带有非齐次结构动力因子模型的估计与检验

因子模型在刻画因子之间的相互关系以及因子与观测变量之间的关联性具有重要作用.在实际应用中,观测数据往往呈现出时序变异多峰、偏态等特性.本文将经典的潜变量模型延伸到非齐次隐马尔可夫潜变量模型,建立了极大似然统计分析程序.经验结果展示所建立的统计程序是有效的.     

基于多元t-分布的隐马尔可夫潜变量模型的稳健推断

潜变量模型在刻画因子间的相互关系以及因子与观测变量间的关联性方面具有重要作用.在实际应用中,观测数据往往呈现出重尾和极端值等特性.将经典的潜变量模型延伸到齐次隐马尔可夫模型,并建立了基于多元t-分布的极大似然统计分析程序.经验结果展示所建立的统计程序对消除异常点的影响是有效的.     

隐马尔可夫因子分析模型的半参数贝叶斯分析

因子模型在刻画潜在因素(因子)与观测变量间的影响关系并进而解释多元观测指标(变量)间的相关性方面具有重要作用.在实际应用中,观测数据往往呈现出时序变异多峰,偏态等特性.将经典的因子分析延伸到带有时齐隐马尔可夫模型的动力因子模型,并建立了半参数贝叶斯分析程序.分块GIBBS抽样器用以后验抽样.经验结果展示所建立的统计程序是有效的.     

两部分潜变量模型的变分贝叶斯推断

两部分潜变量模型是一种被广泛用于探索半连续数据中不可观测异质性的统计方法.文章对两部分潜变量建立变分贝叶斯推断程序.相比于马尔可夫链蒙特卡洛(MCMC)抽样方法,变分贝叶斯方法具有计算速度快、可提供确定性解等优点.利用Logistic模型一个随机表示,构造了一个适当的变分分布族来近似后验.变分分布通过坐标上升变分算法获得;给出了变分参数的更新计划,建立了变量选择和模型评价贝叶斯程序.经验结果展示了该方法的有效性和实用价值.     

带有多重分类变量的潜变量模型的可识别性

潜变量模型是一种广泛应用于表征多个观察变量之间相关性的统计方法.在刻画多重分类数据关联性方面,这类模型通常假定每个分类变量都与一个潜在连续变量或向量相联系,通过潜变量或向量在窗口部分的观察值来确定分类变量的值,从而达到对类别界定.然而该方法存在一个弱点:观察似然或模型存在确定性问题.模型缺乏识别性必然会对估计构成影响....     

带有不可忽略缺失数据的半参数再生散度模型的贝叶斯分析

半参数再生散度模型是再生散度模型和半参数回归模型的推广,包括了半参数广义线性模型和广义部分线性模型等特殊类型.讨论的是该模型在响应变量和协变量均存在非随机缺失数据情形下参数的Bayes估计和基于Bayes因子的模型选择问题.在分析中,采用了惩罚样条来估计模型中的非参数成分,并建立了Bayes层次模型;为了解决Gibbs抽样过程中因参数高度相关带来的混合性差以及因维数增加导致出现不稳定性的问题,引入了潜变量做为添加数据并应用了压缩Gibbs抽样方法,改进了收敛性;同时,为了避免计算多重积分,利用了M-H算法估计边缘密度函数后计算Bayes因子,为模型的选择比较提供了一种准则.最后,通过模拟和实例验证了所给方法的有效性.     

带有不可忽略缺失数据的广义部分线性模型的贝叶斯分析

广义部分线性模型是广义线性模型和部分线性模型的推广,是一种应用广泛的半参数模型.本文讨论的是该模型在线性协变量和响应变量均存在非随机缺失数据情形下参数的Bayes估计和基于Bayes因子的模型选择问题,在分析过程中,采用了惩罚样条来估计模型中的非参数成分,并建立了Bayes层次模型;为了解决Gibbs抽样过程中因参数高度相关带来的混合性差以及因维数增加导致出现不稳定性的问题,引入了潜变量做为添加数据并应用了压缩Gibbs抽样方法,改进了收敛性;同时,为了避免计算多重积分,利用了M-H算法估计边缘密度函数后计算Bayes因子,为模型的选择比较提供了一种准则.最后,通过模拟和实例验证了所给方法的有效性.     

