基于格点搜索的随机效应的GLS估计

面板数据随机效应模型两步回归法参数估计使用的方差分量来自第一步的回归估计,它没有考虑方差分量的精度。为了弥补这一缺陷,故提出最优方差分量法(Optimal Variance Component),简称OVC。OVC方法增加了"格点搜索"技术,能够提供更多的方差分量组合,因此在一定程度上提高了参数估计的精度。蒙特卡罗模拟的结果虽然支持上述论点,但该方法却存在一定的问题,仍有待进一步完善。

非平稳时间序列的EMD组合预测及其应用

非平稳时间序列预测问题一直都是一个难题,文章运用EMD技术将非平稳时间序列分解为一系列的imf和一个残余量。由聚类分析得到若干个cimf,然后通过对每个cimf以及残余量建立神经网络模型进行预测,达到对原时间序列的组合预测。文章的实证结果表明EMD组合预测可以有效解决非平稳的问题,且预测精度达到良好效果。

中国城市化对外商直接投资影响的实证检验

文章结合我国城市化的实际情况,对城市化进程对FDI的影响进行了探究。通过对我国1990～检验2008年省级面板数据分别进行时间分段回归和整体回归,其结果显示,在各种因素的相互作用下,我国城市化进程与外商直接投资之间存在着显著的倒N型关系。

近似Bayes计算前沿研究进展及应用

在大数据和人工智能时代,建立能够有效处理复杂数据的模型和算法,以从数据中获取有用的信息和知识是应用数学、统计学和计算机科学面临的共同难题.为复杂数据建立生成模型并依据这些模型进行分析和推断是解决上述难题的一种有效手段.从一种宏观的视角来看,无论是应用数学中常用的微分方程和动力系统,或是统计学中表现为概率分布的统计模型,还是机器学习领域兴起的生成对抗网络和变分自编码器,都可以看作是一种广义的生成模型.随着所处理的数据规模越来越大,结构越来越复杂,在实际问题中所需要的生成模型也变得也越来越复杂,对这些生成模型的数学结构进行精确地解析刻画变得越来越困难.如何对没有精确解析形式(或其解析形式的精确计算非常困难)的生成模型进行有效的分析和推断,逐渐成为一个十分重要的问题.起源于Bayes统计推断,近似Bayes计算是一种可以免于计算似然函数的统计推断技术,近年来在复杂统计模型和生成模型的分析和推断中发挥了重要作用.该文从经典的近似Bayes计算方法出发,对近似Bayes计算方法的前沿研究进展进行了系统的综述,并对近似Bayes计算方法在复杂数据处理中的应用前景及其和前沿人工智能方法的深刻联系进行了分析和讨论.

基于EMD技术的非平稳非线性时间序列预测

提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)技术的时间序列组合预测模型。首先对非平稳非线性时间序列进行EMD技术分解,然后将分解得到的子序列进行聚类,并运用传统的时间序列预测方法对各子序列分别进行预测,最后汇总子序列的预测值得到目标时间序列的预测值。统计模拟和实证分析显示:组合预测模型能够显著提高预测的精度,说明新方法对于非平稳非线性时间序列的预测是有效的。

中国居民消费的特征分析——中基于两阶段面板分位回归

本文结合实际问题,提出一种两阶段面板数据分位回归方法,并使用该方法分析我国居民的消费特征。通过横向和纵向比较揭示三种不同收入人群的边际消费倾向的变化趋势。文章认为中等收入者的边际消费倾向趋于稳定,低收入者和高收入者的边际消费倾向都有上升的趋势。中国居民的边际消费倾向呈现"U"型,所以提高低收入者的消费不仅在于提高他们的收入,更重要的是缩小当前的贫富差距。