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。

异方差回归模型近邻型估计的相合性

本文研究异方差回归模型Ｙ（ｎ）ｉ＝ｇ（ｘ（ｎ）ｉ）＋ε（ｎ）ｉ，ｉ＝１，…，ｎ，其中ｇ是未知实函数，ｘ（ｎ）ｉ是非随机设计点列，ε（ｎ）ｉ是随机误差．文中定义了一类ｇ（ｘ）的近邻型估计ｇｎ（ｘ）＝ｎｉ＝１Ｗｎｉ（ｘ）Ｙ（ｎ）ｉ，得到了ｒ阶平均相合和渐近正态性．特别，在∞ｎ＝１ｎｉ＝１Ｅ｜ε（ｎ）ｉ｜ｓ／（ｎｉ）ｓ／ｒ＜∞，ｍａｘ１≤ｉ≤ｎＥ｜ε（ｎ）ｉ｜ｓ＝Ｏ（ｎｓ／ｒ）（某ｓ＞ｒ＞２）下，获得了ｇｎ（ｘ）的强相合和一致强相合性．

线性约束下异方差回归模型参数的极大似然估计

运用参数的极大似然估计法,给出在线性约束条件Hβ=C下异方差回归模型参数β和λ的极大似然估计,并讨论了估计参数的性质和模型的残差.利用得到的结论对线性约束下异方差回归模型的进一步研究和应用具有一定的理论和实际价值.

基于厚尾均值广义自回归条件异方差族模型的短期风电功率预测

风电功率预测准确度的提高对提高电力系统调度效率具有重要的作用。基于对风电功率时间序列波动性的研究,推广了一种厚尾均值广义自回归条件异方差(GARCH-M)族短期风电功率预测模型,同时,基于波动补偿项的不同形式,将模型拓展为多种类型的厚尾GARCH-M模型。该类模型能够捕捉风电功率时间序列波动性与其条件均值的直接关系,并能够有效刻画具有高峰度特征的实际风电功率序列的厚尾效应,使风电预测准确度提高。结合江苏地区风电场风电功率实际数据,对所提厚尾GARCH-M模型进行了参数估计,论证了存在于风电时间序列中的GARCH-M效应和厚尾效应,给出了风电功率均值和条件方差的预测方案。算例分析结果验证了所提方法的可行性和有效性,表明了考虑厚尾特征的GARCH-M族模型短期预测效果满意。

异方差回归与自回归模型

建立时间序列异方差回归和预测模型 ,将现行的误差项方差相同、均值为零的回归分析推广到误差项方差变化且均值不为零的情况 ,解决了实际中常见的异方差以及由于自变量不能充分解释因变量而引起的误差项均值不为零的问题。针对误差项相关且均值、方差都变化的情况 ,文中还进一步建立异方差回归—自回归模型 ,将误差项为传统平稳序列 (均值和方差为常数 )的回归—自回归模型推广到误差项为相关系数平稳序列 (均值和方差变化 )的情况 ,给出回归—CCAR(p)模型和回归—CCARMA(p ,q)模型的参数估计方法 ,提出异方差回归—自回归预测模型。该模型能充分发挥回归和自回归各自的优点 ,对时间序列进行高精度的分析和预测 ,可广泛用于自动控制、结构响应分析、故障诊断以及经济和商业预测等。

基于小波分析与广义自回归条件异方差模型的短期电价预测

由于电价波动具有非线性及波动集群现象,因此提出了一种基于小波分析和广义自回归条件异方差模型相结合的短期电价预测新方法。首先应用小波分解原理将电价序列分解成低频部分和高频部分,在此基础上对各子序列分别建立广义自回归条件异方差模型并进行预测;然后利用小波理论对各子序列的预测结果进行重构,实现对原始电价序列的预测;最后以美国加州电力市场历史数据为例进行了验证,结果表明本文方法是可行和有效的。

异方差回归模型的拟合和变量选择

作者研究了异方差回归模型的估计与变量选择问题.在误差分布未知的情况下,作者分别给出了联系函数已知及未知时均值与方差的估计.另外,作者在给出估计的同时,分别选出了对均值与方差影响显著的变量.

