多指标面板数据因子分析的分层模型及应用

针对多指标面板数据的公因子提取及评价问题,提出一种充分挖掘面板数据时间序列价值的分层因子模型.模型在底层上通过对各个时点上截面数据指标变量的精炼实现对截面样本数据的评价,将截面数据压缩成只具有时间维度的样本评价值向量;模型顶层进一步实现了对由各个截面样本评价值向量形成的综合评价矩阵时间维度的精炼,并推导出面板数据因子得分公式及评价函数.最后,运用模型方法对我国大陆31个省市国有及规模以上非国有企业生产及经营状态面板数据进行了因子分析,分析结果显示了方法的合理性.分层模型实现了对面板数据各样本的指标维度与时间维度的双重提炼,弥补了现有方法的片面性与局限性.     

时变自回归模型系数的估计及预测

本文对一般时变自回归模型(TVAR)的时变系数提出一种估计方法,即建立一个关于时变系数的向量自回归时间序列模型,利用最小二乘方法计算其系数矩阵,在此基础上预测时变系数,从而得到时变自回归序列的点预测,另外给出了点预测和区间预测的方法.     

我国固定资产投资的ARIMA模型分析与预测

本文综合运用了时间序列预测方法,对我国固定资产投资总额进行了分析,建立了自回归求积移动模型ARIMA（4,1,4）。检验结果表明,该模型提供了较好的顸测结果,可为我国全社会固定资产投资提供可靠的参考数据。     

原油价格时间序列自回归子模式传输特征分析

为了更好地分析原油现货价格的波动规律,文章以大庆原油日现货价时间序列为研究对象,把计量经济模型与复杂网络方法结合起来,定量地定义自回归模式,运用时间滑动窗的思想设置合理的窗体长度和步长,将时间序列划分为多个子模块,建立了多个自回归子模式.将自回归子模式设置为节点,各子模式之间的传输设置为边,建立自回归子模式传输复杂网络,利用复杂网络的特征与性质,研究大庆原油现货价格时间序列传输特性.文章发现少数自回归子模式和传输模式驱动大庆原油现货价时间序列的振荡,在传输过程中出现对波动的聚类效应,并且某些非主要自回归子模式在原油时间序列中具有高中介能力等.这项研究不仅为分析原油价格时间序列提出了独特的视角,而且为投资者提供了重要信息.     

基于大维随机矩阵极限谱分布的面板数据单位根检验

近30年来,随着经济现象的越来越复杂和计算机信息技术的发展,大维面板数据模型被引入计量经济研究中.由于面板数据同一维的时间序列一样具有跨时间的特点,因而需要在进行回归之前考虑其是否平稳,即要对其进行单位根检验,以避免伪回归.基于大维随机矩阵的极限谱分布理论,给出针对面板数据的、一种新的单位根检验方法.     

固定效应面板数据部分线性模型的加权截面LSDV估计(英文)

本文考虑误差为自回归过程的固定效应面板数据部分线性回归模型的估计.对于固定效应短时间序列面板数据,通常使用的自回归误差结构拟合方法不能得到一个一致的自回归系数估计量.因此本文提出一个替代估计并证明所提出的自回归系数估计是一致的,且该方法在任何阶的自回归误差下都是可行的.进一步,通过结合B样条近似,截面最小二乘虚拟变量(LSDV)技术和自回归误差结构的一致估计,本文使用加权截面LSDV估计参数部分和加权B样条(BS)估计非参数部分,所得到的加权截面LSDV估计量被证明是渐近正态的,且比可忽略误差的自回归结构模型更渐近有效.另外,加权BS估计量被推导出具有渐近偏差和渐近正态性.模拟研究和实际例子相应地说明了所估计程序的有限样本性.     

截面数据插值的组合模型及其实证

采用Moran指标分析截面数据空间自相关性.针对具有空间自相关截面数据缺失插值问题,分别建立一阶空间自回归插值模型与克立格方法插值模型,在此基础上建立截面数据的组合插值模型,并用信息熵法确定组合插值模型的加权系数.用2003年福建部分市县城镇化水平的截面数据建立插值模型实证研究结果表明:组合插值模型的效果优于单项插值模型的效果.     

基于图方法的自回归和双线性时间序列模型系数的检验

自回归和双线性时间序列模型被表示为时间序列链图模型.在此基础上, 证明了自回归和双线性模型的系数为其他时间序列分量给定的条件下的条件相关系数.然后提出基于图的检验方法来检验自回归和双线性模型系数的显著性, 模拟结果表明此方法在水平和功效方面表现很好.     

自协方差非平稳时间序列的时变参数自回归模型

对一簇时间序列明确定义了自协方差非平稳时间序列.对于自协方差非平稳时间序列,提出了用于自协方差非平稳时间序列的3种时变参数自回归（TVPAR）模型：满阶TVPAR模型、非时变阶次TVPAR模型和时变阶次TVPAR模型.并进行了有关的最小赤池信息量准则（AIC）估计.     

结构向量自回归时间序列的链图模型识别方法

本文研究了结构向量自回归时间序列的链图模型识别方法.利用局部密度估计法以及Bootstrap方法,给出了时间序列链图模型的概念以及模型结构识别方法.模拟结果显示本方法能有效地识别结构向量自回归模型变量问的相依关系.     

