纵向数据下线性模型的模态回归估计

本文考虑纵向数据下线性回归模型的稳健估计问题.通过结合模态回归(modal regression)方法和二次推断函数(quadratic inference functions)技术,提出了一种基于模态回归的估计过程.证明了回归系数的估计是相合的,并给出了其渐近分布.数据模拟结果表明所提出的估计方法具有较好的稳健性和有效性.     

Bf—稳健的Mallows型回归估计量

讨论了Ｍａｌｌｏｗｓ型回归估计的拟合值影响，构造一类Ｂｆ－稳健的Ｍａｌｌｏｗｓ型回归估计量，并证明了它的存在性和可容许性。     

线性回归模型多个离群点的向前逐步诊断方法

当线性回归模型中存在多个离群点时,经典的诊断方法常常因掩盖和淹没现象而失效,导致模型误用。针对此问题,本文在回顾有关文献的基础上,将稳健回归技术与经典诊断量相结合,提出一种向前逐步诊断方法。通过对模拟数据的分析,说明该法可有效地识别回归数据中潜在的离群点,并作正式的统计检验。     

模糊线性回归的稳健方法

考虑两类模糊回归模型：一类是设计点为实数,参数为模糊数;另一类是观察值为模糊数、参数为实数。就这两类回归模型,从稳健统计的角度提出相应的稳健方法,并通过例子与现有的方法进行比较,说明所提方法的稳健性。     

基于稳健回归的经济增长数据可靠性评估

为了顺应改革开放以来经济规模和结构的不断调整,我国的统计体系发生了较大的变化。部分经济指标在不同层面的汇总结果存在差异,导致一些学者和组织对我国公布的经济增长数据质量提出质疑。因此,对我国经济增长数据的可靠性进行检测,成为学界持续关注的热点话题。在过去的研究中,很多学者使用了传统的回归方法,但这些方法容易受到异常值的影响,造成结果的可靠性较低。本文提出一种基于MRCD估计和MM估计的稳健回归方法,使用2019年中国大陆31个省级行政区域的GDP增长率和14个经济增长相关指标的增长率数据对中国的经济数据质量进行了评估。研究结果表明,该模型不仅提高了对异常值的识别能力,还降低了异常值对回归估计值的影响,因而同时提高了结果的可靠性和实际应用能力。实证结果表明,我国的经济增长数据是有质量保证的。     

稳健稀疏主成分分析法及其实证研究

主成分分析是多元统计分析中一种非常经典的降维技术。然而,经典主成分分析却是对离群值非常敏感的,常因离群值的存在导致结果与实际不相符。另一方面,当主成分分析用于综合评价时,主成分的含义常因载荷间绝对值大小不分明而含糊不清,从而导致综合评价难以展开。本文通过使用稳健稀疏主成分分析法进行模拟实验和实证分析,结果表明:该方法不仅能很好地抵抗离群值的影响,而且还能准确地识别出离群样本。通过该方法得出的主成分的含义也较经典主成分分析和稳健主成分分析更加地明确和贴近实际。     

均值-CVaR模型的稳健构建方法及其比较研究

传统均值-CVaR模型具有不稳健性,当样本数据存在离群值时,传统均值-CVaR模型获得的投资效果可能会偏离实际情况。针对这一现象,文中将稳健统计思想与传统均值-CVaR模型相结合,构建出稳健均值-CVaR模型以削弱或消除离群值的影响,从而获得较为可靠的投资效果。为了说明稳健改进方法的有效性和可行性,文中进行了模拟实验和实证分析,结果均表明:当数据中不存在离群值时,传统和稳健均值-CVaR模型获得的投资效果基本保持一致;但当数据中存在离群值时,传统均值-CVaR模型获得的投资效果与实际不符,而稳健均值-CVaR模型获得的投资效果仍保持着良好的一致性,说明稳健均值-CVaR模型对离群值具有较好的抗差性和抗干扰性。     

稳健AR模型的构建及比较研究

时间序列自回归AR模型在建模过程中易受离群值的影响,导致计算结果与实际不相符.针对这一现象,将Hampel权函数运用于自相关函数中,从而构建出自回归AR模型的稳健估计算法,以克服离群值的影响.并对此方法进行了模拟和实证分析,模拟和实证分析均表明:当时序数据中不存在离群值时,传统估计方法与稳健估计方法得到的结果基本保持一致;当数据中存在离群值时,运用传统估计方法得到的结果出现较大变化,而运用稳健估计方法得到的结果基本不变.这说明相对于传统估计方法,稳健估计方法能有效抵抗离群值的影响,具有良好的抗干扰性和高抗差性.     

一类变换半群的秩

设自然数n≥4,X_n={1,2,…,n},证明了X_n上的保序压缩全变换半群W_n的秩为n-1.     