有调节的中介潜变量的循环效应模型

从解决大学生网络成瘾和抑郁相互影响关系的研究出发,构建了有调节的中介潜变量的循环效应模型.为对模型变量进行效应大小的分析和比较,推导出模型参数的标准化估计.运用我们提出的基于配方约束的潜变量回归的确定性线性算法来计算潜变量的值,避免了交互潜变量计算时观测变量的配对问题.对模型参数的OLS估计可能不具有一致性和无偏性进行了证明,并给出了解决问题的相应算法.总结出模型的算法步骤和变量的效应检验步骤.最后进行了数值模拟,验证了模型的合理性.     

基于因子隐马尔可夫模型的VaR与ES联合预测

VaR和ES是衡量金融资产风险的重要测度,对风险控制和金融危机的识别具有重要意义。本文以CAViaR模型为基础,通过因子隐马尔可夫模型构造潜变量,作为CAViaR模型的回归系数的组成部分,最终提出了一个含潜变量的VaR和ES联合估计方法(FHM-CAViaR),实现了VaR和ES的联合预测。在该模型中,潜变量由一个因子隐马尔可夫模型驱动,可以刻画市场信息对模型系数带来的长期效应与短期冲击,该因子隐马尔可夫模型的引入实现了分位数回归模型参数在上百个状态间的转换。最后,基于本文提出的FHM-CAViaR模型分别对上证综指、深证综指和纳斯达克指数的对数收益率数据进行实证分析。实证结果表明,本文提出的模型具有更优的预测效果。此外实证结果还表明,在危机期间VaR的序列聚集性有着显著的增加。本文提出的模型可以通过潜变量的变化识别市场的机制变换,且能更精确地对金融资产的VaR以及ES进行估计,给出金融风险度量一种新的研究方法。     

基于一类重尾分布的函数型线性回归模型的稳健性估计

假定随机误差分布来自具有重尾特征的scale mixtures of normal分布族,运用贝叶斯方法研究了函数型线性回归模型的稳健性估计,其中模型的响应变量为标量,解释变量为函数型变量.数值模拟结果表明:当响应变量的观测数据存在离群值时,建立的方法得到的模型参数的估计,要优于正态分布假定下的模型参数的估计.     

结构方程模型评价体系的可比性问题

随着结构方程模型评价体系的推广应用,评价体系的可比性问题值得关注。本文以顾客满意度指数(CSI)为例说明结构方程模型评价体系的可比性问题,并通过模拟研究说明结构方程模型评价体系保持可比性的关键,那就是在其他条件一致的情况下,各结构方程模型中对核心变量的显变量设定一致,而各结构方程模型纳入何种潜变量以及如何设定潜变量之间关系,对评价体系可比性的影响并不显著。     

双线性因子分析

因子分析(factor analysis,FA)是一种流行的从多变量中提取公因子的统计技术,但它仅适用于向量值数据(每个数据点为一向量).当FA应用于矩阵值数据(每个数据点为一矩阵)时,一种常用的做法是首先将矩阵值观测向量化.然而,向量化使得因子分析面临两个问题:可解释性变差,容易陷入维数灾难.为了解决这两个问题,文章从矩阵值数据本身固有的矩阵结构出发,提出双线性因子分析(bilinear FA,BFA).新颖性在于BFA采用双线性变换,模型参数大大减少,有效克服了维数灾难问题,同时提取感兴趣的行变量和列变量公因子.文章开发了两种有效算法用于BFA模型参数的极大似然估计,讨论了估计的理论性质并明确地求出Fisher信息矩阵的解析表达式来计算参数估计的准确度,研究了BFA的模型选择问题.与传统因子得分为一向量不同,BFA的因子得分为一矩阵,文章为矩阵因子得分提供了计算方法以及可视化方法.最后,构建实证研究来理解提出的BFA模型并与相关方法进行比较.结果表明了BFA在矩阵值数据分析上的优越性和实用性.     