基于广义自回归条件异方差模型的世界原油运价风险分析

为有效评估世界原油运价风险,根据世界原油运输市场运费收益的基本特性,选用基于广义误差分布(Generalized Error Distribution,GED)的广义自回归条件异方差(Generalized Auto-Re-gressive Conditional Heteroskedasticity,GARCH)模型,计算原油运价收益率波动的风险值.该模型很好地描述了运价收益率曲线尖峰厚尾、波动聚集性以及杠杆效应等特征.以波罗的海航运交易所发布的波罗的海原油油船运价指数(Baltic Dirty Tanker Index,BDTI)为例进行研究分析,检验结果表明该方法有效.

基于不对称自回归条件异方差模型的短期负荷预测

研究了负荷时间序列的自回归条件异方差效应,提出了一种基于不对称自回归条件异方差模型的短期负荷预测方法。建立了广义误差分布假设下的不对称广义自回归条件异方差模型,借助模型的不对称参数,分析了不同冲击下的不对称机制,比较了各种广义自回归条件异方差模型的预测能力。其中,幂指数广义自回归条件异方差-广义误差分布模型的预测效果尤为突出。最后通过实际算例验证了上述方法的可行性和有效性。

广义自回归条件异方差模型的贝叶斯参数估计

文章建立基于偏正态分布的广义自回归条件异方差模型(GARCH-SN)的贝叶斯参数估计方法。通过MCMC抽样中常用的MH算法解决贝叶斯估计中遇到的高维数值计算问题,得到稳定的抽样序列。模拟显示MCMC抽样序列平稳,贝叶斯估计过程中不需要调整MCMC抽样,抽样后得到的均值接近真值,输入集样本量增大得到的估计值偏离真值的程度随之减小。

自回归条件异方差模型在宏观经济预警中的应用

将ＡＲＣＨ模型引入宏观经济预警，讨论了ＡＲＣＨ预警系统的指标设计、ＡＲＣＨ预警方法以及预警警限的界定，给出了一种具有ＡＲＣＨ特征的警限界定方法。

自回归条件异方差模型在医学数据分析中的应用

为探讨自回归条件异方差模型在医学数据分析中的应用效果 ,采用自回归条件异方差模型对实例进行了分析 ,并与多元回归分析结果进行了比较。结果显示 ,当数据方差不齐时 。

鞅差误差下异方差部分线性回归模型估计的矩相合性(英文)

本文研究了误差为鞅差序列下的异方差部分线性回归模型.基于非参数估计量,我们导出了最小二乘法和加权最小二乘法的参数估计量,并且在适当条件下得到了它们的矩相合性.同时,通过模拟研究了有限样本下估计量的性能.

混合自回归条件异方差模型的谱分析

线性时间序列模型谱密度的计算可以直接由定义获得,而非线性时间序列模型谱密度的计算目前还没有一般的理论.2001年Wong Chun-shan等将混合自回归(MAR)模型推广到混合自回归条件异方差(MAR-ARCH)模型,并且讨论了该模型的参数估计及模型选择问题,本文导出了MAR-ARCH模型自协方差函数的递推关系式及计算谱密度的算法,从而解决了这类模型的谱分析问题.

自回归条件异方差模型的模拟

通过介绍怎样利用SAS/ETS中的自回归(Autoreg)过程实现条件异方差(ARCH)模型数据的分析,将理论与实践相结合,利用SAS/IML软件模拟两组(一组为ARCH(q)模型,另一组为AR(m)-ARCH(q)模型)ARCH数据,然后调用自回归过程对两组数据分别用相应ARCH模型进行数据拟合,得到理想结果.

