新安江流域5—9月间汛期雨量预报的混合回归模型

应用回归模型拟合,是考虑因变量与自变量之间的统计依赖关系,借以预报因变量的未来值.而自回归模型拟合,是考虑因变量自身前后的统计依赖关系,借以预报序列的未来取值.前者没有利用因变量自身的统计依赖关系,后者没有利用因变量与自变量之间的统计依赖关系.在雨量预报中,雨量的多寡,有时不仅与所选自变量有关,而且与预报量的历史取值亦有很大联系.混合回归模型综合了以上两种考虑,克服了单纯回归模型存在的不足。     

一种基于模糊集值统计的集对预测方法

在集对分析中,差异度系数i是体现系统不确定性的重要变量,但如何取值一直在理论上没有解决,本文根据i的取值的不确定性与模糊性,提出了一种基于模糊集值统计的差异度系数取值方法.对于原始数据中的噪声,本文提出了一种基于模糊软阈值的小波去噪方法,并利用支持向量回归方法来进行同异反预测,在一定程度上克服了线性建模技术的不足.此外,为了克服同一度、差异度与对立度之间的归一化约束,本文还提出了一种熵变换的方法.     

非概率样本的模型推断

非概率抽样在大数据时代有广阔的应用空间,但其统计推断问题仍有待研究和发展.针对这一问题,提出利用基于模型的推断方法结合配额抽样实现非概率样本的统计推断,其思路是先设定线性回归形式的超总体模型,再利用配额样本观测数据拟合模型估计未知参数,进而利用模型对非观测单元进行预测,案例分析结果显示基于超总体模型的推断方法是解决非概率样本统计推断的有力途径,具有较大的深入研究价值.     

具有线性趋势回归信度模型的自相关性的score检验

回归信度模型在保险研究中具有重要的作用。本文讨论了具有线性趋势回归信度模型自相关性的score检验问题。首先推导出模型中自相关存在性检验的score检验统计量,然后利用Monte-Carlo方法模拟了此种检验统计量的功效。最后利用文中所得到的检验方法对旅客意外身体伤害保险数据进行了实例分析。     

基于联合估计方法的广义随机系数自回归模型的统计推断

本文利用联合估计函数方法(CEF)对广义随机系数自回归(GRCA)模型进行统计研究.应用联合估计函数方法得到广义随机系数自回归模型参数估计量,证明了提出的参数估计量的相合性和渐近正态性,利用数值模拟对提出的参数统计量进行对比分析,数值模拟结果表明,联合估计方法的参数估计量优于基于估计函数方法、伪极大似然方法、最小二乘方法的参数估计量,实证研究也说明CEF方法具有较好的效果.     

具有测量误差的非线性模型的Bayes估计

测量中大量的函数模型都是非线性回归模型．当回归变量含有一定的测量误差时，我们得到非线性测量误差模型．本讨论了这种模型中未知参数具有正态先验分布时的参数Bayes估计方法，并对这种估计进行了影响分析，证明了删除模型与均值漂移模型中参数的Bayes估计相同，利用Cook统计量给出了删除模型下参数的Bayes估计的影响度量．     

基于连续可分的广义非线性纵向数据模型偏离名义离差的score检验及其功效

指数族非线性模型或广义非线性模型是广义线性模型和正态回归模型的自然推广.本文针对可分的连续型指数族回归模型(如正态模型,Γ模型,逆高斯模型),讨论广义非线性纵向数据模型中偏离名义离差的检验问题,得到了检验的score统计量,并推导了它们的渐近分布和局部近似功效.然后利用Monte Carlo方法研究了检验统计量的性质.最后利用百慕大草地数据说明了检验方法的应用.     

广义空间模型的方差齐性检验

研究了广义空间模型的方差齐性检验问题,在异方差情形下导出了Score检验统计量的具体形式和近似分布.分别应用于混合空间自回归模型和空间误差模型,给出了相应的检验统计量和渐近分布.并利用Monte Carlo模拟对检验统计量的性质进行分析.最后,通过中国能源利用效率的区域特征数据证明了方法的有效性.     

偏正态数据下众数回归模型的统计诊断

为了更好地拟合偏态数据,充分提取偏态数据的信息,针对偏正态数据建立了众数回归模型,并基于Pena距离统计量对众数回归模型进行统计断研究,得到了众数回归模型的Pena距离表达式以及高杠杆异常点的诊断方法.利用EM算法与梯度下降法给出了众数回归模型参数的极大似然估计,根据数据删除模型计算似然距离、Cook距离和Pena距离统计量,绘制诊断统计图.通过Monte Carlo模拟试验和实例分析比较,说明文章提出的方法行之有效,并在一定条件下Pena距离对异常点或强影响点的诊断优于似然距离和Cook距离.     

