关于非参数回归模型的误差密度估计

运用泰勒展式讨论了非参数回归模型中未知误差分布函数f（e）的核密度估计fn（e）的渐进性质,以及估计量fn（e）中光滑参数的选择,并给出了f（e）的置信区间．     

基于改进支持向量回归的联合指纹定位算法

该文针对复杂的室内环境下,传统的RFID室内定位技术获得的接收信号强度特征向量维数较低,不能充分描述环境信息,无法获得良好的定位效果的问题,基于联合指纹提出一种鲁棒性强的高精度室内定位算法。该算法首先从RFID阅读器接收到的信号中提取信号强度和相位差数据,建立指纹库。然后利用凹函数递减策略改进PSO算法,优化SVR模型训练样本数据,建立参考标签的指纹特征和其与阅读器距离的映射关系。最后利用改进PSO算法迭代寻优,从而提高室内定位精度和鲁棒性。在仿真中,将该算法与GA-SVR和PSO-SVR算法进行比较,分析了不同指纹数据集和噪声对定位性能的影响。仿真结果表明,在相同指纹数据集和环境下,该算法的定位精度和系统稳定性均优于其他两种算法。     

综合岭回归和SARIMA方法在桥梁健康监测数据分析中的应用

桥梁健康监测系统的实测数据普遍存在缺失问题,为了保证桥梁监测数据的完整性,更好地预测桥梁未来的健康状况,提出了一种具有样本内和样本外预测能力的组合模型。样本外预测可以基于现在数据预测未来的桥梁健康状态,样本内回归用于填补传感器数据中的缺失值,确保桥梁监测数据的完整性。由于不同位置处相同类型传感器的相关性较强,首先利用岭回归（Ridge Regression,RR）解决共线性问题,建立各传感器数据之间的关联,并预测缺失数据。接着引入季节性差分自回归滑动平均(Seasonal Autoregressive Integrated Moving Average,SARIMA) 方法,利用其样本外预测能力并结合岭回归方法预测桥梁未来运行数据。然后,通过设立预警值实现健康状况预警,以保证桥梁健康运行。最后,将该方法应用于实桥中,验证了其有效性,为传感器数据填补以及预测桥梁未来状态提供了一个有效的预测模型。     

基于时空地理加权回归的服务区驶入量影响因素分析

为掌握河北省服务区驶入量的时空分布规律,构建了时空地理加权回归（geographically and temporally weighted regression,GTWR）模型,揭示了服务区规模、服务区地理区位、关联地区土地利用、高速公路类型等因素在时间和空间上对服务区不同车型驶入量的影响。结果表明：时空地理加权回归模型的拟合结果显著优于最小二乘回归模型与地理加权回归模型;断面交通量对三种车型均具有促进作用,特别是在夏季高温地区服务区对于小型车驶入量促进作用显著;2~4h车程范围内,风景名胜密度对小型车驶入量具有促进作用,且在旅游旺季及位于旅游业发达城市的服务区影响最显著;2~4h车程范围内工商业型信息点(point of information,POI)密度对大中型车驶入量具有促进作用,特别是在货运高峰期及位于商贸发达城市的服务区促进作用显著;所属高速公路沿途资源型城市数量对服务区大型车驶入量具有显著促进作用,特别是在供暖季节。     

我国货币供给函数的协整与误差校正模型

传统的线性回归建模常假定时间序列是平稳的,以保证普通最小二乘法得到的估计量一致.而多数经济时间序列却是非平稳的,对其做线性回归可能产生所谓的“伪回归”.在协整理论基础上,借助统计和整理的经济数据,运用计量经济学的Eviews统计软件对我国货币供给进行实证分析,建立了误差校正模型.对误差校正模型残差的自相关性、异方差性进行检验,结果表明该模型在我国货币供给中是有效的,克服了“伪回归”现象,且具有很好的经济解释意义.     

基于局部优化具有连续变量的贝叶斯网络结构学习

概述了具有连续变量的贝叶斯网络结构学习存在的主要问题,给出了基于局部优化的具有连续变量的贝叶斯网络结构学习方法.通过构造局部最优回归模式、局部回归模式的条件组合及环路处理,建立了具有连续变量的贝叶斯网络结构,既可以避免复杂的结构打分运算及结构空间搜索,同时又不会出现由于离散化而导致过多的信息丢失及假依赖现象.     

几种一元拟线性回归中的问题与改进措施

讨论幂函数、指数函数、双曲函数及S型曲线通过换元进行线性回归时,所满足的最小二乘条件,指出换元线性化回归存在的问题,提出了改进措施,并给出幂函数和双曲函数回归的实际算例.理论分析与实验表明,换元后的因变量具有异方差性,致使拟线性回归参数的精度较低,但拟线性回归的参数精度可通过加权回归的方法得到大幅度提高.     

基于支持向量回归和高斯过程回归的水文时间序列特征提取方法

水文时间序列受多种环境因素影响,表现出明显的综合性,传统的利用单一神经网络进行特征提取解释性不足。提出一种基于支持向量回归和高斯过程回归的水文时间序列特征提取方法。首先,罗列水文时间序列候选特征,将特征组合等价于0-1规划,并将各特征组合分别进行支持向量回归与高斯过程回归建模;其次,利用遗传算法演化求解一组最优特征组合,使得支持向量回归和高斯过程回归输出误差同时最小;最后,为了证明所提方法的高效性与准确性,以屯溪流域水文时间序列数据为对象进行验证。实验结果表明,基于支持向量回归和高斯过程回归特征提取方法的水文时间序列预测结果优于传统神经网络特征提取方法。     

Consistent forecast intervals when the forecast-period exogenous variables are stochastic

Derivation of prediction intervals in the k-variable regression model is problematic when future-period values of exogenous variables are not known with certainty. Even in the most favourable case when the forecasts of the exogenous variables are jointly normal, the distribution of the forecast error is non-normal, and thus traditional asymptotic normal theory does not apply. This paper presents an alternative bootstrap method. In contrast to the traditional predictor of the future value of the endogenous variable, which is known to be inconsistent, the bootstrap predictor converges weakly to the true value. Monte Carlo results show that the bootstrap prediction intervals can achieve approximately nominal coverage.     

Out‐of‐sample equity premium prediction: A scenario analysis approach

We propose two methods of equity premium prediction with single and multiple predictors respectively and evaluate their out‐of‐sample performance using US stock data with 15 popular predictors for equity premium prediction. The first method defines three scenarios in terms of the expected returns under the scenarios and assumes a Markov chain governing the occurrence of the scenarios over time. It employs predictive quantile regressions of excess return on a predictor for three quantiles to estimate the occurrence of the scenarios over an in‐sample period and the transition probabilities of the Markov chain, predicts the expected returns under the scenarios, and generates an equity premium forecast by combining the predicted expected returns under three scenarios with the estimated transition probabilities. The second method generates an equity premium forecast by combining the individual forecasts from the first method across all predictors. For most of predictors, the first method outperforms the benchmark method of historical average and the traditional predictive linear regression with a single predictor both statistically and economically, and the second method consistently performs better than several competing methods used in the literature. The performance of our methods is further examined under different scenarios and economic conditions, and is robust for two different out‐of‐sample periods and specifications of the scenarios.