多指标面板数据聚类方法及应用——以行业一次能源消费面板数据为例

综合考虑面板数据多指标中因变量指标特征及其与自变量指标的相关关系,通过定义因变量自协方差及自变量与因变量协方差以构建面板数据相似及相关性测度距离函数,在引入自组织竞争网络算法的基础之上,提出了多指标面板数据聚类的方法.以我国1996-2008年44个行业煤炭、天然气、电力消耗量及国际石油价格面板数据进行实际应用,验证了新方法聚类结果更为显著的优点。     

基于样条变换的PLS回归的非线性结构分析

基于样条变换的:PLS非线性回归模型既吸取了样条函数分段拟合以适应任意曲线连续变化的优点,又借鉴了偏最小二乘回归方法能够有效解决自变量集合高度相关的技术.针对多元加法模型,从理论和仿真试验的角度分别验证了,对于多个独立自变量对单因变量为非线性关系的数据系统,基于样条变换的PLS回归方法不仅能够有效实现自变量对因变量的整体预测,而且能够提取各维自变量对因变量的单独非线性作用特征,从而确定数据系统内部的复杂非线性结构关系,增强了模型的可解释性.     

基于加总和乘积的方差分解法及其应用

研究了加总式和乘积式的方差分解问题,证明了在因变量等于各自变量之和的条件下,因变量方差等于各自变量与因变量的协方差之和;在因变量等于各自变量之乘积的条件下,因变量对数值的方差等于各自变量对数值与因变量对数值的协方差之和．以中国31个省份2005－2012年的居民人均收入及其影响因素的统计数据资料为例,说明了加总式和乘积式的方差分解法的具体应用．     

多元统计分析(Ⅷ)

ξ7.多因变量逐步回归 多元回归分析是多元统计中应用最广的方法.“多元”可以理解为多个自变元(只有一个因变元),也可以理解为自变量和因变量都是多个的情形.鉴于只有一个因变量的多元回归己众所周知,因此本节的重点是讨论含有多个因变量的回归及其逐步算法 7.1多因变量回归分析 1.模型 设x1,…,xp是p是自变量,y1,…,yq是q个因变量,并有如下的线性关系:其中εj是随机误差,βij是回归系数.回归分析问题是根据变量x与y的n次已知观测数据去估计回归系数,并对回归系数作统计检验等等. 在回归模型中,随机误差总假设没有系统偏差,即均值为零,所以…     

在有交互作用下上海、伦敦期货市场铜期货价格引导关系的研究

传统的两变量引导关系模型一般仅仅考虑到自变量（包括即时与滞后因子）对因变量独立的引导作用，往往忽略了因素之间（自变量与自变量，自变量与因变量之间）交互作用对因变量产生的影响，本文提出了一种改进的引导关系模型，在传统模型的基础上添加一个交互项来刻画因素之间的交互作用对因变量所产生的影响，并对上海期货交易所和伦敦金属交易所铜期货价格之间的引导关系做了实证分析，得到一些有意义的结果，并且改进后的模型较之传统模型检验的拟合度和精确度都有一定的提高。     

引入参数的教学尝试

参数,从字面上理解是可供参考的数据.在百度的“百科名片”上则是这样推介“它”的——在研究当前问题的时候,关心某几个变量的变化以及它们之间的相互关系,其中有一个或一些叫自变量,另一个或另一些叫因变量.如果我们引入一个或一些另外的变量来描述自变量与因变量的变化,引入的变量本来并不是当前问题必须研究的变量,我们把这样的变量叫做参变量或参数.     

变量为区间截断数据时回归模型的参数估计(英文)

在假设自变量X的分布为离散未知分布且样本为区间截断数据而因变量Y是可观察的情况下,利用EM方法得到了回归参数的极大似然估计,在一定的条件下估计量的分布为渐近正态的.     

因变量缺失下部分线性变系数变量含误差模型的估计

该文主要考虑部分线性变系数模型在自变量含有测量误差以及因变量存在缺失情形下的估计问题.基于Profile最小二乘技术,针对参数分量和非参数分量提出了多种估计方法.第一种估计方法只利用了完整观测数据,而第二种和第三种估计方法分别利用了插补技术和替代技术.参数分量的所有估计被证明是渐近正态的,非参数分量的所有估计被证明和一般非参数回归函数的估计具有相同的收敛速度.对于因变量的均值,构造了两类估计并证明了它们的渐近正态性.最后,通过数值模拟验证了所提方法.     

基于广义最大熵的具有模糊输入输出的回归模型的参数估计

模糊回归是在模糊系统中建立因变量与一组自变量之间关系的重要工具,以评估模糊自变量如何影响模糊响应变量的过程。当系统中出现小样本或者非列满秩设计矩阵时,模糊最小二乘法可能得出偏误估计。本文基于文献[13]中的多元线性回归模型,利用广义最大熵方法,针对模糊输入模糊输出数据,给出线性回归模型的参数估计和算法步骤。当输入或输出数据退化为清晰值时,该估计退化为清晰输入模糊输出或者模糊输入清晰输出的回归模型参数估计。本文结合模拟数据和实例数据,将广义最大熵方法与模糊最小二乘方法、岭估计方法进行比较研究,结果显示广义最大熵方法的可行性和有效性。     

缺失数据下超高维可加分位回归的变量筛选和选择

针对存在缺失数据的超高维可加分位回归模型,本文提出一种有效的变量筛选方法.具体而言,将典型相关分析的思想引入到最优变换的最大相关系数,通过协变量和模型残差最优变换后的最大相关系数重要变量的边际贡献进行排序,从而进行变量筛选.然后,在筛选的基础上,利用稀疏光滑惩罚进一步做变量选择.所提变量筛选方法有三点优势:(1)基于最优变换的最大相关可以更全面的反映响应变量对协变量的非线性依赖结构;(2)在迭代过程中利用残差可以获取模型的相关信息,从而提高变量筛选的准确度;(3)变量筛选过程和模型估计分开,可以避免对冗余协变量的回归.在适当的条件下,证明了变量筛选方法的确定性独立筛选性质以及稀疏光滑惩罚下估计量的稀疏性和相合性.同时,通过蒙特卡罗模拟给出了所提方法的表现并通过一组小鼠基因数据说明了所提方法的有效性.