检索结果-内蒙古大学图书馆

数理统计与管理 2016年第2期35卷 243-252页

作者：刘洋陈守东吉林大学数量经济研究中心吉林长春130012 吉林大学商学院吉林长春130012

传统的Granger因果检验方法受阻于非平稳数据与时变因果关系的存在,本文以无限状态的Markov过程为基础,设计混合分层结构gibbs算法,实现区制时变VAR模型,用于非平稳数据的时变因果关系检验。实证分析我国经济环境中,需求拉动效应的时变... 详细信息

传统的Granger因果检验方法受阻于非平稳数据与时变因果关系的存在,本文以无限状态的Markov过程为基础,设计混合分层结构gibbs算法,实现区制时变VAR模型,用于非平稳数据的时变因果关系检验。实证分析我国经济环境中,需求拉动效应的时变特征。结果表明:国内需求逐渐成为更加重要的经济增长动力;经济增长降低了对投资和出口的依赖;在增长方式的转变过程中,内需效应易受外需变动的影响而波动,需要适时的货币政策调节和投资效应的推动以保证稳定的经济增长,以利于进一步升级产业结构。

关键词：因果关系检验需求拉动效应 gibbs算法

来源：评论

学校读者我要写书评

暂无评论

gibbs算法，Markov链的传输不等式和集中不等式

Gibbs算法，Markov链的传输不等式和集中不等式

引用

作者：王能义中国科学院大学

学位级别：博士

这篇论文主要研究gibbs算法，Markov链的传输不等式和集中不等式.对高维情形的gibbs算法，我们研究出其在W1，dL1-度量下，收敛速度的指数部分与维数N无关;集中不等式中的速度在乘积空间取dL1-度量时与维数N同阶，在乘积空间取dL2-度量... 详细信息

这篇论文主要研究gibbs算法，Markov链的传输不等式和集中不等式.对高维情形的gibbs算法，我们研究出其在W1，dL1-度量下，收敛速度的指数部分与维数N无关;集中不等式中的速度在乘积空间取dL1-度量时与维数N同阶，在乘积空间取dL2-度量时与维数N无关.\n 对Markov链，我们证明了其传输信息不等式等价于相应的经验测度的集中不等式，并且给出了一些容易验证的充分条件和一系列例子.\n 在这篇论文中，我们综合运用了Dobrushin条件，耦合方法，马氏半群的算子理论，大偏差理论以及泛函不等式等工具.

关键词： gibbs算法 Markov链传输不等式集中不等式

来源：评论

学校读者我要写书评

暂无评论

对数正态多层贝叶斯模型的参数估计

对数正态多层贝叶斯模型的参数估计

引用

作者：王志凯贵州民族大学

学位级别：硕士

多层模型是一种用于对分层、嵌套数据进行拟合与分析的统计模型。针对分层、嵌套且呈偏态的数据,探讨符合其特点的多层模型来对其进行拟合分析具有很强的理论意义与现实意义。因此,本文基于偏态数据组间存在不同异质性的情况下,研究对... 详细信息

多层模型是一种用于对分层、嵌套数据进行拟合与分析的统计模型。针对分层、嵌套且呈偏态的数据,探讨符合其特点的多层模型来对其进行拟合分析具有很强的理论意义与现实意义。因此,本文基于偏态数据组间存在不同异质性的情况下,研究对数正态多层贝叶斯模型的参数估计问题。首先,针对偏态数据组间存在均值异质的情形,受均值异质的正态多层模型的建模思想的启发,提出了均值异质的对数正态多层贝叶斯模型,并给出该模型参数的极大似然估计表达式和条件后验分布。同时,通过数值模拟,在相对误差和均方误差(MSE)意义下,探讨两种估计在相同样本量、不同样本量情形下对模型参数估计的优良性,结果显示,贝叶斯估计的估计效果优于极大似然估。最后,通过实证分析证明所提出的模型在实际应用中是切实可行的。其次,针对偏态数据组间存在方差异质的情形,在均值异质的正态多层模型的基础上,对其进行改进提出了方差异质的对数正态多层贝叶斯模型,并给出该模型参数的极大似然估计表达式和条件后验分布。数值模拟结果表明,当样本量相同时,在MSE准则和相对误差准则下,各参数的贝叶斯估计效果优于极大似然估计;当样本量不同时,随着样本量的增加,各参数的均方误差和相对误差逐渐减小。最后,通过实证分析证明所提出的模型在实际应用中是切实可行的。再次,针对偏态数据组间存在均值和方差同时异质的情形,在均值异质的正态多层贝叶斯模型的基础上引入混合模型思想,提出了均值和方差均异质的对数正态多层贝叶斯模型,并给出该模型均值、方差和权重参数的EM算法公式和条件后验分布。数值模拟结果表明,在相同样本量与不同样本量的情形下,贝叶斯估计的相对误差和MSE均小于EM估计。最后,通过实证分析证明所提出的模型在实际应用中是切实可行的。最后,分析总结本文的工作与不足,并进一步指出未来研究工作思考的方向。

