部分线性模型在贵州省公路货运量预测中的应用

运用部分线性模型对贵州省公路货运量进行预测研究.首先运用灰色关联度分析法确定影响贵州省公路货运量的主要影响因子;然后运用主成分分析法将选取的影响因子指标数据进行降维处理,通过分析处理后的数据得到部分线性模型;最后,以2010-2012年的公路货运量作为验证值,将部分线性模型、多元线性回归模型及灰色预测模型的预测结果进行比较.研究结果表明:部分线性模型能较好地拟合贵州省1990-2009年公路货运量;三种模型的预测结果显示,部分线性模型预测结果优于多元线性回归模型和灰色预测模型的预测结果.     

周口市住宅商品房价格的分析与预测

近年来周口市住宅商品房价格持续上涨,引起了社会各界的关注.为了研究周口市住宅商品房价格的影响因素和未来走势,提出了一种基于灰色理论和多元线性回归分析的房价预测模型.首先,利用灰色关联度分析选取出对周口市住宅房价影响较大的因素.然后,通过进行统计检验和修正多重共线性,建立一个修正的多元线性回归预测模型.最后,在采用灰色GM(1,1)预测模型预测出所选取影响因素的新的时间序列值的基础上,再进行回归分析,预测出2017-2020年周口市住宅商品房平均销售价格.可见,未来几年内周口市住宅商品房价格仍会呈逐年快速上涨趋势,但增速不会越过25%的合理水平.     

长沙市商品房市场需求量的数理分析

本文在归纳总结与长沙商品房市场需求量相关联的若干经济指标的基础上,利用灰色关联熵分析方法提炼出影响商品房需求量的主要因素,然后建立灰色多元线性回归预测模型.通过实际数据检验,该模型可行并且能有效预测未来长沙市商品房的市场需求量的变化.     

基于反馈回归法的用电量预测模型研究

多元线性回归法是用电量预测中常用的一种方法,带反馈的多元线性回归法是一种改进的回归方法,具有更高的精度.本文在此基础上进行了多次反馈,即利用带多次反馈的多元线性回归法,结合SPSS软件进行统计分析,并以陕西省用电量为例探究分析多次反馈的多元线性回归法在用电量预测中的应用,从而得到更精准的用电量预测模型.最后以四川省的用电量数据对模型进行了验证,体现出了该模型的优越之处.     

基于灰色系统和BP神经网络的股指动态预测

针对股价指数特有的波动性,提出了基于灰色残差模型和BP神经网络的股指动态预测方法,并运用多元线性回归模型对两种动态预测结果进行拟合.同时,随机抽取部分上证指数和道琼斯指数的实证研究表明:动态预测模型能及时调整新数据对后续预测的影响,获得了较高的预测精度.     

基于多元线性回归模型的东北地区需水量分析

多元线性回归模型在社会、经济、技术以及众多自然科学研究领域中已被广泛使用,某个地区需水量应与该地区多种因素有关,故选取东北地区的GDP、水库蓄水总量、人均可支配收入、城市绿地面积和工业用水量等5个因素,借助MATLAB软件阐明了多元线性回归模型在东北地区需水量分析中的应用.并通过皮尔森相关性检验、拟合优度检验、F检验、t检验和残差分析的方法对模型进行优化,得到了准确可靠的多元线性回归模型,此模型具有拟合程度高、简易、直观等优势,为多元线性回归模型在需水量分析中的应用提供了有力参考.     

基于灰色理论的线性回归模型的参数理论及应用

线性回归分析是数理统计学的基本内容之一,但传统数理统计学中的线性回归分析,是建立在非模糊的随机数据上的线性回归估计和回归系数检验。而现实经济社会中大量存在含有模糊或灰色等不分明性的数据,面对这类不分明性数据,简单地使用传统的统计分析方法显然是不足取的。要想较为科学合理地分析与决策,需要利用灰色系统的相关理论,应用于随机系统信息,从而建立灰色线性回归估计、预测和灰色回归系数检验的基本理论方法,并把该方法应用于金融分析实例中,与经典线性回归分析方法进行对比,足见灰色线性回归方法能够提供比经典线性回归较多的有效信息,从而提出处理不分明数据新的方法。     

多元线性回归模型参数估计的递推算法及误差分析

讨论新增数据信息对多元线性回归模型的修正原理,给出不断加入新增数据信息的多元线性回归模型参数估计值的一种递推算法.利用影响因子的概念来刻画新增信息对预测误差的影响,并给出了算法和应用实例.     

多元线性回归模型中的线性经验Bayes估计

H.Robbins提出的经验Bayes估计应用于多元线性回归模型,已有一些文献进行了讨论。Martz和Krutchkoff通过Monte-Carlo模拟试验讨论了一般假设下的线性回归模型问题,但并没有从理论上证明他们所给出的EB估计的任何相合性和渐近最优性。Wind考虑了当误差向量满足0均值σ~2I为协方差阵时,回归系数的EB估计问题,但其结果也存在着缺陷。Singh考虑了在多元线性回归模型中误差向量具有多元正     

基于MGM(1,n)模型的多元核支持向量回归预测

根据灰色系统和支持向量机相结合的方法,采用多变量灰色模型MGM(1,n)对相互影响、相互制约的多变量时间序列进行模拟,获取残差序列后运用多元核支持向量回归机(MSVR)对残差进行回归以修正原模型,得到多变量灰色支持向量回归复合模型(MGM-MSVR).实证结论表明:复合模型具有比原模型更高的精度.     

