两部分潜变量模型的变分贝叶斯推断

两部分潜变量模型是一种被广泛用于探索半连续数据中不可观测异质性的统计方法.文章对两部分潜变量建立变分贝叶斯推断程序.相比于马尔可夫链蒙特卡洛(MCMC)抽样方法,变分贝叶斯方法具有计算速度快、可提供确定性解等优点.利用Logistic模型一个随机表示,构造了一个适当的变分分布族来近似后验.变分分布通过坐标上升变分算法获得;给出了变分参数的更新计划,建立了变量选择和模型评价贝叶斯程序.经验结果展示了该方法的有效性和实用价值.     

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。     

艾拉姆咖分布参数变点的Bayes估计

研究了艾拉姆咖分布变点估计的非迭代抽样算法(IBF)和MCMC算法.在贝叶斯框架下,选取无信息先验分布,得到关于变点位置的后验分布和各参数的满条件分布,并且详细介绍了IBF算法和MCMC方法的实施步骤.最后进行随机模拟试验,结果表明两种算法都能够有效的估计变点位置,并且IBF算法的计算速度优于MCMC方法.     

空间混合效应随机前沿模型估计方法研究

在经典随机前沿模型中引入随机效应和空间效应,构建了空间混合效应随机前沿模型。模型考虑了生产单元技术水平的异质性并且可以有效避免忽略内生性问题导致的有偏且不一致估计量,适用性更佳。使用贝叶斯方法估计模型,核心在于推导未知参数的后验分布以及MCMC抽样。相比于其他估计方法,贝叶斯方法简单直观且精度较高,更适合复杂模型的估计。数值模拟结果显示:①贝叶斯估计的精度较高。增加样本容量有助于提高精度。②忽略随机效应,估计精度偏低。数值模拟表明文中模型和方法有存在必要性。     

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。     

泊松逆高斯回归模型的贝叶斯统计推断

本文研究泊松逆高斯回归模型的贝叶斯统计推断.基于应用Gibbs抽样,Metropolis-Hastings算法以及Multiple-Try Metropolis算法等MCMC统计方法计算模型未知参数和潜变量的联合贝叶斯估计,并引入两个拟合优度统计量来评价提出的泊松逆高斯回归模型的合理性.若干模拟研究与一个实证分析说明方...     

分位数贝叶斯组变量选择及其在变点检测中应用

本文研究分位数回归的组变量选择问题。基于分位数回归和贝叶斯统计推断方法,通过引入系数的组“spike and slab”先验分布,提出了分位数回归的贝叶斯组变量选择方法,并给出易于实施的Gibbs后验抽样算法。进一步,本文还将所建立的贝叶斯组变量选择方法应用到变点检测中,变点的数量和位置的探测准确率较高。数值模拟和两个实例分析验证了所提方法的有效性。     

两部分混合回归模型的贝叶斯推断

两部分回归模型在刻画半连续型数据的概率发生机制具有重要作用.本文将经典的两部分回归模型推广到两部分有限混合模型,通过假定多条回归直线的混合来解释分布的不齐一性.在贝叶斯框架内,运用马尔可夫链蒙特卡洛(MCMC)方法来进行后验分析.Polya-Gamma先验被用来对logistic模型进行拟合,同时,Stick-breaking先验用于随机权.这些有助于加速后验抽样.本文对可卡因数据展开实证分析.     

函数型空间自回归模型的贝叶斯估计

函数型数据广泛地存在于社会的各个领域, 函数型数据分析也成为越来越热的统计研究方向. 经典的函数型回归模型一般假设响应变量是一个独立变量, 而在经济学, 环境科学等领域会经常遇到响应变量具有空间相依关系. 因此针对带有空间响应变量的部分函数型空间自回归模型, 基于函数型主成分分析和MCMC算法研究了模型的贝叶斯估计. 运用■表示定理来逼近函数型系数的思想, 以及应用Gibbs抽样和Metropolis-Hastings算法相结合的混合MCMC算法来获得模型中未知参数和函数型系数的贝叶斯估计结果. 最后通过模拟研究和对加拿大气温数据的实证分析来表明所提出的贝叶斯估计方法是可行有效的.     