具有线性趋势回归信度模型异方差的score检验

回归信度模型在保险研究中具有重要的作用.本文分险种内部,险种之间,险种内部及之间三种情形讨论了具有线性趋势回归信度模型异方差的score检验问题.首先推导了异方差存在性检验的score检验统计量,然后利用Monte-Carlo方法模拟了这几种检验统计量的功效,功效模拟结果显示：这几种检验统计量都有很好的检验效果.最后利用文中所得到的检验方法对旅客意外身体伤害保险数据进行了实例分析.     

基于灰色系统理论的多元线性回归分析

运用灰色系统理论剔除了自变量观察数据中的噪声污染,对传统的多元线性回归分析方法进行了改进,建立了灰色多元线性回归分析模型.将模型应用于陕西省就业问题的研究,取得了满意的预测效果.     

教育收益率估计方法的比较

本文对教育经济学中个人教育投资明瑟收益率的估计方法进行了比较研究,特别是引入了部分线性回归模型对明瑟收益率进行估计的方法,并且通过广义似然比检验对常规明瑟模型中的参数形式进行了检验。     

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.     

Joint modeling for mixed-effects quantile regression of longitudinal data with detection limits and covariates measured with error,with application to AIDS studies

It is very common in AIDS studies that response variable (e.g., HIV viral load) may be subject to censoring due to detection limits while covariates (e.g., CD4 cell count) may be measured with error. Failure to take censoring in response variable and measurement errors in covariates into account may introduce substantial bias in estimation and thus lead to unreliable inference. Moreover, with non-normal and/or heteroskedastic data, traditional mean regression models are not robust to tail reactions. In this case, one may find it attractive to estimate extreme causal relationship of covariates to a dependent variable, which can be suitably studied in quantile regression framework. In this paper, we consider joint inference of mixed-effects quantile regression model with right-censored responses and errors in covariates. The inverse censoring probability weighted method and the orthogonal regression method are combined to reduce the biases of estimation caused by censored data and measurement errors. Under some regularity conditions, the consistence and asymptotic normality of estimators are derived. Finally, some simulation studies are implemented and a HIV/AIDS clinical data set is analyzed to to illustrate the proposed procedure.     

Nonparametric regression with interval-censored data

In many medical studies,the prevalence of interval censored data is increasing due to periodic monitoring of the progression status of a disease.In nonparametric regression model,when the response variable is subjected to interval-censoring,the regression function could not be estimated by traditional methods directly.With the censored data,we construct a new response variable which has the same conditional expectation as the original one.Based on the new variable,we get a nearest neighbor estimator of the regression function.It is established that the estimator has strong consistency and asymptotic normality.The relevant simulation reports are given.     

多元组内回归分析的模型及其算法

从工程实践的需要出发，提出多元组内回归分析的模型和算法。该模型参考逐步回归的思想，将副除的自变量转变为因变量，既充分利用数据信息，又获得完整的结果。该模型克服传统多元回归模型在因变量集合不确定的情况下难以应用的不足，应用前景广阔。     

我国宏观经济非参数联立模型的局部线性工具变量变窗宽估计

联立方程模型在经济政策制定、经济结构分析和预测方面起重要作用，目前关于非参数计量经济模型的研究主要停留在单方程模型上，而联立方程模型的研究在国际上刚刚起步，本将非参数回归模型的局部线性估计方法与传统联立方程模型估计方法相结合，首次提出了非参数计量经济联立模型的局部线性工具变量变窗宽估计并应用于我国宏观经济非参数联立模型，结果表明：我国宏观经济非参数联立模型优于线性联立模型且线性模型将造成不必要的人为设定误差；对于非参数联立模型，局部线性工具变量变窗宽估计优于局部线性估计。     

Model selection method based on maximal information coefficient of residuals

The traditional model selection criterions try to make a balance between fitted error and model complexity. Assumptions on the distribution of the response or the noise, which may be misspecified, should be made before using the traditional ones. In this article, we give a new model selection criterion, based on the assumption that noise term in the model is independent with explanatory variables, of minimizing the association strength between regression residuals and the response, with fewer assumptions. Maximal Information Coefficient (MIC), a recently proposed dependence measure, captures a wide range of associations, and gives almost the same score to different type of relationships with equal noise, so MIC is used to measure the association strength. Furthermore, partial maximal information coefficient (PMIC) is introduced to capture the association between two variables removing a third controlling random variable. In addition, the definition of general partial relationship is given.     

MODEL SELECTION METHOD BASED ON MAXIMAL INFORMATION COEFFICIENT OF RESIDUALS

The traditional model selection criterions try to make a balance between fitted error and model complexity. Assumptions on the distribution of the response or the noise, which may be misspecified, should be made before using the traditional ones. In this ar- ticle, we give a new model selection criterion, based on the assumption that noise term in the model is independent with explanatory variables, of minimizing the association strength between regression residuals and the response, with fewer assumptions. Maximal Information Coe~cient （MIC）, a recently proposed dependence measure, captures a wide range of associ- ations, and gives almost the same score to different type of relationships with equal noise, so MIC is used to measure the association strength. Furthermore, partial maximal information coefficient （PMIC） is introduced to capture the association between two variables removing a third controlling random variable. In addition, the definition of general partial relationship is given.