误差为ARMA(1,1)的非线性回归模型相关性和异方差的检验

本文讨论了误差为ARMA(1 ,1 )序列的非线性回归模型 .首先得到随机误差相关性和异方差性检验的似然比检验统计量和Score检验统计量 ;其次利用参数正交变换 ,得到了修正的似然比检验统计量和修正的Score检验统计量 ,推广了韦博成、胡跃清 (1 994)的结果和韦博成(1 995 )的结果 ;最后给出了几种特殊情形的似然比检验统计量和Score检验统计量 .

DBL(1,0,1)误差非线性回归模型相关性和方差齐性的检验

讨论了具有双线性DBL(1,0,1)误差的非线性回归模型的相关性和方差齐性的检验问题,用Score检验方法给出了双线性项检验以及相关性和方差齐性同时检验的检验统计量,并用随机模拟验证了检验方法的正确性;推广和发展了具有线性序列误差回归模型的结果;最后将结果应用于DBL(0,1,1)误差的非线性回归模型。

核实数据下非线性模型的序列相关性检验

研究了核实数据下非线性模型的序列相关检验问题,并运用经验似然的方法构造了检验统计量,证明了该检验统计量在零假设下的渐近分布。数值模拟结果显示:提出的检验效果比较理想。

部分线性单指标模型的序列相关性检验

部分线性单指标模型是一类重要的半参数统计模型,对于模型中的误差,如果存在序列相关,那么在进行统计推断时会遇到诸多问题。针对该情况,对部分线性单指标模型的序列相关性进行检验,用VT,P检验的方法构造VT,P检验统计量,得到了零假设下检验统计量的渐进分布。数值模拟验证结果表明,该检验有较好的检验功效。

在非线性回归模型中误差为AR(2)的相关性检验

本文讨论了在非线性回归模型中误差为AR(2)的相关性检验,得到了误差相关性检验的似然比检验统计量、Score检验统计量.对感兴趣参数和多余参数,利用CoxandReid(1987)提出的正交化方法,给出了修正的似然比检验统计量和Score检验统计量.推广了胡跃清,韦博成(1994)讨论的在非线性回归模型中误差为AR(1)相关性检验的结果.

响应变量缺失下部分线性单指标模型的序列相关性检验

研究了在响应变量随机缺失下的部分单指标模型的序列相关检验问题。首先采用借补的方法对缺失响应变量进行处理,再运用经验似然方法对残差部分进行序列相关性检验,构造了经验似然比统计量,并证得其为渐近分布。数值模拟结果表明:该检验方法具有较为理想的检验功效。

相关性检验对多项式曲面拟合模型的优化作用

多项式曲面拟合实质上是数理统计中回归分析与预测估计的组合运用。将回归分析中在变量间进行相关显著性检验的方法引入到求取转换参数的过程中使用,发现了一个可以减少转换参数总量并实现不低于原标准模型拟合计算精度的数据处理方式。

Huber损失下线性模型的序列相关检验

金融数据分析中经常发现数据具有厚尾或非对称特征,这给模型相关性检验带来了许多困扰。针对厚尾和非对称分布的序列相关性检验问题,结合秩相关系数和Huber损失,提出了HubT、CCT检验统计量,并在原假设下得到了检验统计量的渐近分布。通过数值模拟说明新构建的统计量能在厚尾和非对称分布的序列中有良好的表现。

基于非线性时间序列的预测模型检验与优化的研究

模型的适用性检验和参数优化是系统建模的最关键环节,对于预测模型的适用性检验,常采用残差方差图、最小信息准则和AIC准则等方法,存在计算量大、准确性低、模型不唯一等缺点.本文给出采用自相关系数和偏自相关系数的拖尾先对ARIMA模型检验,再对其进行F适用性检验,克服了由于观测样本的长度是有限的,偏相关的估计存在误差,拖尾时不能为ARMA定阶的缺陷,并采用具有超线性收敛性等诸多优点的变尺度法对模型参数进行了优化,得到了较为精确的、单一AIRMA模型,该方法可应用于网络流量模型的适用性检验和模型优化,为网络流量的预测、异常检测和服务器负载预测的应用奠定了坚实的基础.

回归模型中异方差或变离差检验问题综述

回归模型的异方差或变离差检验是统计诊断的重要课题。本文系统介绍了普通回归模型、广义回归模型和基于纵向数据的随机效应或自相关回归模型的异方差检验或变离差检验的研究概况和最新进展;同时介绍了作者关于非线性回归模型的相应工作,最后指出了若干有有待进一步研究的问题。

变系数空间自回归模型的Bootstrap检验

变系数空间自回归模型是变系数模型在空间数据分析方面的推广,因其众多的应用背景而得到广泛的重视和研究,确认模型中系数是否真正随变量的变化而变化是应用变系数空间自回归模型需解决的首要问题.本文基于Bootstrap检验方法研究了变系数空间自回归模型中的常系数项的辨别问题,为建立半变系数空间自回归模型提供依据.最后,通过模拟试验验证Bootstrap检验方法在有限样本容量下的有效性.数值模拟分别考察了误差项服从不同分布、空间滞后相关系数变化以及解释变量共线性程度不同时,Bootstrap方法逼近其零分布的准确性以及检验的功效.模拟结果表明本文所提出的Bootstrap方法能精确地逼近检验统计量的零分布且检验具有满意的功效.

时间序列自相关的检验与排除

时间序列自相关的检验与排除中国卫生统计杂志编辑部孙高，任继萍中国医科大学卫生统计教研室郭海强一、问题的提出在实际应用中，如果线性回归模型中的变量的观测值是时间序列，例如其误差项。；往往是自相关的，例如时，就是这样。这里ｔ是时序变量，ｕ１～Ｎ（Ｏ，２）...

