变系数模型变窗宽局部M-估计的相合性

用变窗宽局部M-估计对变系数模型的系数函数进行估计,得到了估计的相合性和渐近正态性.所采用的方法继承了局部多项式回归的优点并且克服了最小二乘方法缺乏稳健性的缺点.变窗宽的使用提高了局部M-估计的可塑性,并使得它们能成功地处理空间非齐性曲线、异方差性及非均匀设计密度.     

局部权重调节的自适应惩罚样条回归模型

传统惩罚样条回归模型中的惩罚是均匀惩罚未考虑数据的局部异质性,因而对复杂数据的拟合缺乏自适应性.本文针对约束回归模型惩罚项的设置特点,设计一种局部惩罚权重向量并将其加入到模型中,构造基于B样条基的自适应惩罚样条回归模型.新模型在观测数据波动较大的区域,给予拟合曲线较小的惩罚,而在观测数据波动较小的区域,给予拟合曲线较大的惩罚,从而使拟合曲线能自适应的反映观测数据的局部变化特征.模拟和应用的结果显示新模型的拟合效果显著优于传统的惩罚样条回归模型.     

变窗宽和一步局部M-估计 *

研究稳健的变窗宽局部线性回归 .所提出的方法继承了局部多项式回归的优点并且克服了最小二乘方法缺乏稳健性的缺点 .变窗宽的使用提高了所得到的局部M- 估计的可塑性并使得它们能成功地处理空间非齐性曲线、异方差性及非均匀设计密度 .在合适的正规条件下 ,所提出的估计是存在的且是渐近正态的 .基于稳健的估计方程 ,引进了一步局部M- 估计以减少计算负担 .只要初始估计足够好 ,一步局部估计将具有与整个迭代的M- 估计相同的渐近分布 .换句话说 ,一步局部M- 估计显著地减少整个迭代M- 估计的计算负担而不降低其执行效果 .模拟也说明了这个事实.     

基于径向基的自适应惩罚样条回归模型

传统惩罚样条回归模型中惩罚项的设置未考虑数据的空间异质性,因而对复杂数据的拟合缺乏自适应性.文章通过对径向基函数的几何意义分析,以节点两侧相邻区域内数据点的纵向极差为基础,构造局部惩罚权重向量并加入到约束回归模型的惩罚项中,构造了基于径向基的自适应惩罚样条回归模型.新模型在观测数据波动较大的区域,给予拟合曲线较小的惩罚,而在观测数据波动较小的区域,给予拟合曲线较大的惩罚,从而使拟合曲线能自适应地反映观测数据的局部变化特征.模拟和应用结果显示新模型的拟合效果显著优于传统的惩罚样条回归模型.     

部分线性回归模型变窗宽一步局部M-估计

讨论了部分线性回归模型的变窗宽一步局部M-估计.用一步局部M-估计给出未知函数的估计,用平均方法给出参数估计.进一步通过两个引理证明一步M-估计的渐近正态性.所提出的方法继承了局部多项式的优点并且克服了最小二乘法缺乏稳健性的缺点.     

基于变系数模型的自适应分位回归方法

提出了变系数模型条件分位估计的一种新方法.变系数模型已经成为经济学、流行病学、纵向数据和医学领域处理高维数据的有力工具.该模型有助于探测数据的动态特征、降低模型偏差、避免高维灾难,同时便于解释.尽管关于变系数模型条件均值的估计已经有很多文章,但关于变系数模型条件分位的估计方面的文章相对较少.文中提出了一种有效的适应性分位回归方法来诊断出齐性邻域,进行局部自适应窗宽选择和局部线性逼近,同时给出了估计量的风险界和最优窗宽的自动选择准则.模拟研究说明了所提出估计方法的效果.     

非参数异方差回归模型的局部多项式估计——基于农村居民消费与收入的实证分析

本文主要研究非参数异方差回归模型的局部多项式估计问题.首先利用局部线性逼近的技巧,得到了回归均值函数的局部极大似然估计.然后,考虑到回归方差函数的非负性,利用局部对数多项式拟合,得到了方差函数的局部多项式估计,保证了估计量的非负性,并证明了估计量的渐近性质.最后,通过对农村居民消费与收入的实证研究,说明了非参数异方差回归模型的局部多项式方法比普通最小二乘估计法的拟合效果更好,并且预测的精度更高.     

p混合过程下变窗宽局部M-估计的强相合性

考虑到在实际应用中,运用变窗宽局部M-估计进行非参数估计时,所收集到的数据有时并非独立样本,而可能是一些混合样本.因此,本文就观测数据为ρ混合过程的条件下,讨论了变窗宽局部M-估计的强相合性,并给出两个具有较弱假设条件的定理.     

变系数联立模型的局部线性广义矩变窗宽估计

在随机设计条件下,提出了一类变系数联立模型,运用局部线性广义矩变窗宽估计,对模型的变系数进行了估计,研究了估计量的大样本性质.利用概率论中大数定律和中心极限定理,证明了估计量的大样本性质,局部线性广义矩变窗宽估计具有相合性和渐进正态性.     

