基于Adaptive-Lasso的本科成绩统计分析

本文主要研究了合肥工业大学数学学院数学专业学生的本科成绩状况,应用多元线性统计方法,探讨了前期所有课程成绩对后期成绩的影响.首先对前期课程进行主成分分析,并采用逐步回归方法建立了后期成绩与主成分之间的回归模型.其次,采用Adaptive-Lasso方法建立后期成绩与前期课程成绩间的Adaptive-Lasso回归模型.最后,对以上模型进行对比分析.研究表明,基于Adaptive-Lasso方法的主成分回归模型能很好地拟合后期成绩,并对后期成绩情况给出合理的解释.

基于主成分与Adaptive-Lasso的飞机油耗统计分析

为研究飞机燃油消耗与飞行因素的关系,以某家航空公司数据为例,建立2014-04-08至2015-04-09飞机飞行阶段耗油量与飞行速度、高度、气温、风速、重量、经度等相关因素的回归模型。首先对相关因素进行主成分分析,并采用逐步回归方法建立飞机耗油量与主成分之间的回归模型;其次,采用Adaptive-Lasso方法建立飞机耗油量与相关因素间的Adaptive-Lasso回归模型;最后,对以上模型进行比较分析。研究结果表明,通过Adaptive-Lasso方法建立的回归模型能更好地拟合飞机耗油量。

基于ISOMAP与Adaptive-Lasso的日平均气温预测模型

气候变化是全球公认的环境困境,研究气象数据的回归预测模型对预防自然灾害有重要意义。应用等距特征映射(ISOMAP)方法对气象因素进行降维,采用Adaptive-Lasso方法建立日平均气温与主成分之间的回归模型,实证分析了合肥2017.1.1—2018.8.31日平均气温的回归预测问题。结果表明,通过ISOMAP与Adaptive-Lasso方法建立的回归模型能更好地对日平均气温进行回归预测。

基于Adaptive-Lasso Logistics模型的方剂学学习动机影响因素分析

目的讨论Adaptive lasso-logistic回归模型在方剂学学习动机的影响因素中的应用。方法基于成都市某大学在校2017级学生进行分层抽样,综合运用方差分析及lasso-logistic回归模型,利用R软件分析学生在方剂学学习过程中关于学习动机的影响因素。结果模型共纳入662名学生,通过交叉验证法,可知Adaptive lasso-logistic回归模型中纳入的变量为:外驱动机、学习信念、考试焦虑、性别、专业、科别。从时间成本和模型简洁度来看,Adaptive-lasso logistic模型优于全变量logistic模型和ridge logistic模型。结论Adaptive-Lasso Logistics回归模型在压缩模型、变量筛选以及预测准确率上更有效,有助于了解学生的学习动机,为教学工作者后续教学安排提供一定的参考意见。

岭回归、LASSO回归和Adaptive-LASSO回归下的财政收入因素分析

选取了18个影响吉林省财政收入的因素,运用SAS软件建立了吉林省财政收入的多元回归模型.由于自变量过多并且存在严重的多重共线性,因此需要进行变量选择,本文运用岭回归模型、LASSO回归模型及Adaptive-LASSO回归模型进行变量选择,最后对这三个模型进行了比较分析,得出Adaptive-LASSO回归模型相对较优的结论.

基于灰色系统和神经网络的创业板股票价格预测研究

股票价格预测是投资领域的一个重点关注课题。由于股票价格受到诸多非线性因素的影响,得到精确的预测结果较为困难。为了消除股票指标的多重共线性,采用AdaptiveLasso算法对指标变量进行筛选,实现了数据降维。之后,利用灰色预测对股票价格影响指标进行预测,并在此基础上利用神经网络模型对股票收盘价进行预测。结果表明,利用灰色系统和BP神经网络结合的模型所得预测结果平均相对误差为0.095,且运行效率较高,对股票预测具有一定的积极意义。

基于灰色预测和BP神经网络的一般公共预算收入预测分析——以无锡市为例

地方财政收入是国家财政收入的重要组成部分,也是促进地方经济发展,提高居民生活质量的重要经济来源。科学准确地做好财政收入预测,对地方政府制订未来的经济预算和决策具有重要的意义。此研究通过在R语言中对财政收入进行多元相关因素分析,根据Adaptive-Lasso算法结果选出自变量,结合灰色预测和BP神经网络的模型预测未来两年无锡财政收入,预测显示未来两年无锡财政收入还将继续增加,为无锡政府加大经济管理、制定经济政策提供一定依据。

2000-2015年河北省林地时空变化特征及驱动力

基于2000—2015年河北省土地利用数据,及可能影响河北省林地变化的主要经济指标数据,对河北省林地的空间变化特征及驱动力进行了分析。利用土地利用类型转移矩阵与土地利用动态度模型,对河北省土地利用进行了分析并得出林地的空间变化特征。结合河北省2000—2015年可能影响林地变化的经济指标数据,在R语言中利用msgps程序包实现了Adaptive-Lasso变量选择模型,选取了影响林地面积变化的主要经济因素。模型分析结果显示:2000—2015年,河北省林地面积整体呈增加趋势,林地转入量大于林地输出量,且与草地、耕地之间的相互转化最为突出,与河北省林地变化显著相关的重要解释变量中,年末总人口、农村居民可支配收入和城镇人口与林地面积变化呈正相关性,第一产业、财政收入、财政支出与农村人口数与林地面积变化呈负相关性,其中,农村居民可支配收入与财政收入为主导因素,且河北省的林地变化不仅与国家退耕还林政策相关,也与河北省的独特地理位置相关。该研究为河北省制定并实施林地资源保护与开发利用政策提供决策依据,该方法同时适用于全国其他地区的林地驱动力研究。

