基于贝叶斯时序模型的甘肃省人均GDP预测

本文应用Eviews软件对甘肃省1953-2010年人均GDP数据建立时序模型,利用模型的先验信息给出两种先验分布下的贝叶斯模型与算法,并依次计算出2011-2015年的甘肃省人均GDP的预测值,结果显示,两种贝叶斯模型的拟合效果都优于传统模型。与经典时序模型相比,贝叶斯时间序列模型能充分利用样本信息和参数的先验信息,因而具有更小的平方误差,估计参数更科学。文章最后运用稳健先验的贝叶斯模型对甘肃省十三五时期人均GDP进行了预测。     

隐马尔可夫结构方程模型及其贝叶斯估计

结构方程模型是一种含有潜变量的经典统计学模型,被广泛应用于心理学、教育学、经济学、医学等领域。隐马尔可夫模型是一种基于随机过程的统计模型。本文书结构方程模型与隐马尔可夫模型相结合,构造了一种新的模型——隐马尔可夫结构方程模型,详细给出了隐马尔可夫结构方程模型的数学定义。为了对模型的系数进行贝叶斯估计,设定了模型参数的先验分布,然后利用MCMC方法模拟参数的后验分布,计算出了参数的后验均值作为参数的估计值。最后将参数的估计值与真值进行比较,发现估计效果良好。     

基于MCMC的贝叶斯变结构金融时序GARCH模型研究

针对变结构GARCH模型没有解析形式的条件后验分布的问题。借助辅助变量把没有具体解析形式的后验分布转化为一系列完全条件分布,实现了变结构GARCH模型参数的贝叶斯估计。中国外汇市场波动性的实证研究,表明了辅助变量-Gibbs抽样有效的解决了贝叶斯变结构GARCH模型中的高维数值计算问题,并发现其波动持续性是由时间序列的状态转移引起的。     

基于Gibbs抽样方法ARFIMA-GARCH模型的贝叶斯估计

近年来,ARMA、GARCH模型的研究一直是金融统计方向研究的热点。但是少有人研究ARFIMA-GARCH模型。因此本文提出ARFuNA(p,d,q)-GARcH(r,s)模型,该模型对r=O,s=O时退化为ARMA类模型,对p=O,q=O,d=O时就退化为GARCH模型,它囊括了时间序列的各种情形的。由于理论和实证表明对各种ARMA、GARCH类模型基于常用分布的似然函数得到的模型估计精度不高,故本文提出了基于贝叶斯方估计的MCMC方法来估计模型参数。这样就充分利用了样本信息和模型参数先验信息,因而具有更小的方差,能得到更精确的估计结果。最后本文以上证综合指数五分钟数据来进行仿真分析,建立了基于MCMC模拟方法的贝叶斯估计的ARFIMA(p,d,q)-GARCH(r,s)模型。数据分析中采用典型的Gibs抽样,基于MCMC模拟1500次,舍弃前100次,得到ARFIMA(1,d,1).GARCH(1,1)各参数的贝叶斯估计,并与传统EVIEWS估计得到的参数相比,发现贝叶斯估计更精确。     

基于分层贝叶斯广义线性模型的小域估计方法研究

当前,构建恰当的小域估计方法是解决我国政府抽样调查中多层次推断问题的关键所在。由于小域的小样本特性,基于频率统计学的小域估计方法推断效果并不理想,而传统基于贝叶斯统计视角的小域估计方法在非连续型变量估计时适应性不强。本文在系统介绍传统贝叶斯小域估计方法的基站上,为了解决离散变量的估计推断问题,将广义线性模型引入到分层贝叶斯方法中,构建了基本的理论机制和分类数据的估计模型。基于此模型,运用全国流动人口动态监测调查2014年广东省内的样本数据进行实例测算,估计出广东省各地级市的流动人口学历分布情况,并将分层贝叶斯广义线性模型的估计结果与传统估计方法进行了对比分析。结果显示,分层贝叶斯广义线性模型在样本量充足的情况下能够准确地估计出目标小域的总体参数,在样本量不足的小域中依然能够给出稳健的估计结果。文章所构建的估计模型不仅可以充分利用先验信息和辅助信息,还适用于对复杂数据进行估计推断,能够为我国政府抽样调查的小域估计实践提供有价值的理论参考。     

基于贝叶斯方法的低违约组合违约率估计

现代信用风险建模的核心是估计违约率,违约率估计是否准确将直接影响信用风险建模的质量。在估计违约率的众多文献中,频率法或logistic回归等统计方法的运用非常广泛,此类统计模型的基础是大样本,它客观上需要最低数量或最优数量的违约数据,而低违约组合(LDP)是指只有很少违约数据甚至没有违约数据的组合,如何估计LDP的违约率、反映违约率的非预期波动是一个值得关注的现实问题。本文针对银行贷款LDP缺乏足够历史违约数据的情况,采用贝叶斯方法估计LDP的违约率,并进一步探讨了根据专家判断或者根据同类银行LDP违约数量的历史数据来确定先验分布的方法。在贝叶斯估计中,通过先验分布的设定,不仅可以实现违约率估计的科学性和合理性,而且可以反映违约的非预期波动,有助于银行实施谨慎稳健的风险管理。     

截尾试验下指数分布的贝叶斯估计

在指数分布场合，定数或定时截尾试验，文[1]给出了参数λ在先验分布为Г(α，β)分布的假设下的Bayes估计．文[3]给出了在平方损失下的Bayes估计,本文讨论先验分布为B(a，b)分布时，参数λ的Bayes估计。     

广义自回归模型参数的收缩估计

运用经典方法结合参数的先验信息得到了广义一阶自回归模型中自相关系数的收缩估计的闭式表达式,它是通常极大似然估计与先验均值的加权平均,在适当的先验信息下优于原来的估计.     

