广义线性模型(一)

本讲座是广义线性模型这个题目的一个比较系统的介绍。主要分 3部分 :建模、统计分析与模型选择和诊断。写作时依据的主要参考资料是L .Fahrmeir等人的《MultivariateStatisticalModelingBasedonGeneralizedLinearModels》。     

广义线性模型(六)

本讲座是广义线性模型这个题目的一个比较系统的介绍。主要分 3部分 :建模、统计分析与模型选择和诊断。写作时依据的主要参考资料是L .Fahrmeir等人的 :《MultivariateStatisticalModel ingBasedonGeneralizedLinearModles》。     

广义线性模型(五)

本讲座是广义线性模型这个题目的一个比较系统的介绍。主要分 3部分 :建模、统计分析与模型选择和诊断。写作时依据的主要参考资料是L .Fahrmeir等人的《MultivariateStatisticalModelingBasedonGeneralizedLinearModels》。     

广义线性模型(九)

本讲座是广义线性模型这个题目的一个比较系统的介绍。主要分3部分:建模、统计分析与模型选择和诊断。写作时依据的主要参考资料是L.Fahrmeir等人的《MultivariateStatisticalMod elingBasedonGeneralizedLinearModels》。     

广义线性模型(二)

本讲座是广义线性模型这个题目的一个比较系统的介绍。主要分 3部分 :建模、统计分析与模型选择和诊断。写作时依据的主要参考资料是L .Fahrmeir等人的《MultivariateStatisticalModelingBasedonGeneralizedLinearModels》。     

广义线性模型(三)

本讲座是广义线性模型这个题目的一个比较系统的介绍。主要分 3部分 :建模、统计分析与模型选择和诊断。写作时依据的主要参考资料是L .Fahrmeir等人的《MultivariateStatisticalModelingBasedonGeneralizedLinearModels》。     

广义线性模型(十)

本讲座是广义线性模型这个题目的一个比较系统的介绍。主要分3部分:建模、统计分析与模型选择和诊断。写作时依据的主要参考资料是L.Fahrmeir等人的《MultivariateStatisticalModelingBasedonGeneralizedLinearModels》。     

广义线性模型(四)

本讲座是广义线性模型这个题目的一个比较系统的介绍。主要分 3部分 ;建模、统计分析与模型选择和诊断。写作时依据的主要参考资料是L .Fahrmeir等人的《MultivariateStatisticalModelingBasedonGeneralizedLinearModels》。     

广义线性模型(七)

本讲座是广义线性模型这个题目的一个比较系统的介绍。主要分3部分:建模、统计分析与模型选择和诊断。写作时依据的主要参考资料是L.Fahrmeir等人的《MultivariateStatisticalModelingBasedonGeneralizedLinearModels》。     

广义线性模型(八)

本讲座是广义线性模型这个题目的一个比较系统的介绍。主要分3部分:建模、统计分析与模型选择和诊断。写作时依据的主要参考资料是L.Fahrmeir等人的《MultivariateStatisticalModel ingBasedonGeneralizedLinearModels》     

基于AR(n)模型的卡尔曼滤波模型

考虑到对于处于不同位置的变形监测点,由于它们所处的位置不同,各种环境因素对它们的影响及影响程度也不同,作者预置数个AR(n)模型,通过计算比较,选择剩余标准差最小的AR(n)模型作为初选模型,再将初选的AR(n)模型的模型参数看作包含有动态噪声的状态向量,建立卡尔曼滤波模型.实例分析表明,采用这种方法能够提高模型的拟合精度和预测精度.     

通用系统模糊可靠度计算模型

对系统组成单元的含义作了新的定义,建立了单元模糊可靠度及其置信区间的估计模型;建立了常见通用系统的模糊可靠度估计模型;通过对单元模糊可靠度的直接估计,利用所建立的估计模型可以快速方便地预测出系统的模糊可靠度.实例分析给出了估计模型的使用方法,并显示了模型的有效性.     

