基于负二项稀疏算子和推广的负二项稀疏算子的INAR(1)模型的比较

本文利用条件极大似然估计的方法比较利用预设新息分布法基于推广的负二项稀疏算子INAR(1)模型和负二项稀疏算子的INAR(1)模型的参数估计情况。通过对取不同新息项分布的两个模型分别进行数值模拟,并对两个模型数值模拟的结果进行对比来直观地表明由于基于负二项稀疏算子的INAR(1)模型在x=0点时概率质量不存在进而模型的所有边际分布不存在,从而证明利用预设新息分布法基于负二项稀疏算子的INAR(1)模型不存在,也表明推广的负二项稀疏算子在利用预设新息分布法构建INAR(1)模型中的必要性。

基于推广的负二项稀疏算子的随机系数INAR(1)模型及其应用

基于推广的负二项稀疏算子构建带有随机系数的一元INAR(1)模型,推导了该模型的概率统计性质,采用最小二乘估计法进行参数估计并进行了数值模拟。最后给出一个实例应用,并将该模型与其他模型进行对比研究,结果显示带有随机系数的基于推广的负二项稀疏算子的一元INAR(1)模型更适用于实际数据。

INAR(1)模型参数的Bayes估计

利用Bayes方法研究INAR(1)模型的参数估计,给出了模型参数的Bayes估计因子,并通过数值模拟将Bayes估计与Yule-Walker估计、条件最小二乘估计、条件极大似然估计进行比较.结果表明,Bayes估计方法在一定情形下优于其他方法.

整数值时间序列模型单位根检验问题研究

非整数值时间序列单位根检验研究已趋成熟,而整数值时间序列单位根检验则刚起步。本文主要采用蒙特卡洛模拟方法对INAR（1）模型单位根检验中的DF统计量和∑ ^Tt= 1{ΔXt〈0}统计量进行了研究。研究发现：DF统计量渐近服从标准正态分布,有限样本情形下,该统计量的实际分布会受到样本容量与扰动项均值的影响;DF统计量不存在水平扭曲现象,能很好控制犯第一类错误的概率,由于数据生成特点,∑_t=1~TI{ΔXt〈0}统计量犯第一类错误的概率始终为0;DF统计量和∑_t=1~TI{ΔXt〈0}统计量的检验功效受到样本容量、自回归系数和扰动项均值的影响,多数情形下,∑_t=1~TI{ΔXt〈0}统计量的检验功效高于DF统计量。

基于二项稀疏算子的整值自回归模型的经验似然推断

整值时间序列可出现在交通、金融、教育、环境、保险等很多领域.稀疏算子是研究整值时间序列的主要方法.本文采用经验似然法研究基于二项稀疏算子的一阶整值自回归模型,并给出新息项为泊松的BINAR(1)模型的经验似然推断及其最大经验似然的估计值.利用数值模拟来研究经验似然估计的表现.最后通过一个犯罪数据的实例给出模型的应用.

基于一阶整值时间序列模型的犯罪数据的分析与预测

本文针对美国匹兹堡市每月的盗窃犯罪数据,利用几类常见的一阶整值时间序列模型对数据进行拟合,根据AIC和BIC标准,结果表明负二项的INAR(1)模型拟合效果是最优的,最后基于负二项的INAR(1)模型给出了该组数据的预测。

泊松INAR(1)模型参数估计方法的比较及其应用

探讨了泊松INAR(1)模型的参数估计.基于CLS估计方法,提出一种偏差修正CLS估计方法并分析了其大样本性质.随机模拟结果表明:与CLS估计和CML估计方法相比,偏差修正CLS估计方法可以有效减小参数估计的偏差.偏差修正CLS估计方法在有限样本下估计效果较好,同时计算过程简便,具有较高的实用性.最后,通过泊松INAR(1)模型对一组实际的整数值时间序列数据建模,利用偏差修正CLS估计方法进行参数估计,并对模型进行预测.