基于Jackknife模型平均方法的中国港口集装箱吞吐量预测

使用多元序列的Jackknife模型平均(JMA)方法平均向量自回归模型,并将该方法用于预测中国六大港口的集装箱吞吐量.由于JMA方法在自相关异方差结构下的渐近最优性,因此更适用于具有大的波动性、复杂性和不规则性的港口集装箱吞吐量的预测.另外,相比单序列,多元序列的JMA平均方法也考虑了港口之间的相关影响因素.比较发现,在大多数案例中,此方法比常用模型选择和模型平均方法具有更高的预测精度.

基于Jackknife模型平均的社会用电量预测研究

针对社会用电量波动的复杂性,文章将Jackknife模型平均理论引入社会用电量分析与预测研究中,通过加权平均不同模型的预测值,最大限度减少有用信息的遗失,以提高社会用电量预测准确度.通过选取中国和美国不同时期社会用电量数据集,并使用各类预测误差指标以及Diebold-Mariano检验法,来验证所提出的Jackknife模型平均方法的有效性.研究结果表明:Jackknife模型平均方法可以有效降低单个社会用电量预测模型的预测误差,为用电量预测提供了一种新的建模框架.

基于弹性网的两阶段模型平均方法及应用研究

针对高维数据集的复杂性,提出基于弹性网的两阶段模型平均方法,并将其应用于上证180指数的分析与预测研究中.首先通过弹性网进行变量降维并构建稀疏的候选模型;再根据Jackknife模型平均方法平均候选模型,最大限度用最少的成本获取更多的信息,减少有用信息的损失以提高模型预测精度,并使用各类预测误差指标来验证各预测模型的有效性.研究表明,两阶段模型平均方法可以有效降低上证180指数预测模型的预测误差;弹性网-JMA方法在高维有效样本下具有更好的预测表现和稳健性.

海量数据下模型平均的分治算法

随着数据收集技术在近年来的飞速发展，传统的统计方法都面临着“海量数据”的挑战．分治算法是应对海量数据的最有效方法之一：其基本思想是将整个数据集分成若干份较小的数据，在每份数据上单独拟合统计模型，然后将多个模型的结果进行整合从而得到最终的结果．模型平均是当代统计学和计量经济学研究的国际前沿方法，在经济、金融、生物、医学等方面有着广泛的应用．针对线性模型的MMA和JMA方法，以及广义线性模型的模型平均方法，文章分别提出了它们在海量数据下的分治算法，并通过模拟和实际数据分析来说明算法的有效性和实用性．

基于综合集成预测方法的新冠肺炎疫情预测

自2019年12月以来,新冠肺炎(COVID-19)疫情在全球范围内持续扩散,不仅严重危害到世界各国人民的生命健康,对公共医疗卫生体系提出严苛考验,还对经济贸易活动造成了巨大冲击,对国际社会产生了深远影响.一些研究采用数学预测模型对病毒传播和疫情发展进行模拟仿真,以帮助研究人员和政策制定者了解病毒传播机理,采取合理防疫政策进而抑制病毒进一步传播.然而现有研究存在一定局限性,例如方法选择单一、过于依赖模型参数选择、病毒传播与政策调整导致的数据时变性等问题.为解决上述问题,本文提出了基于时变模型平均(TVJMA)、时变参数模型(TVP)、传染病vSIR模型(vSIR)、逻辑回归模型(LR)、多项式回归模型(PNR)、自回归移动平均(ARMA)六种模型方法的综合集成预测框架,对不同地区疫情最为严重的6个国家的累计确诊人数进行预测.结果表明,对于单一预测方法,TVJMA方法表现优于其他五种方法;综合集成预测方法在绝大多数情况下明显优于单一方法,特别是基于误差修正权重的多模型组合预测方法,显著地提高了预测精度.对于不同预测步长,综合集成预测方法具有稳健性.