谈谈AR模型在短期经济预测中的应用

短期经济预测是我们制订国民经济计划和进行决策时必不可少的一个程序,也是一种科学的定量分析方法.进行短期经济预测的方法很多,如:回归分析与相关分析法,因果关系法、趋势分析与简单季节分析法等等.本文引入AR方法(即自回归分析法)结合我国历年来棉布的销售量资料,加以探索和分析并进行短期经济预测. 一AR模型的一般特征 为了便于识别和应用AR模型,我们先谈谈它的基本特征. AR模型作为B—J(Box-Jekins)模型的一种特殊情况,其表达式为: xt=φ1xt-1+φ1xt-2+…+φpxt-p+et(1) 式中, P> 0,称为模型的阶, et为白噪声,上式可简记为AR(p) …     

基于Logistic回归的水质预测研究

在环境系统评价中,水环境质量等级评价是其中十分重要的工作.鉴于对水环境研究中,水质级别为分类变量不能利用传统回归方法分析的特征,基于logistic回归方法建立了一种水质级别预测模型.利用长江流域的水质监测数据,将logistic回归应用于水质数据分析,进行水质建模,对水质级别做出预测.研究结果表明利用logistic回归进行水质分析,具有良好的拟合和预测效果.     

单指标模型异方差检验（英文）

在可加回归模型中,高维回归分析一般采用单指标模型.该模型与参数模型相比更加灵活,同时避免了维数灾难,因为单指标将标准变量向量的维数降低为单变量指标.本文构建了一个带有函数型误差项的单指数回归模型用于检验单指标模型的异方差性.由于回归模型的有效推断要求在存在异方差的情况下考虑异方差,本文提出了检验单指标模型方差不变性的假设.将Levene检验和无限因子水平的方差分析理论结合得到检验统计量用来评估方差同质性.模拟研究显示与已有方法相比,所提检验统计量适用于多种情形.最后将本文的方法应用于分析一组实际数据.     

基于SVR的RAR区域经济预测模型

由于区域经济系统中许多经济变量呈现出强非线性与大波动性的特征,使得传统的时间序列线性建模和预测技术难以适应区域经济预测的要求.为此,提出基于支持向量机改进的残差自回归区域经济预测模型.首先采用时间序列分析中的残差自回归模型对时间序列趋势进行线性拟合,然后对残差自回归模型估计后的残差序列采用支持向量回归方法再次提取其非线性特征,从而提高区域经济时间序列模型的预测精度.最后以广东省GDP的预测实例说明模型的有效性.     

基于区域房价的空间自回归模型平均

文章是基于模型平均的方法对我国重点省会城市月度房价数据的空间自回归模型的拓展研究.通过一定的宏观经济解释变量和房价数据,构建区域房价的空间自回归模型,并在基于MMA准则的模型平均框架下,将不同的候选模型组合进行房价预测.对比经典空间自回归模型的预测,基于模型平均的MMA, SAIC和SBIC的预测有更高的精确度和更好的稳定性.     

回归函数的有理逼近模型分析与研究

经济问题的研究中存在着大量的回归分析问题 ,但变量之间的关系往往是非线性的 .传统的建模原则往往对问题作了一系列的假设 ,因而模型不具有普遍适应性 .本文引进了一种特殊的非参数估计方法——回归函数的有理逼近 ,它与最小二乘法相比 ,提高了拟合与预测的精度 .     

正权重组合预测模型及其在经济中的应用

介绍了组合预测的方法,并利用最优组合和递归方差倒数方法对组合预测方法进行改进;提出通过GMDH方法首先对影响经济预测模型的各变量进行筛选然后再建立回归模型、神经网络模型等单项预测模型的思想;最后结合GMDH方法建立的时间序列模型,建立正权重组合预测模型．     

基于回归分析的机场拥挤预测问题研究

及时有效的预测机场拥挤状态并辅助机场管理部门采取相应缓解拥挤的措施,将有助于提高机场的服务质量和运行效率.提出了利用回归分析的方法对机场拥挤问题进行研究.利用已有的历史航班数据挖掘出与机场拥挤最为相关的因素,并将其作为预测变量来预测响应变量.使用到两种回归分析方法即:普通最小二乘回归(OLS)和支持向量回归(SVR).使用历史数据来训练模型,并将这两种训练模型用于真实数据集上做测试,且取得较好的预测效果.实验结果证明该方法在机场拥挤预测问题上的可用性和有效性.     

幂变换在多元线性回归中的应用

幂变换是多元线性回归分析中数据预处理的有效办法之一.以胰岛素注射治疗糖尿病为例,探讨幂变换实用的条件、研究方法及研究结论,并将幂变换处理后的变量,用于线性回归分析,研究医学问题.具体就是通过对变量数据描述性分析了解数据的特点,相关分析及聚类分析确定胰岛素初始剂量的重要影响因素,幂变换对数据进行预处理,继而进行回归分析,并对比变换前初步回归分析的结果,确定最终以尿蛋白分类标准,RI用量与血糖的对数之间的线性回归模型.     

城市火灾次数与气象因素的Adaptive-Lasso分析

为研究城市火灾次数与气象因素的关系,以天津市的火灾数据为例,建立月度火灾次数与温度、风速、降雨量、日照、湿度等相关的各月气象因素及上月火灾起数间的线性回归模型.通过Adaptive-Lasso方法对上述变量进行选择并估计其参数,并对所得模型进行了分析比较,同时预测分析了2008年上半年火灾发生数.研究表明,通过Adaptive-Lasso方法建立的线性回归模型能够更好地预测火灾次数.     

