煤炭发热量的分位数线性回归分析研究

建立了煤炭工业分析指标水分、灰分、挥发分与煤炭发热量间的线性回归模型,采用分位数回归估算模型系数。通过对我国新疆伊犁地区煤炭发热量分析研究,表明基于分位数估计的线性回归模型优于基于传统的最小二乘估计的线性回归模型,且预测效果优于支持向量机。     

右截尾数据处理方法简析

电子元器件可靠性寿命分析中,右截尾类型的数据居多,针对此类数据的分析方法也很多。其中,线性回归和极大似然估计应用较广。在此,运用实例对这两种方法进行了对比分析,指出了使用线性回归法进行参数估计的缺点,说明极大似然估计法是比线性回归法更优的统计模型。     

纵向数据半参数模型估计的相合性

考虑纵向数据半参数回归模型:Yij=XiTjβ+g(Tij)+iεj.基于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β,回归函数g(.)和误差方差σ2的估计,并在适当条件下证明了估计量的相合性.     

多元模糊线性回归模型的参数估计

该文考虑了多元模糊线性回归模型,先将一元模糊线性回归模型的参数估计的结果加以推广,接着给出了多元线性回归模型参数的h-最优线性相关估计。     

基于贝叶斯的金融时间序列预测研究

传统的时间序列分析与预测方法没有考虑样本和参数的先验信息,导致预测结果和实际数据的偏差较大,贝叶斯参数估计方法可以充分利用参数的先验信息,使得估计参数的方差更小,估计结果更加精确,预测结果更真实有用。随着MCMC方法和WinBUGS软件的发展,贝叶斯分析方法估计模型的计算困难逐渐减弱,因此,近年来贝叶斯时间序列预测方法越来越受到关注。本文基于上证指数收盘价的数据,采用Eviews和WinBugs软件,对样本数据进行预处理,利用贝叶斯参数估计方法进行时间序列自回归模型的实证研究分析。     

基于广义估计方程的时间相关性事故频次建模

研究目的：创新要点：研究方法：重要结论：采用广义估计方程模型对存在时间相关件的事故频次数据进行建模,并与传统广义线性模型的估计效果进行对比。 通过广义估计方程来考虑事故频次建模中数据的时间相关性,从而提高参数估计准确度以及模型预测精度。基于4年高速公路交通事故频次数据,建立考虑时间相关性的广义估计方程以及传统的广义线性模型,并采用统计指标对模型效果进行对比。1．事故频次数据样本最对预测精度影响很大;2．广义估引方程能够有效考虑事故频次数据中存住的时间相关性;3．广义估计方程的参数估计比传统广义线性模型史准确,且精度更高。     

污染数据线性回归模型的贝叶斯估计

本文研究线性回归模型中响应变量受到另一随机变量序列污染时,模型参数和污染系数的估计问题.利用贝叶斯统计原理,给出了污染系数的贝叶斯区间估计及模型参数估计.     

基于时间序列数据Hull-White模型半参数估计方法

基于时间序列数据,对Hull-White短期利率模型进行半参数估计。通过两阶段估计方法,原半参数估计模型转化为非参数估计模型和全参数估计模型。前者使用核函数估计方法,后者使用极大似然估计,从而简化整个参数估计过程。实证的结果表明,在给定合适窗宽条件下,基于Hull-White模型的似然值将得到改善。     

部分线性回归模型中的差分两参数估计

考虑部分线性回归模型中回归系数的估计问题,提出一类新的差分两参数估计.同时讨论新估计的优良性.     

基于向量夹角余弦的IGOWLA算子组合预测模型

将向量夹角余弦和诱导广义有序加权对数平均(IGOWLA)算子相结合,构建了基于向量夹角余弦的IGOWLA算子的组合预测模型,并给出了优性组合预测的概念;最后,根据实例验证了该组合预测模型是科学的和有效的,且此模型是优性组合预测.     

我国原煤产量的部分线性自回归预测模型

针对传统的原煤产量预测模型不能理想地捕获我国煤炭产量的非线性性特征,本文基于核估计半参数理论,对我国原煤产量的月度数据建立了部分线性自回归模型,并对2007上半年的月原煤生产量进行了预测,计算结果表明,相对于参数自回归模型而言,部分线性自回归模型能够很好地解决原煤产量预测这一非线性问题,预测精度较高。     

基于相空间重构的LS-SVM股票价格预测

提出一种基于相空间重构的最小二乘支持向量机(LS-SVM)的股票价格预测方法.采用混沌时间序列对股票价格数据进行相空间重构,应用贝叶斯框架对最小二乘支持向量机的参数选优.预测结果表明,该模型具有误差小、拟合程度高等优点,可适用于股票价格预测.     

