三元Logit模型回归参数的M-H算法

Markov链Monte Carlo(MCMC)方法是现代统计计算中最重要的算法之一,利用其中的随机游动Metropolis-Hastings(M-H)算法,给出了2n+2-参数三元Logit模型的参数估计问题,并给出了6个参数的模拟结果。

基于马尔可夫链蒙特卡洛(MCMC)方法的GARCH模型实证研究

在对GARCH模型进行探究的基础上,分别对马尔可夫链蒙特卡洛方法中的Gibbs抽样和Metropolis-Hasting抽样进行了讨论,并使用蒙特卡洛方法对上证指数进行GARCH建模,最后,通过对所得模型数据结果的分析得出了结论,即我国的上证指数收益率序列具有显著的异方差特征,且收益率波动的大小与其自身过去的波动大小有非常明显的关系,因此说,我国的大盘指数也可以采用GARCH模型来进行拟合和解释。

美国股市影响下的中国股市收益的非对称性研究

在美国股市和中国股市本身滞后信息的双重影响下,股改后中国股市收益均值及波动不对称。为了评估这种不对称效果,选定门限非线性的GARCH模型,结合GJR效应,利用基于M-H算法的贝叶斯推断的参数估计方法,分析中国股市收益均值和波动不对称的特点。选取S&P500指数、恒生指数、上证综指进行分析,发现了这种不对称性。同时还发现,美国股市对香港股市具有显著的溢出效应,但这种溢出效应更多地体现为美国股市利好消息对上海股市的影响,而利空或利好消息对上海股市的影响却比香港股市具有明显的滞后性。

带有不可忽略缺失数据的广义部分线性模型的贝叶斯分析

广义部分线性模型是广义线性模型和部分线性模型的推广,是一种应用广泛的半参数模型.本文讨论的是该模型在线性协变量和响应变量均存在非随机缺失数据情形下参数的Bayes估计和基于Bayes因子的模型选择问题,在分析过程中,采用了惩罚样条来估计模型中的非参数成分,并建立了Bayes层次模型;为了解决Gibbs抽样过程中因参数高度相关带来的混合性差以及因维数增加导致出现不稳定性的问题,引入了潜变量做为添加数据并应用了压缩Gibbs抽样方法,改进了收敛性;同时,为了避免计算多重积分,利用了M-H算法估计边缘密度函数后计算Bayes因子,为模型的选择比较提供了一种准则.最后,通过模拟和实例验证了所给方法的有效性.