几种高维变量选择方法的比较及应用

变量选择一直是建立回归模型中的一个重要问题。文章基于线性模型对lasso、adaptive-lasso、SCAD、elastic net、group lasso和group SCAD等方法进行了较为系统的比较分析,通过进行无分组变量和有分组变量的模拟实验,比较了几种方法之间的优缺点和相关联系。分析了在不同自变量相关系数以及在不同误差项方差的情况下,各种方法的模型误差的变化趋势以及相互之间的差异比较。

基于SparkR的人工水体藻类建模预测

为探究水质分析与大数据技术结合的可行方案,以MySQL+Hive+SparkR为主体框架搭建一整套从数据输入、存储、调度到应用的SparkR水质分析平台。设置室内培养模拟人工湖藻类生长实验组及其重复实验组,监测各项指标数据,通过SparkR平台,在本地应用Adaptive-Lasso算法识别出对照组和苦草组藻类生长主要影响因子,并建立回归方程进行验证,在集群分布式部署GBTs藻类预测模型,经重复试验验证预测模型未来3天的相对误差均值分别为15.3%、14.8%。

基于GM模型和BP神经网络的西安市房价分析与预测

基于西安市2001-2017年有关房价的历史数据,建立了Adaptive-Lasso变量选择模型,分析并识别影响房价的关键因素,构建灰色预测模型与BP神经网络的组合模型来预测西安市2018年-2020年的房价。结果发现,西安市生产总值GDP、财政收入、城镇居民人均可支配收入、城镇居民家庭的恩格尔系数、城镇居民人口和住宅销售面积等6个因素对西安市住宅价格的变动影响较大,最后通过灰色GM(1,1)预测模型与灰色预测和BP神经网络的组合模型预测结果的比较,验证了模型的有效性。

广州市财政收入分析及预测模型

地方财政收入是国家财政收入的重要组成部分。利用1994~2013年广州市的财政收入相关数据,建立Adaptive-Lasso变量选择模型,并自动识别出广州市财政收入的关键影响因素。并且在变量选择的基础上,又构建了灰色预测与BP神经网络的组合模型来预测广州市2014、2015年的财政收入。模型分析结果表明,社会从业人数、在岗职工工资总额、社会消费品零售总额、城镇居民人均可支配收入、城镇居民人均消费性支出以及全社会固定资产投资额与财政收入的关联性较大,之后进行的组合模型预测也有较好的效果。最后,根据分析结果提出相关的政策性建议。

基于灰色神经网络的城乡居民收入差距预测

本文采用灰色预测和神经网络的组合预测模型预测未来两年城乡居民收入差距。利用Adaptive-Lasso估计方法,得出就业率和经济实力是影响城乡居民收入差距的关键因素,它们之间存在高度正相关关系。预测结果表明:我国城乡居民收入差距在未来两年会持续增长,因此现阶段建议降低失业率,加强财政对农村社会保障和教育支出,缩小城乡居民收入差距。

贵州省财政收入影响因素分析及预测

本文以贵州省1995-2017年的地方财政一般预算收入及其他相关经济指标数据为样本,通过Adaptive-Lasso变量选择法来分析影响贵州省地方财政收入的关键因素,再用灰色预测模型筛选出的各指标2018-2019年的值,最后建立BP神经网络模型预测2018-2019年贵州省地方财政一般预算收入,得到预测效果良好。

吉林省地方财政科技投入影响因素分析

地方财政科技投入是提升科技创新能力的关键要素,本文首先分析吉林省近年来地方财政科技投入的发展情况,再分析地方财政科技投入与哪些因素相关,并对吉林省地方财政科技投入与相关因素建立基于Adaptive-LASSO回归分析模型,通过回归分析结果分析相关因素具体如何影响地方财政科技投入,最终从加大地方财政科技投入、优化资源配置和建立绩效考核机制等方面提出相关建议。

基于数据挖掘技术的南宁市财政收入预测分析

影响财政收入的因素有很多,文章基于南宁市1997年至2016年的财政收入以及其相关影响因素的数据,利用Adaptive-Lasso变量选择方法识别影响财政收入的关键因素,在此基础上,建立改进的灰色神经网络预测模型,从而得到2017年及2018年南宁市财政收入的预测值,预测效果较为理想。

Double Penalized Semi-Parametric Signed-Rank Regression with Adaptive LASSO

In this paper, a semi-parametric regression model with an adaptive LASSO penalty imposed on both the linear and the nonlinear components of the mode is considered. The model is rewritten so that a signed-rank technique can be used for estimation. The nonlinear part consists of a covariate that enters the model nonlinearly via an unknown function that is estimated using Bsplines. The author shows that the resulting estimator is consistent under heavy-tailed distributions and asymptotic normality results are given. Monte Carlo simulations as well as practical applications are studied to assess the validity of the proposed estimation method.