模型结构变化点检测算法——GBV 法

变结构模型是适应控制、经济计量学和数理统计等领域的需要,近年来富有吸引力的研究课题之一.所谓“变结构模型”是在不同的数据采样区间上,统计模型的结构不同——模型的函数形式,变量选取和参数、随机变量的统计分布特征不同.目前,在文献上常见的是指在不同的数据采样区间上参数不同的情况,而这种变结构又有二种表现形式:1.参数突变:在某个数据采样序标 t~*,模型的参数呈现阶跃变化.2.参数渐变:从某个数据采样序标 t~*始,模型的参数发生变化,经过 T-t~*的过渡区间至采样序标 T 时,参数才稳定下来.特别称变化前后参数保持相同的情形为参数暂变.模型结构变化点的检测是变结构模型研究中最重要的内容,对于一个给定的样本集,在无任何先验信息的情况下,如何借助数理统计方法来检测出其结构变化点?而在具有一定先验信息时,又如何应用先验信息来提高检验的精确度?这是建立变结构模型的关键.     

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。     

极差调节的局部惩罚样条回归方法

在惩罚样条回归模型中,根据截断幂基函数系数的直观意义,以结点两边数据点极差的线性递减函数作为局部惩罚权重,构造了一种新的局部惩罚样条回归模型.不同于整体惩罚样条,该方法使得当数据点集在局部具有较大的波动性时,能给予拟合曲线较小的惩罚,从而能更好地控制曲线在拟合优度与光滑度之间的平衡.模拟结果显示,当数据具有空间异质性时,采用该方法的回归模型相比整体惩罚模型有更好的信息准则得分.     

半变系数模型的变窗宽和一步局部M-估计

讨论了半变系数模型的变窗宽一步局部M-估计.用一步局部M-估计给出了未知函数的估计,用平均法给出了未知参数的估计,并在其中嵌入一个变窗宽加以提高,得到了未知函数和未知参数的渐近正态性.     

删失数据下回归函数的加权局部复合分位数 回归估计

在右删失数据下,研究了误差具有异方差结构的非参数回归模型,利用局部多项式方法构造了回归函数的加权局部复合分位数回归估计,并得到了该估计的渐近正态性结果,最后通过模拟,当误差为重尾分布时,该估计比局部多项式估计以及核估计表现得更好.     

随机设计下非参数回归模型方差变点Ratio检验

研究随机设计下非参数回归模型方差变点Ratio检验.首先用局部多项式方法估计回归曲线得到残差序列,其次基于残差的平方序列构造Ratio检验统计量并推导检验统计量的极限分布.最后数值模拟与实例分析结果表明方法的有效性.     

纵向数据半参数回归模型的估计方法

本文考虑纵向数据半参数回归模型,通过考虑纵向数据的协方差结构,基于Profile最小二乘法和局部线性拟合的方法建立了模型中参数分量、回归函数和误差方差的估计量,来提高估计的有效性,在适当条件下给出了这些估计量的相合性.并通过模拟研究将该方法与最小二乘局部线性拟合估计方法进行了比较,表明了Profile最小二乘局部线性拟合方法在有限样本情况下具有良好的性质.     

浅水方程初值问题数据同化的半参数方法

针对大气海洋方程初值问题的解,通过建立半参数模型,采用局部多项式回归方法,对在不同空间和不同时间点的观测数据进行同化,估计出方程的初始条件.以无粘的浅水方程初值问题为例,通过设计适当的准则,确定最佳估计的窗宽,同时利用完全正交分解对算法进行改进,从而解决了常规非参数估计时投影矩阵接近奇异的问题.最后,将本方法与非参数方法的估计结果进行了比较,由于充分考虑了大气海洋方程解的特点,使得在保持计算量相对较小的同时,估计精度得到提高.     

左截断数据下非参数回归模型的复合分位数回归估计

利用局部多项式方法研究了误差具有异方差结构的非参数回归模型,在左截断数据下构造了回归函数的复合分位数回归估计,并得到了该估计的渐近正态性结果,最后通过模拟,在服从一些非正态分布的误差下,得到该估计比局部线性估计更有效.     

带区间数据的最小风险斯坦纳树问题

考虑了在带区间数据的不确定网络中, 最小风险和模型以及最小最大风险模型下的斯坦纳树问题. 它们推广了相应模型下的最短路问题和最小支撑树问题, 在网络设计中具有更加广泛的应用.我们分别给出了这两个模型下斯坦纳树问题的近似算法, 并对算法性能做了理论分析和证明. 结果显示我们的算法具有优良的常数逼近的性质, 能在多项式时间内算出令人满意的解.     

大数据背景下水厂自动投矾模型研究

根据某市自来水有限责任公司第二水厂的历史矾耗数据，建立矾耗流量关于原水浊度、温度等的动态矾耗模型. 通过对数据进行处理得到10900个合格且净水效果高效的数据，将筛选出的数据分为训练样本集和测试样本集. 在回归拟合中，通过拟合R2的大小将原水浊度划分为“低浊”“中浊”“高浊”3个区间，利用泰勒展开公式的非线性变量代换分别对3个区间建立不同的多项式回归模型，得到预测正确率约为72%，总的矾耗流量值约减少了9.6%的结果；在随机森林模型中，使用10900个合格数据，利用训练样本集，以“原水浊度”“pH值”“原水流量”和“水温”为输入变量，建立包含2000棵决策树的随机森林模型，得到预测正确率约为44. 21%，总的矾耗流量值增加了0.04%的结果. 从模型对合格数据的拟合优度看，随机森林模型比非线性回归模型效果更好；在平均绝对误差、平均绝对偏差百分比等评价指标上，前者均优于后者；但从历史数据检验的结果，模型的可解读性，模型的操作难度和推广角度看，分段二元非线性回归模型的优势更为突出.