基于DDC算法的稳健稀疏主成分法及其实证研究

主成分分析是多元统计分析中经典降维方法之一。它有两个固有弊端:一是当样本中存在离群样本时,经典主成分法所得载荷向量、得分往往不符合实际;二是在现实中各主成分载荷往往都会不等于零,甚至经常还会出现次要变量与主要变量的载荷绝对值大小接近的情况,导致主成分可解释性被大幅削弱。另外,传统的稳健主成分法通过删除离群样本后计算载荷向量达到稳健效果,这对于那些只有少数几个变量的观测值离群的离群样本来说是一种欠妥的方法。针对上述几点,本文以DDC (Detecting Deviating Cell)算法为主要的稳健方法,提出一种稳健稀疏主成分法DDCSPCA。模拟实验和实证分析结果表明:DDCSPCA在处理有离群样本的数据时能达到稳健与(载荷向量)稀疏双重效果。而且,其对格离群数据有着以往稳健主成分法所远远不及的稳健性。     

A Review of Robust Regression and Diagnostic Procedures in Linear Regression

The concern over outliers is old since Bernoulli (see [12]), reviewed historically by [11] and updated with [10] in their encyclopedia textbook. James et al.~([46]) used simulation technique to compare some recent published outlier detection procedures.The history of adept and diagnosis of outliers is traced from old and presence comments. Theil-type or Rank, Brown-Mood, L_p, M, adaptive M, GM, and Trimmed-Winsorization estimators are the most popular estimators that we will review in this paper as an application to outlier accommodation. We will review and compare the most numerical and graphical displays based on residuals to flag outliers.     

对稳健回归尺度参数估计的一种改进

常对线性回归模型的稳健 M估计中 ,尺度参数使用绝对离差中位数 MAD.将 Rousseeuw等人对单变量尺度参数的一种稳健估计 Sn引入到回归问题中 ,讨论了此估计的一些优良性质 ,并通过一个小规模的模拟研究 ,说明使用 Sn比使用 MAD做尺度参数将会较大地提高回归估计的估计效率 .     

基于稳健回归的电网高峰负荷预测模型应用

在分析高峰负荷特点的基础上,建立了基于稳健回归模型的高峰负荷预测方法。该方法具有较强的稳健性,适应异常情况下的样本数据,能保持较满意预测精度。通过对辽宁省2002年电网负荷数据的预测模拟,验证了本文高峰预测方法的有效性。     

Poisson-Lindley回归模型基于EM算法的诊断分析(英文)

利用EM算法研究了来自于Lindley分布权重的混合Poisson模型,即Poisson-Lindley回归模型,从而利用基于完全数据似然函数的条件期望进行统计诊断和局部影响分析,得到了几个有用的诊断统计量,并用一个数值实例说明了所得统计量的有效性.     

求解线性模型稳健参数估计的整数编码遗传算法

线性模型回归系数的一些稳健估计如LMS、LQS、LTS、LTA的应用越来越广泛,然而它们的精确计算依赖于NP难题,在遇到高维大规模数据集时不可能在较短时间内得到精确解.为尽快得到较高精度的近似解,提出了求解线性模型的稳健参数估计的整数编码遗传算法,通过计算机模拟试验验证了算法可以更快地找出全局最优解.     

权回归与一般影响度量

权回归模型是近年来文献中较多涉及的一种.本文从回归诊断的角度进一步研究了它的若干问题.如扰动、影响度量及估计效率等.由于这类模型的一般性,因而本文的结果均可看作回归诊断中较成熟的一些结论的推广.     

Deleting Outliers in Robust Regression with Mixed Integer Programming

In robust regression we often have to decide how many are the unusual observations, which should be removed from the sample in order to obtain better fitting for the rest of the observations. Generally, we use the basic principle of LTS, which is to fit the majority of the data, identifying as outliers those points that cause the biggest damage to the robust fit. However, in the LTS regression method the choice of default values for high break down-point affects seriously the efficiency of the estimator. In the proposed approach we introduce penalty cost for discarding an outlier, consequently, the best fit for the majority of the data is obtained by discarding only catastrophic observations. This penalty cost is based on robust design weights and high break down-point residual scale taken from the LTS estimator. The robust estimation is obtained by solving a convex quadratic mixed integer programming problem, where in the objective function the sum of the squared residuals and penalties for discarding observations is minimized. The proposed mathematical programming formula is suitable for small-sample data. Moreover, we conduct a simulation study to compare other robust estimators with our approach in terms of their efficiency and robustness.     

基于MCD的稳健主成分算法及其实证分析

主成分分析方法是在经济管理中经常使用的多元统计分析方法,在变量降维方面扮演着很重要的角色,是进行多变量综合评价的有力工具。但传统的主成分分析对于异常值十分敏感,计算结果很容易受到异常值影响,而实际数据常包含异常情况,通常分析很少考虑它们的作用。本文基于MCD估计提出一种稳健的主成分分析方法,模拟和实证分析结果表明,该方法对于抵抗异常值有很好的效果。