基于吉伯斯样本生成器的向量自回归模型选择

向量自回归模型是多元时间序列分析中最常用的方法之一。在建立模型的过程中模型选择是非常重要的一个环节,如果候选模型不是很多时,可以通过比较每个模型的准则值如AIC、AICc、BIC或HQ进行模型选择。可是,当存在大量候选模型时,无法一一比较每个模型的准则值。为了解决这个问题,本文提出一个基于吉伯斯样本生成器的向量自回归模型选择方法,结果表明应用该方法能够从大量候选模型中准确、高效地确认准则值最小的模型。

基于Kullback-Leibler信息量的最优ARMA模型组选择与组合预测研究

ARMA模型在管理科学领域有着广泛的应用,组合预测可以提高ARMA模型的预测效果,但是如何选择最优模型组是十分重要但尚未解决的问题。本文提出了一个基于Kullback-Leibler信息量(简称K-L信息量)的最优模型组选择方法确定那些与最优模型无显著差异的模型形成最优模型组。最后,本文通过模拟数据比较了基于最优模型组的组合预测与根据AIC准则确定的单个最优模型的预测效果,组合预测效果要优于单模型预测。