基于单位根检验和ARMA模型的桥墩位移稳定性时间序列分析

评估桥墩位移是否收敛和稳定是桥梁健康评估的重要内容。在运用全球定位系统获取桥墩三维监测位移的基础上,首先运用时间序列方法对监测数据进行处理和分析,并使用单位根检验来确定桥梁监测序列是否平稳,为了克服短期偶发因素影响,进而建立自回归移动平均模型对桥梁信号监测数据进行预测分析,最后将桥墩水平位移实测数据与模型拟合结果的残差序列进行单位根检验,以进一步确定桥墩位移的长期稳定性。工程实例表明:单位根检验表明监测序列没有时间趋势,不存在单位根,数据序列为平稳序列,具有常均值和方差;自回归移动平均模型能够较好地刻画监测数据,且具有较高的可靠性和可行性;根据平稳时间序列模型的特征,可以计算监测序列的均值和方差。

基于模型的过程工业时间序列异常值检测方法

时间序列异常点检测是时间序列挖掘研究领域的重要内容和基础工作。为满足过程工业中控制系统大数据量时间序列异常值检测需求,提出了一种计算简单快速的基于边缘化后验比检验的异常值在线检测方法。该方法将基于"偏差"的检测思想与统计学理论相结合,首先利用基于数据的鲁棒建模方法对待检测数据进行拟合并得到拟合残差,然后利用统计学知识分析拟合残差以最终确定数据的异常情况。为了实现算法的在线检测要求,引进了两窗口结构并对其加以改进;通过合理的选取先验分布以及对未知参数进行边缘化处理的方式,有效地减少了算法中的参数个数,提高了算法的可用性。仿真实验可以证明所提出的时间序列异常值在线检测算法具有很好的检测准确性和一定的实用性。

自回归模型在黄瓜霜霉病预测中的应用

目的:探索黄瓜霜霉病发病趋势自回归模型。方法:借鉴传染病常微分SIR模型理论,构造含二次项的黄瓜霜霉病发病趋势自回归曲线模型;用一组黄瓜霜霉病时间序列模拟自回归模型参数,再用另一组黄瓜霜霉病序列进行验证。结果:黄瓜霜霉病一阶自回归模型为I(t+1)=0.0061I(t)(100-I(t))+0.9965I(t)+0.9084,模型的拟合优度检验为:残差平方和为133.1687,决定系数为0.9897,根均方误差为4.0800。一阶自回归模型拟合优度高于二阶自回归模型。结论:模型拟合效果较理想,可以利用该模型对只有发病状况的黄瓜霜霉病时间序列进行预测。

自回归模型在井水埋深预测中的应用及改进

用时间序列分析方法建立井水埋深的预测模型时,首先采用差分的方法把季节性时间序列变成平稳时间序列,在此基础上,再用动态数据系统方法的传统F检验定阶法进行分析。由于样本的随机性可能过早地退出对模型的循环检验,从而不能找到合适的预测模型。笔者在用自回归模型建立井水预测模型的基础上,采用了一种改进的建模方法,提高了预测精度,并用实例进行了验证。

基于累积Logistic回归模型的管制员应激程度预测

分析并筛选出影响管制员应激行为的7个显著相关指标,并将管制员应激程度进行有序多分类后,建立了基于累积Logistic的管制员应激程度预测模型,并对模型预测效果进行平行性检验。利用某空管局实际采集数据中的另外74名管制员的定量测量数据进行分析,验证预测模型的可行性。结果表明:该模型的拟合优度判定系数(Pearsonχ~2统计量和Deviance统计量)的显著水平分别为0.076,0.690,远大于0.05;对实测数据的预测准确率达到75.67%,该模型对管制员应激程度的预测较为精确。

基于多元Logistic回归模型的河北省乳制品消费影响因素分析

由于社会经济的高速发展和时代的进步,人民日常生活水平有了显著提高,消费者对乳制品的需求量明显上涨。研究影响乳制品消费行为的因素对于提高乳制品质量、刺激乳制品消费和提升乳制品市场占有率具有现实意义。在阐述河北省乳制品消费发展现状基础上,通过研究和分析影响乳制品消费行为的因素,利用Pearson和Spearman相关性检验并应用多元Logistic回归模型,得出:家庭成员数较高的消费者更倾向于乳制品高频消费,城市消费者更倾向于乳制品高频购买,对乳制品生产过程了解程度较高的消费更倾向于经常购买。提出政府应加强宣传,拓宽农村乳制品消费市场,乳制品加工企业开展透明工厂游,提高大众了解度等建议。

基于AR与DNN联合模型的地理传感器时间序列预测

地理传感器时间序列具有复杂动态的语义时空相关性和地理时空相关性。尽管已经开发了各种深度学习模型用于时间序列预测,但很少有模型能专注于捕捉地理传感器时间序列内的多类型时空相关性。此外,同时预测多个传感器在未来某一时间步的值非常具有挑战性。为了解决上述问题,提出了一种自回归模型与深度神经网络的联合模型(Joint model of Autoregression and Deep Neural Network,J-ARDNN),用于处理地理传感器时间序列的多目标预测任务。在该模型中,空间模块用于捕捉不同序列间多类型空间的相关性,时间模块采用时间卷积网络来提取单个序列内的时间依赖关系。此外,还引入自回归模型来提高预测模型的鲁棒性。为了验证J-ARDNN模型的有效性和优越性,在不同领域的真实时间序列数据集上进行了充分的实验,结果表明,J-ARDNN模型的预测性能优于对比方法。