基于EBT模型的一种新的变量选择方法及应用

EBT(Energy Bagging Tree)模型是基于能量距离的多元bagging,模型中的不纯度函数采用广义基尼均值差,分裂函数是样本落入分裂的两个子节点的概率和能量距离的乘积.新的变量选择方法基于EBT模型中分裂变量的频率,通过变量重要性的计算,为变量选择提供了依据.模拟分析显示,新方法和已有的多元随机森林算法在变量重要性排序的比较中具有优势.在建筑行业的混凝土实际数据上的表现进一步评估了新方法的性能.     

一种有效的预报模式混合回归模型

一、混合回归模型介绍 我们都很熟悉多元回归模型:这类模型可以描述指标(输出)量y与因素(输入)量x1,x2,…,xp之间的线性相依关系. 如果我们希望研究某一物理量在不同时刻上的线性相依关系,我们又可借助于如下一种自由回归模型 模型(1)和模型(2)各有特点,前者可描述某物理量和众多影响因素之间的线性相依关系,但限制输入和输出都相对静止地处于同一时刻,后者可以描述物理量现时刻与过去时刻之间的动态相依性,但又仅局限于一维情形.如果我们希望研究某一物理量与多个影响因素在若干过去时刻上状态间的相依关系,模型(1)与(2)都不够用,必须引进…     

基于贝叶斯时序模型的甘肃省人均GDP预测

本文应用Eviews软件对甘肃省1953-2010年人均GDP数据建立时序模型,利用模型的先验信息给出两种先验分布下的贝叶斯模型与算法,并依次计算出2011-2015年的甘肃省人均GDP的预测值,结果显示,两种贝叶斯模型的拟合效果都优于传统模型。与经典时序模型相比,贝叶斯时间序列模型能充分利用样本信息和参数的先验信息,因而具有更小的平方误差,估计参数更科学。文章最后运用稳健先验的贝叶斯模型对甘肃省十三五时期人均GDP进行了预测。     

基于混合高斯模型的指标优化方法

借鉴混合高斯模型的方法,提出了基于混合高斯模型的非参数检验法用于评价指标体系的构建.首先运用混合高斯模型对现有指标体系进行聚类分析,然后运用非参数检验的秩相关系数对分类后的指标体系进行筛选,最终确定评价指标体系的构成,保证指标体系的全面性和代表性.实例结果表明,方法分类精度高、简便、实用,在指标优化中具有应用价值.     

基于贝叶斯估计的中国人均GDP之时序模型

本文应用SAS软件对1952-2009年的中国人均GDP建立时间序列模型并对2010-2013年的中国人均GDP进行了预测;在此基础上建立了以时间序列模型得到的参数信息作为先验信息的两种贝叶斯修匀模型与算法。由此所得的参数贝叶斯估计及预测,能充分利用样本信息和参数的先验信息,因而具有更小的方差或平方误差,估计参数更科学。为了检验该方法对先验分布的灵敏性,我们做了基于两种先验分布的模拟预测。将预测结果与传统时间序列预测相比,发现单一正态观测值、方差已知的先验分布的贝叶斯模型得到的预测值更准确,而基于先验分布为指数分布的贝叶斯模型的预测误差较大,预测效果差。     

一种改进的基于指数平滑神经网络模型的时间序列预测方法

基于指数平滑模型与误差反传神经网络法提出了一个改进的时间序列预测方法.将神经网络模型移植入指数加权滑动平均模型中,充分考虑了时间序列的部分线性性和非线性性对预测结果的影响,是传统的混合模型的一个更合理的改进.最后通过对上证指数时间序列的实证分析,以预测均方误差为检验标准,对五种常用的时间序列预测模型进行了预测精度的比较,而且经验证所提出的改进的时间序列预测模型相对来说具有更小的预测均方误差.     

平稳增广混合回归模型参数估计的一种新方法及其应用

本文提出平稳增广混合回归模型参数估计的一种新方法,该方法采用逐次投影分离参数的方法直接给出模型中自回归部分参数的估计,并由此而获得回归部分参数的估计。该方法克服了以往解此类问题时只能用近似求解方法的缺点。将该方法用到雷达使用有效度预测方程的参数估计中,取得令人满意的效果。     

关于双重时序AR-MA模型的相关结构及与ARMA模型的比较

本文在文［４］的基础上讨论了双重时序ＡＲ（１）－ＭＡ（ｑ）模型的相关结构，在不假定白噪声序列为正态的情况下，证明了安鸿志［２］关于模型的相关结构的猜想是正确的，具体地构造了ＡＲ（１）－ＭＡ（３）模型的相关结构，并与ＡＲＭＡ模型进行了初步的比较，给出了一些抛砖引玉的讨论．     

一类非线性时序模型非遍历性的一个充分条件

本文研究了一类由紧算子与加性i.i.d.干扰确定的非线性时间序列的非遍历性,揭示了这类非线性时间序列的非遍历性与其相应确定性部分的Lyapunov函数之间的联系。     

混料试验设计的变量选择

变量选择在回归分析建模中是一个非常重要的基本问题,在回归模型中应该保留对响应的影响最显著的变量。变量选择在分析实际经济问题中得到广泛的应用。本文以混料模型为基础,主要研究混料模型中的变量选择问题。     

Semiparametric Approximation Methods in Multivariate Model Selection

In this paper we propose a cross-validation selection criterion to determine asymptotically the correct model among the family of all possible partially linear models when the underlying model is a partially linear model. We establish the asymptotic consistency of the criterion. In addition, the criterion is illustrated using two real sets of data.     