网购平台在线声誉机制作用的实证研究方法评析

在线声誉机制是网购平台重要的信号机制,是平台可持续成长的基础.从理论基础、研究假设、数据来源、变量选择、模型应用等方面,全面梳理了在线声誉机制作用的实证研究方法,包括Hedonic回归、Logit、Probit、Poisson、Tobit、截取正态回归、样本选择回归、固定效应、广义最小二乘法等模型的应用.最后展望未来相关研究及方法,并构建在线声誉机制作用的实证研究综合框架.     

基于高斯过程函数型回归模型的日最高气温研究

极端天气是目前社会热点问题.利用高斯过程函数型回归对北京,上海等10个城市近年来夏季日最高气温进行整体建模.选取城市地理位置信息作为均值函数解释变量,时间和降雨信息作为高斯过程协方差结构解释变量,充分利用模型能够同时捕捉均值和协方差结构的优势,解决多地区日最高气温的整体建模和同步预测问题.研究表明,高斯过程函数型回归模型在随机预测,外延预测,k步预测,以及对于训练数据集以外城市的预测均有较好的效果,且优于一般的函数型数据模型.     

广义预测误差方差分解及其在证券市场冲击传递性研究中的应用

方差分解是向量自回归模型中研究各变量的冲击对所有内生变量预测误差贡献的方法。文章介绍了广义预测误差方差分解,同传统的正交预测误差方差分解相比,这种方法的特点是不受向量自回归模型中变量排序的影响。文章利用广义方差分解研究了沪市各个分类指数之间的关系,显示了系统冲击在各个行业指数之间传递的特点。     

工业增加值比重能预测中国碳排放量吗?——基于隐马尔科夫链的实证研究

寻找有效的中国碳排放量预测方法,对于制定环境政策有重要意义.工业生产与环境污染关系密切,但现有研究大多聚焦于经济与环境的关系,对碳排放量预测方法或指标研究有限.文章尝试以工业增加值占国内生产总值的比重作为反映经济活动的代表性指标,通过隐马尔科夫链预测我国碳排放量,并与常用模型或指标的预测效果做了对比分析.分析显示,隐马尔科夫链拟合效果好,工业增加值比重可有效反映我国碳排放趋势,从而为碳排放预测提供了新的解决思路.     

基于主成分——BP神经网络的期货市场预测

结合主成分分析法和神经网络的优点,提出了基于主成分分析的神经网络方法来对期货市场进行预测.引入主成分分析法对原始输入变量进行预处理,选择输入变量的主成分作为网络输入,一方面减少了输入维度,消除了各输入变量的相关性;另一方面提高了网络的收敛性和稳定性,也简化了网络的结构.通过实例验证,基于主成分的神经网络比一般神经网络训练精度更高.     

中国对外贸易对经济增长的影响——基于改进的两阶段面板数据分位数回归

针对面板数据回归模型,本文结合复合分位数回归,提出了改进的两阶段分位数回归估计方法,所提出的估计不仅保留了分位数回归的优点,而且保留了变量的含义.进一步,采用所提出的方法分析了对外贸易对经济增长的影响.分析表明,对外贸易对经济增长具有正向影响,且在对外贸易开放度越高的地区,其对经济增长的影响越大。     

小波分析在经济预测模型中的应用

经济信号也是一种时间序列 ,它和小波分析中的信号具有相同的特性 .因此 ,可将经济时间序列看成经济信号 ,应用小波进行实际经济分析和预测 .论文针对最小二乘法的不足 ,提出了多分辨回归分析处理经济数据分析的方法 .本文在建立宏观模型时 ,利用小波分析对经济数据进行预处理 ,获得能反映宏观变化趋势的低频信息 ,再用最小二乘法进行拟合和预测 ,通过对传统最小二乘法建立的模型的对比分析 ,结果表明 :本方法优于一般最小二乘法 .     

基于均匀设计试验利用偏最小二乘回归对边坡稳定性的分析预测

采用均匀设计试验方案对影响边坡稳定性的因素进行测量,既能节约取样开支,又能得到均匀分散且具有代表性的小样本数据.对该小样本数据结合偏最小二乘回归方法,建立了边坡稳定性系数与各影响因素的非线性回归模型.通过对模型结构、变量投影重要性指标、相对残差值及拟合值的分析发现,基于均匀设计试验利用偏最小二乘回归法可用于对边坡稳定性的分析预测.     

谈回归分析在工业生产中的应用

“回归分析是处理变量间相关关系的有力工具。它不仅提供了建立变量间关系的数学表达式──通常称为经验公式──的一般方法，而且利用概率统计基础知识进行了分析讨论，从而能帮助实际工作者如何去判明所建立的经验公式的有效性，以及如何利用所得到的经验公式去达到预测、控制等目的。因此，回归分析方法得到越来越广泛的应用，而方法本身也在不断丰富，发展。”     

我国专利申请量的支持向量机预测模型研究

运用支持向量机(support vector machine,SVM)和浮点遗传算法相结合的方法对我国专利申请量进行预测。数据仿真显示支持向量机预测方法比人工神经网络和逻辑回归方法有更高的预测精度,结果显示运用浮点遗传算法参数选取的支持向量机方法对我国专利申请量进行预测是可行和有效的。