正态分布方差变点的检验

本文讨论了正态分布方差只有一个变点的检验问题，我们构造了三个检验统计量，其中L检验基于非参数U统计量，B检验基于Bayes方法，R检验由极大似然比方法导出．本文给出了L、B、R检验的渐近临界值，并用MonteCarlo模拟方法研究了这三个检验与平方的CUSUM检验以及LM检验的势，并进行了比较。当变点在序列的前一半位置时，L和R检验较好，当变点在序列的后一半位置时，平方的CUSUM和B检验较好．     

多元正态向量均值变点在线监测

在这篇文章中, 我们提出了监测多元独立向量均值变点的两种方法. 第一种方法是构造基于残差的CUSUM统计量; 第二种方法是构造基于递归残差的CUSUM统计量. 并分别得到了对应统计量的渐进分布.模拟表明本文提出的方法监测效果良好, 生产实例也说明该方法具有一定的实用性和有效性.     

ARCH模型分布变点监测与应用

分布变点监测是时间序列交点分析的一个重要内容.为将分布交点监测从线性时间序列模型拓展到非线性时间序列模型,提出一种经验特征函数型的统计量监测ARCH模型误差项平方的分布变点,给出了监测统计量在原假设下的极限分布,并证明了此方法的一致性,用Bootstrap重抽样方法获得了极限分布的临界值,并和Kolmogorov-smirnov型监测统计量进行了比较.模拟结果和实例分析说明了当已观测样本量较大时,采用经验特征函数型统计量监测效果较好.     

非参数模型均值函数结构变点的Bootstrap检测

本文检测非参数回归模型均值函数结构变点,针对均值函数跃度的长期均值为零时,基于残量的CUSUM统计量对均值函数结构变点检验无效的问题,本文提出了一种基于均值函数的核估计的检验统计量,得到统计量在原假设和备择假设下的极限分布,并构造Bootstrap方法对非参数回归模型均值函数结构变点进行检验,证明了检验和估计的一致性;模拟结果表明本文方法明显优于已有方法。     

随机设计下非参数回归模型方差变点Ratio检验

研究随机设计下非参数回归模型方差变点Ratio检验.首先用局部多项式方法估计回归曲线得到残差序列,其次基于残差的平方序列构造Ratio检验统计量并推导检验统计量的极限分布.最后数值模拟与实例分析结果表明方法的有效性.     

基于SaRa的面板数据回归模型结构变点估计

面板数据的变点分析是计量经济学的热门研究课题之一,在金融、医学、质量控制、气象等领域也有着广泛的应用.基于一种快速局部算法SaRa (Screening and Ranking algorithm)研究了面板数据回归模型的结构变点估计问题.首先基于回归系数的估计量建立局部统计量,筛选出可能的变点.其次构造自适应阈值来筛选出最终的变点,并且证明了变点估计量的一致性.Monte Carlo模拟结果显示,当解释变量为外生变量或内生变量,误差项存在序列相关或异方差,提出的方法都能较准确地估计出变点的个数及位置.最后利用该方法分析世界24个低收入和高收入国家自然人口增长率和国际移民存量对人口增长率的影响,说明了方法的有效性.     

累积Logistic回归模型结构变点的序贯检验

分类时间序列在生物医学、社会学和遗传学等领域有着广泛的应用,累积Logistic回归模型是分类时间序列建模的一类重要模型.本文基于偏似然得分过程(Partial likelihood score process)提出一种变点序贯检验方法,监测累积Logistic回归模型的结构是否发生变化.原假设下推导检验统计量的极限分...     

基于Bootstrap的厚尾相依序列持久性变点检验

基于修正方差比率函数给出一种检验厚尾序列持久性变点的统计量.在无变点的假设下得到了统计量的渐近分布.为避免检验渐近分布中的厚尾指数,构造Bootstrap抽样方法来确定渐近分布的经验临界值.数值模拟研究结果说明修正方差比率统计量及Bootstrap抽样方法的有效性.     

多元Logistic回归模型的结构变点估计

多元Logistic回归模型是广义线性模型中的一种常见形式,在社会科学和生物医学等领域有着广泛的应用.本文首先基于Pearson卡方统计量对Logistic回归模型的结构变点进行估计,再结合二元分割方法将其推广到多变点的情形.数值模拟结果表明基于Pearson卡方统计量的二元分割方法能有效估计出变点,且当变点之间间隔的样本较多时,估计效果较好.最后将此方法应用于一组DNA数据上,说明方法的有效性.     

一种基于CS-FCM算法的模糊时间序列预测模型

为了发挥模糊理论在不确定性预测中的优势并保留模糊时间序列(FTS)预测模型的可解释性,本文针对目前应用广泛的模糊C均值聚类(FCM)算法进行改进,提出了一种基于布谷鸟搜索的FCM (CS-FCM)算法.将CS-FCM算法用于模糊时间序列模型的非均匀论域划分与数据的模糊化处理,建立一种基于CS-FCM算法的模糊时间序列预测模型.该算法可实现聚类中心的全局寻优,降低传统FCM算法易陷入局部极小值带来的误差,提高模型预测精度.实证分析结果表明, CS-FCM算法的适应度优于FCM算法,本文模型的预测误差小于经典模糊时间序列预测模型,验证了新预测模型的有效性.