基于核密度估计的R-Vine Copula选择及其在故障检测中的应用?

在化工过程监控领域,Vine Copula模型为描述高维复杂变量之间相依关系提供了一种新的思想,在不降维的基础上直接刻画变量之间复杂的相关关系。传统的Copula函数模型选择方法是基于赤池信息准则(Akaikeinformation criterion,AIC),但是在利用AIC准则时不仅要计算Copula的密度函数,而且边缘分布的拟合效果也直接影响了AIC的取值。本文提出了基于核密度估计的R-Vine Copula (kernel estimation-based R-vine Copula, KRVC)选择方法,并将其应用在化工过程监控领域。通过核密度选择原理得到R-Vine模型,然后利用高密度区域(HDR)与密度分位数表等理论,构建非高斯态广义局部概率指标(GLP)。该方法在TE(TennesseeEastman)过程中以及醋酸脱水过程中的应用验证了KRVC方法在过程监控中的良好性能。

因果过程追踪方法在公共政策评估中的应用及展望

量化方法和实验方法作为主流政策评估方法,常常面临难以处理变量内生性的困境。因果过程追踪方法在应用于公共政策评估时,并不预先筛选影响政策结果的变量,而是追踪探寻变量链式联动变化的因果机制,消解只评估少数变量的内生性难题,形成评估复杂政策效应的独特优势。因果过程追踪方法首先将政策因果机制转化为理论假设,之后将变量串联为推动政策发展的因果链条,然后收集不同类型证据,将实际发现的证据和理论预测的证据进行一致性比对,并衡量证据权重,最后评估并检验因果机制假设的效度。因果过程追踪方法与贝叶斯概率推断、实验方法等的结合应用,进一步提高了政策评估的精准程度。将因果过程追踪方法应用于中国公共政策评估,一方面有利于从政策特殊性中抓取一般性,另一方面有助于解释政策目标的“偏移”,推动政策目标的实现。