线性约束下的异方差回归模型参数的广义最小二乘估计

运用线性约束下回归模型的参数估计和异方差回归模型的参数估计方法,给出线性约束下的异方差回归模型的参数估计公式,比较该模型的残差平方和与无约束异方差回归模型的残差平方和的大小,利用此结论对模型的进一步研究和应用具有一定的理论和实际价值。     

非线性回归模型参数估计及其应用

本文的主要研究分为三大部分,第一部分为非线性回归模型的知识,主要包括非线性回归的定义,非线性回归模型的定义,以及它的理论分析;第二部分主要为非线性回归模型参数估计的方法,本文主要探讨非线性回归模型参数估计、最大似然估计和拟似然估计这三种方法;第三部分主要讲述非线性回归模型参数估计的应用实例.这些算法通过对问题的解空间交替进行全局和局部搜索,达到快速收敛至全局最优解.     

基于Blackman窗六谱线插值FFT谐波分析方法

考虑到加窗插值算法可有效抑制频谱泄露在参数估计过程中的负面影响,在比较3种经典余弦窗函数的频谱特性基础上,提出了一种基于Blackman窗六谱线插值的谐波分析方法。利用多项式曲线拟合方法得到谐波频率、幅值和相位参数的估计表达式。该算法可以有效提高谐波和间谐波的参数估计精度,相比FFT算法和Hanning加窗算法精度有显著提高,同时该算法在实现复杂度和估计精度上达到了较好的平衡。仿真结果验证了算法的有效性。     

中国城镇居民消费函数的非参数模型

利用2001-01～2005—11我国城镇居民人均可支配收入与消费性支出的月度数据，建立了我国城镇居民消费的非参数模型，并用不变窗宽的核估计、不变窗宽的局部线性估计、k-近邻估计、正交序列估计以及线性最小二乘估计分别进行了拟合和预测，结果表明：非线性模型优于线性模型；在4种非线性估计方法中，局部线性估计方法优于其它3种估计方法．     

词汇测验中猜测行为的探查——贝叶斯猜测系列模型的应用与思考

本研究应用Caojing等人的Bayesian IRT Guessing系列模型,分析初中二年级学生在汉语词汇测验中的猜测行为,使用DIC3指标评价模型的拟合程度,并将参数估计结果与双参数Logistic模型进行了比较。研究发现：（1）猜测模型的拟合度优于双参数Logistic模型;（2）初中二年级测验数据最适合临界猜测模型（IRT-TG）,约有3.5%的学生存在TG型猜测行为;（3）猜测者的存在会明显影响本身的能力估计与项目难度估计,但是对非猜测者的能力及区分度参数估计影响不大。     

基于结构方程模型改进ARMA模型参数估计

自回归移动平均模型（ARMA模型）是目前最常用的拟合平稳序列的模型,分为AR模型、MA模型和ARMA模型三大类。通常将自回归模型（AR）、移动平均模型（MA）或自回归移动平均模型（ARMA）,称作ARIMA模型体系,是一个重要的预测工具,成为时间序列分析中许多基本思想的基础。针对时间序列数据分析中ARMA模型的识别、建立和估计问题,提出一种将SEM结构方程应用于ARMA模型参数估计的改进算法,以加快计算的收敛速度和提高模型参数估计的精确度。通过将时间序列数据的协方差式子进行变换,发现其结果满足结构方程对变量协方差的要求。结果表明,可以将SEM结构方程应用于ARMA模型来处理时间序列模型数据。     

加权最小平方法中拟合优度的计算

针对统计模型中的随机扰动项存在异方差时,用OLS估计模型参数将失去效力,而采取加权最小平方法--WLS,进行参数估计的拟合优度分析,解决了用OLS估计模型参数将失去效力的问题.     

梯形模糊数的一元模糊线性回归模型的最小二乘估计

由于模糊数往往可以用梯形模糊数来逼近,因此对梯形模糊数的模糊回归模型的研究就有一定的实用价值.采用最小二乘的方法,针对应用广泛的输入为确定数、输出为梯形模糊数的一元模糊线性回归模型,讨论了该模型回归系数的最小二乘估计和误差项.当梯形模糊数退化为精确数时,该估计就是传统的最小二乘估计.数值模拟和实例研究说明了本文提出的参数估计方法的拟合度比较好.