数据非随机缺失机制的检验

本文采用一种模拟算法对数据非随机缺失(NMAR)机制的检验问题作了初步的探讨.并用一个例子说明NMAR机制的检验问题的合理性.

利用logit模型判定数据缺失机制

利用logit模型刻画了缺失指示变量R的分布,由其分布的参数估计来判定数据的缺失机制类型.在四个假定的基础上,用五个步骤具体操作缺失数据的机制检验.并用两个例子说明了检验的具体步骤.

随机缺失数据下的核动力管道破口大小评估方法研究

针对核动力系统监测参数受噪声干扰出现随机丢失,影响操纵员判断事故严重程度的问题,提出了容忍参数缺失的破口评估模型。选定已知破口大小的多元序列作为标准序列,并在标准序列上按事故机理选定若干采样点,对待诊断多元时间序列上各时间点使用滑动动态时间弯曲算法寻找与标准序列采样点的最小累积距离,将得到的最小累积距离作为破口评估模型的特征值,使用支持向量机作为预测模型对破口进行评估,并通过集成学习策略优化诊断结果。以右侧主蒸汽管道破口为例进行验证,结果表明,该方法对待测序列的完整性要求不高,参数随机缺失的破口评估误差在10%以内,能够更好地辅助操纵员进行破口的评估。

基于改进LSTM的电力设备状态融合预测模型

针对电力大数据存在数据随机缺失进而降低长短期记忆模型(Long Short-term Memory,LSTM)预测准确率的问题,文中提出了一种基于改进LSTM的电力设备状态融合预测模型。该模型先对状态数据进行缺值检测和平稳分析,根据历史数据利用差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model,ARIMA)对缺失的数值进行预测,并将预测的数值补充至相应的缺失位置;将新的完整数据输入到ARIAM模型和改进LSTM模型中以获取两种预测值;根据改进LSTM模型的学习准确率和ARIAM模型的拟合度对预测值进行权重分配,并在此基础上进行状态趋势融合预测。为了验证文中模型的普适性和预估准确性,选择电力负荷数据开展实验,结果表明:基于改进LSTM的电力设备状态融合预测模型在数据完整情况下的预测准确率比ARIAM和LSTM分别提高了52%和25%,在数据缺失情况下的预测准确率分别提高了44%和57%。

因变量缺失下部分线性变系数模型的稳健估计

本文讨论因变量缺失下部分线性变系数模型在误差项和解释变量都含有异常点时的稳健估计问题。首先用局部加权线性光滑方法得到非参数部分的稳健估计,然后再得到参数部分的估计,并证明参数和非参数估计量的渐近正态性。最后模拟研究有限样本下估计量的表现。