用Fisher信息量估计先验

In Bayesian analysis, the maximum entropy prior is commonly used. But in some cases, the maximum entropy prior does not exist or has unpleasant jumps, In this paper, Fisher-information is used to measure the divergence and to derive the unknown prior. To a certain degree, this measure overcomes the shortcomings of the maximum entropy. The Fisher prior aways exists and it is continuous under the general requirements.     

基于Jeffreys验前的Bayes方差估计修正

分析了基于Jeffreys验前的经典Bayes方差估计以及考虑验前信息可信度情况下Bayes方差估计存在的问题,在一般情况下,其方差估计要大于验前子样和验后子样的方差,这显然是不合理的.这是采用Jeffreys验前和正态共轭分布假设时存在的固有问题.为了解决这一问题,提出了方差估计的修正公式,经过计算验证,其值在验前子样和验后子样方差之间,说明修正公式是合理的.     

Bayesian Estimation of Large Precision Matrix Based on Cholesky Decomposition

In this paper, we consider the estimation of a high dimensional precision matrix of Gaussian graphical model. Based on the re-parameterized likelihood, we obtain the full conditional distribution of all parameters in Cholesky factor. Furthermore, by imposing the prior information, we obtain the shrinkage Bayesian estimator of large precision matrix, and establish the asymptotic distribution of all parameters in the Cholesky factor. At last, we demonstrate our method through the simulation study and an application to telephone call center data.     

基于贝叶斯因素-时间序列模型的罪犯地理特征仿真研究

分析了可能影响犯罪地点的一些因素,并结合当前热点问题贝叶斯概率模型建立了贝叶斯因素分析模型.通过实例分析发现这种模型比较适合于较少案例情况下,当案件数小于五种时也有一定的预测效果.之后又建立了一种时间序列分析模型,这种模型可以对两个住所的情况和罪犯改变其犯罪策略的情况进行分析,实验发现当案例数较多时,这种模型表现出了很高的准确性.用蒙特卡洛方法生成的数据来测试模型的相关准确性、效率、可信度等数据,并探讨每个模型的优缺点为综合性地运用与实践提供前瞻性的理论依据.     

非线性模型中方差和协方差分量的Bayes估计

本文采用Bayes方法从有逆gamma先验信息出发,得到了非张性模型中方差和协方差分量的估计,本文中的方差和协方差分量包含相关系数,而其他学者提出的线性模型中方差和协方差分量的Bayes估计只是本文的特殊情况.     

基于灰色马尔可夫预测模型的农村人均收入预测

以武汉市农村人均收入为样本,将灰色预测模型和马尔可夫链预测模型相结合,通过对比预测的数据信息与实际数据信息差距,对2011年和2012年武汉市农村人均收入进行了预测计算.根据相关模拟检验与残差修正,灰色马尔可夫链可视为农村人均收入预测的可行且有效的方法.结果显示,单纯地运用灰色模型,预测值与实际值的误差均值是0.687%;通过马尔可夫链模型的二次模拟得到的误差明显减小.     

逐步增加Ⅱ型截尾下Pareto分布的Bayes估计

基于逐步增加的Ⅱ型截尾样本,当Pareto分布的尺度参数已知时,分别在平方损失和LINEX损失下讨论了其形状参数和可靠性指标(失效率和可靠度)的Bayes估计,并用Monte-Carlo方法对估计结果的MSE,进行了模拟比较.结果表明了在LINEX损失下的估计结果更有效.     

指数分布参数多层Bayes和E Bayes估计的性质

本文讨论无失效数据下指数分布参数多层Bayes估计和E Bayes估计的性质,在超参数分别取两种不同的先验分布下,证明参数的多层Bayes估计和E Bayes估计渐近相等,且多层Bayes估计值小于E Bayes估计值.     

Identifying Mixtures of Mixtures Using Bayesian Estimation

The use of a finite mixture of normal distributions in model-based clustering allows us to capture non-Gaussian data clusters. However, identifying the clusters from the normal components is challenging and in general either achieved by imposing constraints on the model or by using post-processing procedures. Within the Bayesian framework, we propose a different approach based on sparse finite mixtures to achieve identifiability. We specify a hierarchical prior, where the hyperparameters are carefully selected such that they are reflective of the cluster structure aimed at. In addition, this prior allows us to estimate the model using standard MCMC sampling methods. In combination with a post-processing approach which resolves the label switching issue and results in an identified model, our approach allows us to simultaneously (1) determine the number of clusters, (2) flexibly approximate the cluster distributions in a semiparametric way using finite mixtures of normals and (3) identify cluster-specific parameters and classify observations. The proposed approach is illustrated in two simulation studies and on benchmark datasets. Supplementary materials for this article are available online.