多因素灰色预测模型及其应用

为避免传统的单个因素的灰色预测的缺点,将灰色预测与多元回归相结合,提出了基于GM(1,1)的多元回归模型.并将模型应用于天津市人才预测状况,取得了较好的预测效果.     

A novel hybrid multivariate nonlinear grey model for forecasting the traffic-related emissions

In this paper, we proposed a novel forecasting method using grey system theory for the traffic-related emissions at a national level. In our tests, grey relational analysis was used to identify time lags between input and output variables. We introduced a multivariate nonlinear grey model based on the kernel method to improve the accuracy of traffic-related emissions prediction. By solving a convex optimization problem instead of using an ordinary least squares estimation, the proposed model overcame the limitations of the classic grey forecasting models. A model confidence set test on the realistic results of forecasting traffic-related emissions in European Union member countries showed that the proposed model demonstrated a marked superiority over robust linear regression and support vector regression. Based on the non-methane volatile organic compounds from road transport and the relevant factors of the emission from 2004 to 2016, a more stringent European Union emission reduction commitment to the road transport for each year from 2020 to 2029 was suggested. We also investigated the advantages of the proposed model via the analysis on convergence, robustness, and sensitivity.     

粤东柘林湾浮游植物与生态因子的灰关联-回归分析

应用灰关联方法对 2 0 0 1年 1 0月至 2 0 0 2年 7月柘林湾海域的海水采样结果进行数据分析 ,在磷酸盐、硅酸盐等 1 1项生态因子中找出影响浮游植物密度的关键因子 .根据这个结果 ,进一步建立了以这些关键因子为自变量的线性回归模型 ,模型最后的分析结果和灰关联分析的结果一致 ,即 Fe、水温、浊度是影响柘林湾浮游植物密度的关键因子 .     

Simulation-Based Simultaneous Confidence Bands in Multiple Linear Regression With Predictor Variables Constrained in Intervals

This article presents a method for the construction of a simultaneous confidence band for the normal-error multiple linear regression model. The confidence bands considered have their width proportional to the standard error of the estimated regression function, and the predictor variables are allowed to be constrained in intervals. Past articles in this area gave exact bands only for the simple regression model. When there is more than one predictor variable, only conservative bands are proposed in the statistics literature. This article advances this methodology by providing simulation-based confidence bands for regression models with any number of predictor variables. Additionally, a criterion is proposed to assess the sensitivity of a simultaneous confidence band. This criterion is defined to be the probability that a false linear regression model is excluded from the band at least at one point and hence this false linear regression model is correctly declared as a false model by the band. Finally, the article considers and compares several computational algorithms for obtaining the confidence band.     

“奖优罚劣”的区间数多指标决策的关联分析法

针对区间数多指标系统的决策特点,对指标数据初始化处理时,利用“奖优罚劣”原则,提出了一种易于计算且实用的[-1,1]线性变换算子,然后定义正、负理想方案,结合灰色关联分析方法,建立一种新的区间数多指标的灰色关联决策模型.该模型为区间数多指标决策提供了一种科学、实用的方法,并利用现有的实例来证实此方法的科学性与可行性.     

Least squares estimation of linear regression models for convex compact random sets

Simple and multiple linear regression models are considered between variables whose “values” are convex compact random sets in ${\mathbb{R}^p}$ , (that is, hypercubes, spheres, and so on). We analyze such models within a set-arithmetic approach. Contrary to what happens for random variables, the least squares optimal solutions for the basic affine transformation model do not produce suitable estimates for the linear regression model. First, we derive least squares estimators for the simple linear regression model and examine them from a theoretical perspective. Moreover, the multiple linear regression model is dealt with and a stepwise algorithm is developed in order to find the estimates in this case. The particular problem of the linear regression with interval-valued data is also considered and illustrated by means of a real-life example.     

关于非等距序列建模过程的讨论

目的:怎样建立非等距序列的最佳数学模型.方法:讨论用灰色系统GM(1.1)模型和非线性回归方法建立非等距序列的数学模型的过程,找出产生问题的原因,寻求解决问题的方法.结果:接近于指数规律变化的非等距序列,用非线性回归方法建立的数学模型比用灰色系统GM(1.1)模型方法建立的数学模型的精度高;对于其他的非等距序列,用灰色系统GM(1.1)模型方法建立的数学模型比用非线性回归方法建立的数学模型的精度高.结论:在建立非等距序列的数学模型时,采用灰色系统GM(1.1)模型方法与非线性回归方法结合的策略,可以得到较佳的数学模型.