幂变换门限GARCH模型变点问题的贝叶斯分析

用贝叶斯方法对幂变换门限GARCH (PTTGARCH)模型变点问题进行统计分析.构造了变点模型参数的满条件分布并且采用MCMC的Griddy-Gibbs抽样算法对参数进行了估计.分别就不同的变点位置、模型不存在变点以及模型接近非平稳的情况进行数值模拟.结果表明:变点处于序列中间位置时,估计效果较好,当变点位置越靠近序列两端时,所得估计的误差越大;当模型不存在变点时,所设变点位置τ后验分布的峰度接近均匀分布的峰度;当模型存在变点时,τ后验分布的峰度大于2,且模型越平稳,τ的后验分布的峰度越大,因此可以通过判断τ的后验分布的峰度来判断模型是否存在变点.最后以GARCH模型对上证指数日收益率进行分析,得到变点发生时刻的概率分布,该结果与市场的变化背景符合.     

基于维纳过程步进应力加速退化试验的客观贝叶斯分析

高可靠性产品在加速寿命试验中其失效数据经常比较少,利用步进应力加速退化试验来评估产品寿命分布是一种非常好的方法.本文基于维纳过程的步进应力加速退化试验模型利用客观贝叶斯方法获得了其模型参数的无信息先验(Jefferys先验和Reference先验).并证明了对应的后验分布都是正常的.对于Jefferys先验和Reference先验下的后验提出相应的Gibbs抽样算法.最后,我们模拟对比了客观贝叶斯估计、贝叶斯估计和极大似然估计,模拟结果揭示了客观贝叶斯方法的优良性.     

逻辑回归模型的Smooth LASSO及Spline LASSO变量选择

对于逻辑回归模型中的参数估计和变量选择问题,提出了Smooth LASSO以及Spline LASSO.当变量具有连续性,使用Smooth LASSO,可以获得局部恒定的系数.但是在有些情况下,系数可能不同并且缓慢变化,可以使用Spline LASSO来估计参数.本文通过理论证明模型的可靠性,利用坐标下降法对模型进行求解,最后通过模拟验证了模型在变量选择中的准确性以及较好的预测性.     

高维数据下的贝叶斯网络结构学习

贝叶斯网络模型作为一种传统有效的大数据图模型,因其具有因果和概率性语义等特点受到学者们的广泛研究。为了解决基于高维数据构建贝叶斯网络的难题,本文提出了一种适用于高维数据的贝叶斯网络结构学习算法—LTB算法,该算法由Lasso、Tabu Search算法和BIC结合。首先,运用Lasso降低协变量的维数,筛选出与目标变量关系密切的协变量将作为贝叶斯网络的顶点。然后,选择Tabu Search作为元启发式算法,选择BIC作为计算得分的方法,两者结合构建全局最优的贝叶斯网络结构。实证分析表明,LTB算法应用于上证综指影响因素的研究,既可以获得上证综指与其影响因素间的因果关系,也可以利用条件概率得到上证综指影响因素间的组合方式。     

企业财务危机预测的贝叶斯模型研究

本文探讨商业银行如何利用贝叶斯分类技术构建企业客户财务危机预测模型。本文使用财务比率作为评价企业绩效的特征属性,并考察两个不同的贝叶斯模型在估计企业客户发生财务危机的后验概率方面的有效性。一个比较简单但有较多的假设,即朴素贝叶斯模型;另一个某种程度上更为复杂但有更少的假设,即组合属性贝叶斯模型。研究发现,与朴素贝叶斯模型相比,由于组合属性贝叶斯模型更好地反映了变量之间潜在的联合分布,因此它能在历史数据支持下估计所要求的概率并做出更精确的预测。所提出的模型可以作为辅助银行审核者做出正确而快速决策的有用工具。     

