAS)方法与RMM结合,最大限度地利用完整数据的信息,提高了该方法的估计能力;利用RMM计算源状态到目的状态的转移概率,采用MaxPost和ProProp 2种缺失值填充方法,对缺失值进行填充.采用公认数据集,进行了对比实验,验证了该方法的有效性和优越性.     

不同类别非完整大数据中缺失数据填充算法研究

针对目前缺失数据填充算法精度低、运行效率低、内存占用率大的特点,提出一种新的不同类别非完整大数据中缺失数据填充算法。通过2个定理阐述了缺失数据填充算法的原理,给出信息熵的计算过程。输入根据数据集构建的决策表和不同类别非完整大数据中缺失数据的最大值、最小值、填充步长。求出其他类指标和某类指标的相关性,得到数据集,求出权重系数;计算初始数据库的信息熵,通过相关理论或经验对缺失数据区间下限进行设定;用一个很小的区间数据取代缺失数据,根据给出的步长不断扩大区间范围,绘制出每一步信息熵状况,将其与初始数据库信息熵相比,实现缺失数据填充。实验结果表明,所提算法精度高、运行效率高、内存占用率低。     

缺失数据下两个逆高斯总体的估计与检验

讨论部分缺失数据下逆高斯总体两参数的估计,证明估计的强相合性与渐近正态性.同时,给出检验两总体参数相等的检验统计量,及其极限分布,并讨论基于精确分布的检验问题.     

Any-Cost Discovery:优化分类规则发现方法

充分利用缺失数据中所包含的信息,提出了一种新的分裂属性的选择标准建立决策树.用户提供一定的资源后,通过访问该决策树,最大限度地利用该资源,以达到在有限资源约束下的最优结果.另外,该方法还可以对于需要追加资源与否提出建议.     

基于SA-MCMC算法的非线性测量误差模型数据删除影响

为了研究非线性测量误差模型强影响点的识别问题,首先将非线性测量误差模型中存在误差的不可观测的数据当作缺失数据,利用SA-MCMC算法求得模型参数的最大似然估计,然后用Q函数代替可观测数据的对数似然函数进行影响分析,得到了建立在Q函数基础上的广义Cook距离及其一步近似,最后通过算例说明了诊断统计量的有效性.