A Dynamic Mixture Model for Unsupervised Tail Estimation without Threshold Selection

Exceedances over high thresholds are often modeled by fitting a generalized Pareto distribution (GPD) on R⁺. It is difficult to select the threshold, above which the GPD assumption is enough solid and enough data is available for inference. We suggest a new dynamically weighted mixture model, where one term of the mixture is the GPD, and the other is a light-tailed density distribution. The weight function varies on R⁺ in such a way that for large values the GPD component is predominant and thus takes the role of threshold selection. The full data set is used for inference on the parameters present in the two component distributions and in the weight function. Maximum likelihood provides estimates with approximate standard deviations. Our approach has been successfully applied to simulated data and to the (previously studied) Danish fire loss data set. We compare the new dynamic mixture method to Dupuis' robust thresholding approach in peaks-over-threshold inference. We discuss robustness with respect to the choice of the light-tailed component and the form of the weight function. We present encouraging simulation results that indicate that the new approach can be useful in unsupervised tail estimation, especially in heavy tailed situations and for small percentiles.     

一类灰色组合投资决策方法

以灰色系统理论和概率论为基础,探讨了含有区间灰数的组合投资决策问题,提出了具有交易费用的灰色组合投资模型的有效解及其临界最优解和均值白化最优解的概念.并且指出了这些概念所对应的投资偏好.利用分析方法和技巧,融合经典组合投资理论,构建了带有交易费用的灰色组合投资模型的熵权分析算法.为不确定型组合投资决策方法的研究提出了一条新思路.文中的算例说明了算法的可行性.     

周期数据时段划分的双截断高斯混合模型及其EM算法

有限混合模型是多模态数据拟合和聚类的有力工具,本文针对具有多模态的周期数据提出了双截断高斯混合糢型,并推导出相应的EM算法,再通过BIC准則确定混合成分个数,该方法的优点是可以将相邻周期上距离较近的数据聚为一类.模拟研究显示,在具体参数设置下,EM算法和BIC准则是相合的。最后,该方法应用于车流量数据的时段划分,将一天划分为具有显著特征的6个时段,有助于交通部门采取相应策略,为优化交通灯信号配时提供参考依据.     

混合回归模型在百货商店市场细分中的应用

基于国内20家大型百货商店消费者满意调查数据,本文采用混合回归模型,对百货商店的消费者进行市场细分研究,发现百货商店的消费者可以分为6个差异化的细分市场.同时对每个细分市场的需求特征及市场规模进行了描述,并探讨了消费者人口统计变量与所属细分市场的关系.     

A Comparative Investigation on Model Selection in Independent Factor Analysis

With uncorrelated Gaussian factors extended to mutually independent factors beyond Gaussian, the conventional factor analysis is extended to what is recently called independent factor analysis. Typically, it is called binary factor analysis (BFA) when the factors are binary and called non-Gaussian factor analysis (NFA) when the factors are from real non-Gaussian distributions. A crucial issue in both BFA and NFA is the determination of the number of factors. In the literature of statistics, there are a number of model selection criteria that can be used for this purpose. Also, the Bayesian Ying-Yang (BYY) harmony learning provides a new principle for this purpose. This paper further investigates BYY harmony learning in comparison with existing typical criteria, including Akaik’s information criterion (AIC), the consistent Akaike’s information criterion (CAIC), the Bayesian inference criterion (BIC), and the cross-validation (CV) criterion on selection of the number of factors. This comparative study is made via experiments on the data sets with different sample sizes, data space dimensions, noise variances, and hidden factors numbers. Experiments have shown that for both BFA and NFA, in most cases BIC outperforms AIC, CAIC, and CV while the BYY criterion is either comparable with or better than BIC. In consideration of the fact that the selection by these criteria has to be implemented at the second stage based on a set of candidate models which have to be obtained at the first stage of parameter learning, while BYY harmony learning can provide not only a new class of criteria implemented in a similar way but also a new family of algorithms that perform parameter learning at the first stage with automated model selection, BYY harmony learning is more preferred since computing costs can be saved significantly.     

改进的TOPSIS决策方法在供应商选择中的应用

运用马氏距离替代欧式距离改进传统的TOPSIS方法,解决当属性间存在线性相关时欧式距离失效的缺陷;充分考虑对立集合并引入联系向量距离,解决可能存在的方案距离正理想解和负理想解距离都近的缺陷.然后通过决策者偏好系数将马氏距离和联系向量距离所得结果合成新的相对贴近度,从而同时克服传统TOPSIS方法的以上两个缺陷.最后通过供应商选择的实例来验证方法的有效性.     

考虑指标期望的新产品开发交叉功能团队成员选择方法

针对具有指标期望的新产品开发交叉功能团队成员选择问题,提出了一种决策分析方法。首先,针对团队给出的综合素质指标和专业技能指标的期望值,建立指标期望的满意度函数,得到团队对每位候选人在每项指标下的满意度;然后,以团队对被选中成员在综合素质指标和专业技能指标下的总体满意度最大为目标函数,构建新产品开发交叉功能团队成员选择的优化模型,得到团队的成员组成情况。最后,通过一个实例说明了该方法的有效性和可行性。本文进一步完善了新产品开发交叉功能团队成员选择的方法,具有实际应用价值。     

一种新的梯形模糊数间距离及在投资组合模型选择中的应用

给出一种新的模糊数间的距离公式.用新定义的距离公式来度量给定优先资产的条件下投资组合的分散度.用可能性均值度量投资组合的收益,可能性半方差度量投资组合的风险,在收益和风险满足一定的条件下构造分散度模型.通过实例分析,给出的方法不仅分散度更好,而且资产分配多元化程度更高,计算也更简单.