基于当前状态数据的加法风险模型的自适应LASSO回归选择

当真实的潜在模型具有稀疏表示时通常需要使用变量选择方法,确定模型中的重要预测因子可提高被拟合模型的预测性能,许多文献研究了这类问题,其中张和吕[1]针对右删失数据开发了一种基于比例风险模型的变量选择方法.本文研究了基于当前状态数据的加法风险模型的变量选择问题.在文献[1]的启发下,我们提出一种自适应Lasso方法来解决这个问题,并在弱正则性条件下,建立了估计量的相合性和oracle性质等理论结果.大量的模拟数据分析证明了该方法的有效性.我们用该方法分析了一组来自肿瘤研究的真实数据.     

删失回归模型中的变量选择

在一个删失回归模型("Tobit"模型)中,我们常常要研究如何选择重要的预报变量.本文提出了基于信息理论准则的两种变量选择程序,并建立了它们的相合性.     

基于模糊聚类分析的小波神经网络模型在径流预测中的应用

提出了一种在对预报因子集进行模糊聚类分析基础上构建径流预测模型的新方法:先通过模糊C-均值聚类将历史径流数据进行分类,然后利用小波神经网络分别建立预报因子集类别变量特征值与观测值之间的局部预测模型,并设计了特征值分类识别器,自动搜寻相适应的局部网络模型进行预测.通过西南某水库2011年日平均入库来流的计算实例对简单小波神经网络预测模型和所建的基于FCM与小波神经网络的预测模型进行了比较,结果较为满意.     

泊松逆高斯回归模型的贝叶斯统计推断

本文研究泊松逆高斯回归模型的贝叶斯统计推断.基于应用Gibbs抽样,Metropolis-Hastings算法以及Multiple-Try Metropolis算法等MCMC统计方法计算模型未知参数和潜变量的联合贝叶斯估计,并引入两个拟合优度统计量来评价提出的泊松逆高斯回归模型的合理性.若干模拟研究与一个实证分析说明方法的可行性.     

测量误差数据下偏正态众数回归模型的参数估计

现有对回归模型的研究大多仅限于直接观测的解释变量,忽略数据的测量误差将增加模型参数的估计偏差.目前关于测量误差模型的研究主要集中在回归误差服从正态分布的假设,这种假设不适用于研究非对称的数据.对于偏斜数据,众数的代表性优于均值和中位数.本文基于测量误差数据介绍了偏正态众数回归模型,并通过EM算法估计了模型的参数.模拟研究的结果表明,协变量带测量误差下的众数回归比均值回归有更好的表现.通过实例分析进一步表明了所提出模型和方法的有效性.     

捕食模型高精度参数的估计

研究了捕食者模型在多种观测值条件下的非线性微分方程组参数拟合问题.首先利用龙格-库塔法进行微分方程数值计算,通过首次积分项变形建立线性回归方程,进行最小二乘拟合;其次,考虑到实验数据包含随机误差的扰动,引进正规方程组对模型进行误差分析;最后针对时间变量也出现误差,采用拉依达准则筛选,然后提出了一种较为简单的参数分段动态估计算法.     

多元空间因子模型的仿真、模型比较与应用

空间因子模型旨在揭示观测变量因公共因子的区域变化而产生的相关性。条件自回归模型被应用到因子分析模型。在贝叶斯框架内,马尔可夫链蒙特卡洛方法(MCMC)被用来进行后验分析。随机模拟结果揭示出方法的有效性,并对江苏省2005产业数据的进行了相关分析。     

两部分因子分析模型的贝叶斯推断

半连续数据在经济和社会科学调查中普遍存在.在分析该类数据时,经典两部分回归模型经常被用来刻画协变量对响应变量可变性的影响.然而,包含协变量并不能完全解释响应变量的可变性.忽略未被观测的数据异质性将导致方差的剧烈波动.在本文中,我们将两部分回归模型推广到两部分因子分析模型.多变量半连续数据未观测的异质性由潜在因子部分来解释.此外,通过引入潜在性因子,多重变量间的相依性也以线性组合方式通过共享因子变量得到刻画.在贝叶斯框架内,我们运用马尔可夫链蒙特卡洛(MCMC)方法来进行后验分析.GIBBS采样器被用于从后验分布中抽取样本.基于模拟的随机样本,未知参数估计和模型评价等统计推断问题获得解决.随机模拟和可卡因使用数据分析等实证结果显示了该方法的有效性和实用性.