共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
3.
5.
6.
研究随机设计下噪声为厚尾随机变量时非参数函数中的变点估计问题.首先,通过设计变换将随机设计转化为等间距固定设计,进而利用小波方法估计变换后的变点的位置,再利用逆设计变换求得随机设计下变点位置的估计,并给出估计的收敛速度.模拟研究结果说明对于无穷方差厚尾过程中的变点估计问题小波方法是有效的. 相似文献
7.
8.
测量误差模型只有一个变点的检验和估计 总被引:5,自引:0,他引:5
本文讨论了测量误差模型中参数只有一个变点的检验和估计问题,首先,给出其似然比检验统计量,然后,基于最小信息准则的原理,利用Schwarz信息准则(SIC),在多余参数已知和未知的情况下,分别给出了检验统计量,讨论了利用SIC方法给出的检验统计量的渐近分布,证明了基于似然比方法和SIC方法给出的变点估计是相同的,并且在一定条件下,给出了变点估计的极限分布,运用Monte-Carlo随机模拟的方法,分别给出了以上检验的临界值。 相似文献
9.
我国人口时间序列的变系数预测模型 总被引:1,自引:0,他引:1
根据1952-2005年我国人口总量和GDP总量数据,建立变系数模型.采用逐步回归的方法来选择显著滞后变量子集,推导出系数函数的样条估计表达式,最后运用Bootstrap思想,进行点预测和区间预测。运算结果表明:对于该组数据,变系数模型能较理想地描述数据之间的内在结构,且具有较少的预测误差. 相似文献
10.
研究ARCH过程的均值变点估计.在较弱的条件下证明了变点估计的一致性,并得到了估计的收敛率;为构造变点的置信区间给出了变点的极限分布.模拟结果表明方法的有效性. 相似文献
11.
12.
面板数据模型在经济、生物、统计等领域有着广泛的应用。经典的面板数据模型假设解释变量系数不随时间变化。然而在现实中,解释变量系数可能会因多种因素的影响而存在多重未知的结构变点。本文假设交互固定效应面板数据模型中含有多重未知的结构变点。研究发现通过Pairwise惩罚的参数估计方法在目标函数中增加对相邻时间解释变量系数的惩罚项,能够同时进行参数估计和结构变点诊断。蒙特卡洛模拟结果显示,不管是否存在同方差假设,该方法估计的解释变量系数均偏差较小且结构变点诊断错误率低。 相似文献
13.
分位数变系数模型是一种稳健的非参数建模方法.使用变系数模型分析数据时,一个自然的问题是如何同时选择重要变量和从重要变量中识别常数效应变量.本文基于分位数方法研究具有稳健和有效性的估计和变量选择程序.利用局部光滑和自适应组变量选择方法,并对分位数损失函数施加双惩罚,我们获得了惩罚估计.通过BIC准则合适地选择调节参数,提出的变量选择方法具有oracle理论性质,并通过模拟研究和脂肪实例数据分析来说明新方法的有用性.数值结果表明,在不需要知道关于变量和误差分布的任何信息前提下,本文提出的方法能够识别不重要变量同时能区分出常数效应变量. 相似文献
14.
本文研究偏正态数据下联合位置与尺度模型,考虑基于数据删除模型的参数估计和统计诊断,比较删除模型与未删除模型相应统计量之间的差异.首次提出基于联合位置与尺度模型的诊断统计量和局部影响分析.通过模拟研究和实例分析,给出不同的诊断统计量来判别异常点或强影响点,研究结果表明本文提出的理论和方法是有用和有效的. 相似文献
15.
BS算法是时间序列多变点检测中最经典的算法之一,但是基于全局CUSUM统计量的识别过程会带来过多误判和较高的时间复杂度.BS算法是一种离线的序贯方法,因此没有充分利用数据的时序信息;另一方面,BS算法识别变点的原则是CUSUM统计量最大化,也没有考虑统计量构成序列的形态特性.鉴于此,提出一种基于局部形态识别的BS改进算法,命名为Shape-based BS算法.基于局部形态识别统计量,不仅大大降低计算复杂度,且降低了因变点间的互相干扰而带来的误判率,进而提升变点识别的稳健性.最后,将此算法应用到了电力系统的"场景压缩"问题上,具有满意的实用效果. 相似文献
16.
至多一个分布变点的非参数统计推断 总被引:2,自引:0,他引:2
本文研究了连续分布函数变点的非参数统计推断问题.利用秩统计量和次序统计量,获得了变点的一种估计,不仅论证了点估计的强相合性,而且讨论了假设检验和区间估计. 相似文献
17.
《数学的实践与认识》2020,(9)
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. 相似文献
18.
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. 相似文献
19.
在大数据时代的背景下,如何从超高维数据中筛选出真正重要的特征成为许多相关行业的研究者们广泛关注的一个问题.特征筛选的核心思想就在于排除那些明显与因变量不相关的特征以达到这一目的.基于核估计的SEVIS(Sure Explained Variability and Independence Screening)特征筛选方法在处理非对称,非线性数据下要在一定程度上优于之前的特征筛选模型,但其采用核估计的方式对非参数部分进行估计的方法仍存在进一步改进的空间.本文就从这个角度出发,将其核估计的算法修改为局部线性估计,并考虑部分特殊情况下的变量选择过程.结果显示,基于局部线性估计的SEVIS方法在准确性,运行效率上都要优于基于核估计的SEVIS的方法. 相似文献
20.
时空数据经常含有奇异点或来自重尾分布,此时基于最小二乘的估计方法效果欠佳,需要更稳健的估计方法.本文提出时空模型的基于局部众数(local modal, LM)的局部线性估计方法.理论和数据分析结果都显示,若数据含有奇异点或来自重尾分布,基于局部众数的局部线性方法比基于最小二乘的局部线性方法有效;若数据无奇异点且来自正态分布,两种方法效率渐近一致.本文采用众数期望最大化(modal expectation-maximization, MEM)算法,并在数据相依情形下得出估计量的渐近正态性. 相似文献