随机缺失函数型时间序列数据的k近邻回归估计

针对响应变量随机缺失的强混合函数型时间序列数据,首次提出了非参数回归模型的k近邻估计,并在一些正则条件下建立了k近邻回归算子的几乎完全一致收敛速度.此研究不仅推进了函数型非参数模型的理论研究,也为函数型数据的实际应用领域提供了理论支撑.     

周期相关时间序列与周期自回归模型

介绍了周期相关时间序列和周期自回归模型,并研究了周期自回归时间序列的稳定性及周期性,得到了它为周期相关时间序列的一个充要条件,推广了文献[1]的结论.     

基于SVR的RAR区域经济预测模型

由于区域经济系统中许多经济变量呈现出强非线性与大波动性的特征,使得传统的时间序列线性建模和预测技术难以适应区域经济预测的要求.为此,提出基于支持向量机改进的残差自回归区域经济预测模型.首先采用时间序列分析中的残差自回归模型对时间序列趋势进行线性拟合,然后对残差自回归模型估计后的残差序列采用支持向量回归方法再次提取其非线性特征,从而提高区域经济时间序列模型的预测精度.最后以广东省GDP的预测实例说明模型的有效性.     

右删失数据下多响应AFT模型的两阶段估计

在生存分析领域,加速失效时间(AFT)模型经常被用于预测事件发生的时间.本文将该模型推广到多事件时间情形,提出了多响应AFT模型,并假设协变量是高维的,模型的系数矩阵是联合低秩且稀疏的.此外还假设多个事件时间受制于同一个右删失变量.为了估计模型中的系数矩阵,本文提出一个两阶段方法,先对数据进行逆概率删失加权(IPCW),再用SESS算法求解一个稀疏降秩回归问题.本文通过数值模拟,验证了所提方法的有效性.最后将该方法应用于一个关于白血病患者骨髓移植的临床数据集.     

基于EM算法的混合自回归滑动平均模型的参数估计

研究了一类用于时间序列建模的混合自回归滑动平均模型.该模型是由m个ARMA分量经过混合得到的,给出了混合自回归滑动平均模型参数估计的期望极大化(EM)算法,从而得到了混合系数和分量模型的参数,通过仿真说明了其有效性.     

厚尾金融时间序列的贝叶斯单位根检验

在金融时间序列分析中,单位根检验是一个相当重要的研究问题。对于数据生成过程为自回归的厚尾金融时序数据,古典的ADF单位根检验统计量应用非常困难。本文则在贝叶斯框架下,发展了检验带有未知自由度厚尾t分布的自回归金融时间序列单位根的贝叶斯方法。蒙特卡罗模拟结果显示本文发展的方法能够取得好的检验功效。最后,用万科地产月度历史收益数据来演示了本文发展的方法。     

非线性时间序列的投影寻踪学习网络逼近

本文研究非线性自回归模型投影寻踪学习网络逼近的收敛性,证明了在L^k(k为正整数）空间上,投影寻踪学习网络可以以任意精度逼近非线性自回归模型,给出基于投影寻踪学习网络的非线性时间序列模型建模和预报的计算方法和应用实例,对太阳黑子数据,山猫数据及西安数据进行了拟合和预报,将其结果与改进BP网和门限自回归模型相应的结果进行比较,结果表明基于投影寻踪学习网络的非线性时间序列的建模预报方法是一类行之有效的方法。     

稀疏VAR在股票收益率研究的应用

向量自回归模型(VAR)广泛应用在对时间相依的多元时间序列建模中,但在高维数据建模中,自回归的系数膨胀可能导致噪音估计、不稳定的预测、解释上的困难等问题。在实际应用中,序列的真实模型往往具有稀疏性,因此运用稀疏VAR模型对高维时间序列进行建模,不仅可以解决高维数据带来的上述困难,也有利于寻找高维数据内在的真实模型。本文以10家公司的股票收益率为研究对象,采用3种不同的稀疏估计方法,不但分析了股票收益率之间的动态关系,而且通过实证分析展示了稀疏估计的优势。     

上海市PM2.5浓度的分析与预测

针对上海市PM2.5的浓度进行动态分析及预测.通过使用Page检验分析了上海市PM2.5浓度近几年的变化趋势;然后建立时间序列ARIMA模型对PM2.5浓度日数据进行拟合分析与预测.在此基础上通过引入影响PM2.5浓度的其他因素建立带时间序列误差的回归模型以及引入波动率因素建立带波动率方程的模型改进原时间序列ARIMA模型;通过比较样本外预测的效果,结果表明改进后的两个模型其结果均优于已知文献中的ARIMA模型.     

广义网络向量自回归

随着社交网络平台的快速发展,带有网络结构的时序数据越来越多.为拟合用户行为的动态变化,网络向量自回归模型被提出.模型最早研究的是连续型因变量.然而实际数据常观测到离散型因变量.由此,本文提出广义网络向量自回归模型.模型假设存在一个潜在的连续型变量,决定了可观测到的离散型因变量的取值.为了估计和推断模型,本文提出了MCMC (Markov chain Monte Carlo)算法并通过随机模拟进行验证.最后,使用某社交网络平台上的两个真实的数据案例作为例证.