基于残差GM(1,1)模型的强(弱)化缓冲算子还原模型

残差GM(1,1)模型预测效果相对于GM(1,1)模型较好,但是其要求残差尾段符号一致的自身缺陷常常存在,在实际工作中难以运用,需要解决其自身缺陷,故本篇提出新的模型,即基于残差尾段的强(弱)化缓冲算子还原模型.在残差GM(1,1)模型的基础上,以残差尾段序列作为原始数据,判断其是否满足灰色建模条件,如满足,则直接建模;如不满足,需要对其进行序列算子强(弱)化处理,进行GM(1,1)建模,之后进行强(弱)化缓冲算子还原.以实例为证,最终结果表明强(弱)化缓冲算子还原模型的预测精度稍有提高,且解决了自身缺陷和允许序列不符合灰色建模(诱发缺陷)的情况出现.     

基于云计算的信息服务通用模型研究

概括了云计算技术的普遍特征,分析了云计算技术在信息服务业的典型应用案例及其局限性,继而针对性得提出了一种基于云计算的信息服务通用模型,并通过量化分析论证了该模型的可行性.     

Olmstead模型的不变集(英文)

本文主要在某种参数条件下讨论了带齐次Dirichlet边界条件的Olmstead模型的有界吸引区域的存在性 .     

离散DGM(1,1,t~α)模型

针对具有部分指数特征且含时间幂次项的数据序列,分别建立了以x~0(1)和x~1(n)为初始条件的离散DGM(1,1,t~α)模型,并给出了α取1,2时的模型公式及其推导过程;根据数据序列的最小二乘曲线并不一定就是由初始值迭代拟合生成的曲线,对DGM(1,1,t~α)模型的迭代基值进行了优化,并给出了基值修正项的估计式;最后,通过一个实例验证了所建模型的合理性与实用性.     

利用GM(1,1)模型预测曲线波形

针对给出的函数y=f(x),x∈[a,b],将其值域进行n等分,设yi为其中任一分点,对应x=xi(i=1,2,…,m),用GM(1,1)模型对序列{x1,x2,…,xm}进行预测,得到曲线y=f(x)在下一段时间与直线y=yi的交点位置.当GM(1,1)模型的误差较大时,可利用带有残差修正的GM(1,1)模型进行残差修正,以提高GM(1,1)模型预测值的精确度.     

因果关系模型的估计与检验(Ⅳ)

除了以上几种特有的评价手段之外,LISREL也提供一般统计软件常用的标准误差、残差图等信息.此外,输出中还可以给出变量对变量的直接效应、总效应等有用的结果. 4 LISREL例 最后,为了让读者对LISREL有一个基本的比较直观的印象,本节选用几个简单的应用例,来源为例1—1所述的Bagozzi(1980)的研究.由于历史上的原因,除最后一例为LISREL 7的结果外,前三例采用的场为LISREL 4,而且输入的也是观测变量的相关矩阵.虽然分析协方差矩阵可以得到比较合理的X2值和标准误差,但在前三例中,所求出的X2值和T值也近似地当作检验统计量来使用而…     

因果关系模型的估计与检验(Ⅱ)

三、相关系数的分解 我们可以用四种效应来重新生成变量间的相关系数,或者说,把相关系数分解成四部分. 1.直接效应(D):用路径系数表示.例如在图2-1中,X1对Y1的直接效应由Py1x;给出. 2.间接效应(I):指的是一个独立变量通过直接地或间接地影响某一应变量的第三变量来影响该应变量的情况.例如在图2-1中,X1通过Y1给Y2以一个间接效应,其大小由两个路径系数之积Py1x1 Py2y1给出. 3.伪效应(S):指的是由于共同的起因对两个变量的相关系数产生的“效应”例如在图2-1中,变量Y1与Y2分享两个共同的起因X1和X2.这两个共同的起因对Y1和Y2的相关系数…     

火灾损失预测的改进GM(1,1)模型

本文对随机性较强的火灾事故,提出了采用改进GM(1,1)模型来减小预测误差.该模型通过三次改进提高预测精度,首先基于普通GM(1,1)模型,改进模型中初始值提高模型精度;其次基于初值改进后的GM(1,1)模型进行残差修正,再次提高预测准确性;最后对残差修正模型中的初始值进行改进,使最后预测模型更加精确.并且在处理含负值的残差数列时,提出了二次累加的方法进行模型预测.通过普通模型的预测值与改进模型的预测值进行对比,可以发现改进后模型的预测值更加接近实际值.结果表明,三次改进后的GM(1,1)模型精度明显提高,为以后预测研究提供一种理论参考.