非线性时间序列建模的异方差混合双AR模型

研究了可用于非线性时间序列建模的异方差混合双自回归模型(heteroscedastic mixture double- autoregressive model,HMDAR),给出了HMDAR模型的平稳性条件,利用ECM(expectation conditional maximization)算法来估计模型的参数,运用BIC(Bayes information criterion)准则来选择模型．HMDAR模型条件分布富于变化的特征使它能够对具有非对称或多峰分布的序列进行建模,将HMDAR模型应用于几个模拟和实际数据集均得到了较为满意的结果,特别是对波动较大的序列,HMDAR模型能比其他模型更好地捕捉到数据序列的特征．

基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测

制造业采购经理人指数(PMI)是反映国家经济运行情况的重要指标,而传统预测模型对该类时序数据预测精度不高。针对制造业PMI指数的非线性、波动性和数据量少的特点,提出一种基于一维离散小波变换进行数据预处理的组合模型。时序数据经过小波变换,由整合移动平均自回归–广义自回归条件异方差模型(ARIMA-GARCH)处理稳态低频数据,门控循环单元(GRU)处理波动性强的高频数据,将各频段预测结果进行融合得到最终预测结果。为验证模型有效性,选取一定数据量的PMI指数进行实验。结果表明,与其他常见模型对比,本文构建的组合模型具有较好的预测精度与性能,平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到0.00329、0.004162、0.65%。

基于WPD-ARIMA-GARCH组合模型的酱卤肉制品安全风险区间预测

针对传统确定性预测不能提供不确定性信息的难题,本研究提出了一种点估计和区间估计组合预测模型,并将其创新性地应用在食品安全风险预警领域。在点估计部分,使用小波包分解(wavelet packet decomposition,WPD)对周风险等级序列分解后,应用差分自回归移动平均(autoregressive integrated moving average,ARIMA)模型进行预测;在区间估计部分,使用广义自回归条件异方差(generalized autoregressive conditional heteroskedast,GARCH)模型对残差进行预测。本实验将建立的WPD-ARIMA-GARCH组合模型运用于某地区酱卤肉制品的风险预测,结果表明2019年的3月底和7月底该地区的酱卤肉制品安全风险较高,与实际情况相符;同时,该模型在10个不同地区的酱卤肉制品风险预测中,均方误差、平均绝对误差和平均绝对百分比误差分别为1.626、0.806和20.824;其90%置信区间的预测区间平均宽度和覆盖宽度标准值均为0.024,可以覆盖所有真实值。该模型具有较高的预测精度和较低的误差,能对酱卤肉制品质量安全起到风险防控作用,可为日常食品安全监管提供相应的技术支持。

基于LSTM-NPGARCH的电力市场售电量预测模型

售电量的准确预测对推动电力市场的发展和建设具有十分重要的意义,考虑售电量具有非平稳性、非线性和随时间变化的复杂特性,本文提出基于小波变换和LSTM算法的短期售电量预测模型。首先采取小波变换法将售电量数据分解为细节分量和近似分量,然后使用LSTM模型进行预测,得到初步预测结果,再使用NPGARCH模型进行预测结果修正,最后将预测的结果累加,得到最终售电量预测结果。在实验中采用某售电公司的真实数据集,基于历史统计售电量数据的预测结果分析表明,本文提出的预测模型具有良好的预测精度。

时间序列模型预测大气臭氧浓度

为了给大气污染防治预警预报提供参考,利用时间序列模型对大气臭氧浓度进行预测;以2020年1月1日至2020年12月31日期间366个烟台市区大气臭氧日均质量浓度作为研究数据,建立自回归移动平均模型,引入广义自回归条件异方差模型消除时间序列自回归条件异方差效应,最终构建自回归移动平均-广义自回归条件异方差时间序列模型,并对2021年1月烟台市区的大气臭氧日均浓度进行预测。结果表明,所构建的时间序列模型对大气臭氧浓度的短期预测值与实测值基本一致,但随着预测期数的增加,预测值与实测值的相对误差逐渐增大。