基于MCMC方法的ARFIMA模型贝叶斯分析及实证研究

在经济领域中,时间序列具有序列相关和长记忆等特征,用考虑了时间序列短记忆性和长记忆的ARFIMA来模型分析研究经济时间序列有利于提高拟合及预测的精度。近几十年来对ARFIMA模型参数估计和分数差分算子阶数d的研究越来越多,该模型的应用也越来越广泛。基于贝叶斯方法在参数估计中的优越性,本文结合众多应用此方法的文献所得到的后验分布特点,提出了合理的先验分布,考虑到计算难度,采用MCMC方法对模型的参数进行估计,最后应用我国过去几十年的GDP数据进行实证分析,得到了ARFIMA模型参数的后验分布图、均值、方差及95%的置信区间。     

线性模型参数向量的近似贝叶斯估计

用线性贝叶斯方法去同时估计线性模型中回归系数和误差方差,并在不知道先验分布具体形式的情况下,得到了线性贝叶斯估计的表达式.在均方误差矩阵准则下,证明了其优于最小二乘估计和极大似然估计.与利用MCMC算法得到的贝叶斯估计相比,线性贝叶斯估计具有显式表达式并且更方便使用.对于几种不同的先验分布,数值模拟结果表明线性贝叶斯估...     

治愈率模型在屏蔽数据可靠性分析中的应用研究

针对传统方法中的不足,在引入标准治愈率模型的基础上,提出在屏蔽数据可靠性分析中应用一种扩展的治愈率模型的建模方法;分析证明了利用该方法进行建模分析时仅需对模型作较少的前提假设,在信息不足的情况下能够识别出伴随变量对系统寿命分布的影响,进而有效提高模型估计的稳健性.通过运用基于Gibbs抽样的MCMC方法动态模拟出相关参数后验分布的马尔可夫链,给出随机截尾条件下模型参数的贝叶斯估计;实例分析的结果,证明了该模型在可靠性应用中的直观性与有效性.     

测量误差模型的自适应LASSO变量选择方法研究

本文研究测量误差模型的自适应LASSO(least absolute shrinkage and selection operator)变量选择和系数估计问题.首先分别给出协变量有测量误差时的线性模型和部分线性模型自适应LASSO参数估计量,在一些正则条件下研究估计量的渐近性质,并且证明选择合适的调整参数,自适应LASSO参数估计量具有oracle性质.其次讨论估计的实现算法及惩罚参数和光滑参数的选择问题.最后通过模拟和一个实际数据分析研究了自适应LASSO变量选择方法的表现,结果表明,变量选择和参数估计效果良好.     

贝叶斯LASSO正则加权复合分位回归及其应用（英文）

回归模型一般采取传统的最小二乘估计(LSE)方法,然而当数据包含非正态特征或异常值时该估计方法会导致不稳健的参数估计.与LSE方法相比,即使出现非正态误差或异常数据,复合分位回归(CQR)方法也能提供更稳健的估计结果.基于复合反对称拉普拉斯分布(CALD),本文提出了贝叶斯框架下的加权复合分量回归(WCQR)方法.正则化方法已经被验证可以有效处理高维稀疏回归模型,它可以同时进行变量选择和参数估计.本文结合贝叶斯LASSO正则化方法和WCQR方法来拟合线性回归模型,建立了 WCQR的贝叶斯LASSO正则化分层模型,并导出了所有参数的条件后验分布以进行统计推断.最后,通过蒙特卡罗模拟和实际数据分析演示了所提出方法.     

Marshall-Olkin威布尔分布的贝叶斯分析（英文）

Kundu与Gupta~([1])提出用重要抽样法来计算Marshal-Olkin两元威布尔分布参数的贝叶斯估计,然而我们发现在样本量变大的情况下,重要抽样算法的参数估计效果却不理想.在这篇文章中,我们引入潜在变量来简化似然函数,并且提出利用MCMC算法实现对该模型未知参数的估计.为了评价我们提出方法的有效性,我们将提出的贝叶斯方法与极大似然估计数据模拟结果作对比,可以发现:即使在样本量很小的情况下,提出的贝叶斯方法的参数估计效果更理想.实例分析也说明了这一点.