关键词：参数估计对数正态多层贝叶斯模型 gibbs算法相对误差均方误差

来源：评论

学校读者我要写书评

暂无评论

对数正态多层贝叶斯混合模型的参数估计

引用

西安文理学院学报（自然科学版） 2024年第2期27卷 16-24页

作者：王志凯黄介武贵州民族大学数据科学与信息工程学院贵阳550025

用传统的正态多层贝叶斯混合模型在对具有均值异质性和方差异质性的偏态分布数据进行统计推断时效果不佳.针对这一问题,本文对数正态多层先验分布的构造与贝叶斯定理相结合,并引入到混合模型中,从而建立了对数正态多层贝叶斯混合模型.... 详细信息

用传统的正态多层贝叶斯混合模型在对具有均值异质性和方差异质性的偏态分布数据进行统计推断时效果不佳.针对这一问题,本文对数正态多层先验分布的构造与贝叶斯定理相结合,并引入到混合模型中,从而建立了对数正态多层贝叶斯混合模型.在混合模型的混合个数(k)已知的情况下,利用gibbs抽样算法对各未知参数进行贝叶斯估计,并对使用gibbs算法所生成的迭代链进行收敛性诊断.随机模拟结果显示,在相对误差、均方误差(MSE)准则下,贝叶斯估计的效果较似然估计更优.最后,通过实证分析证明了所建立的模型是切实可行的.

关键词：混合模型正态多层贝叶斯混合模型对数正态多层贝叶斯混合模型贝叶斯估计 gibbs算法

来源：评论

学校读者我要写书评

暂无评论

基于Turbo码参数识别技术研究

基于Turbo码参数识别技术研究

引用

作者：刘美祯哈尔滨工程大学

学位级别：硕士

现代战争是信息化战争,若想赢得现代化战争必须获得主动权,信息侦察作为常用的军事手段也起着至关重要的作用。在非合作通信领域,截获信息的参数大多都是未知的,需要对信号的调制方式、编码方式以及编码参数进行破译,以便在敌我战争中... 详细信息

现代战争是信息化战争,若想赢得现代化战争必须获得主动权,信息侦察作为常用的军事手段也起着至关重要的作用。在非合作通信领域,截获信息的参数大多都是未知的,需要对信号的调制方式、编码方式以及编码参数进行破译,以便在敌我战争中取得主动权。本课题研究纠检错编码识别技术,是对信号进行比特级识别,在无任何先验知识的条件下完成编码参数的估计识别,从而获得截获的原始信息。Turbo码作为重要通信编码方式,其编码识别分析的重要性在通信侦察领域不可替代。常用的Turbo码编码是采用并行级联的方式将编码器和交织器级联,Turbo码的编码识别技术主要是对编码器的生成多项式系数及交织器的交织图案进行分析,但在信噪比较低和先验信息不足的情况下,编码识别分析的正确率很低。因而,为解决算法容错性差的问题,需要寻求一种新的解决方案,在不大幅度增加计算量的基础上,确保算法的容错性能更强。本文以增强算法容错性为研究目标,首先对选题的背景、研究意义以及Turbo码的研究现状做简单概述;其次介绍Turbo码中常用的编码方式及交织方式;最后介绍经典算法以及分别对交织器图案和编码器生成多项式识别提出新的解决方案,有效地解决了算法容错性差的问题,提高了算法在低信噪比条件下的识别率。主要研究内容简述如下:构建关于编码器生成多项式的编码校验函数,将生成多项式求解问题转化为极大值求解问题,利用校验函数对生成多项式参数求梯度,依据梯度上升法迭代更新生成多项式参数,完成对编码器生成矩阵识别。仿真分析表明在相同条件下,本文所述算法的容错性能较传统算法更佳。构建了编码识别等式对交织关系进行识别,在传统基于校验方程符合度算法的基础上,应用gibbs算法对每次的交织信息校正更新,使有效信息的可靠性增强,以便提升算法的容错性。通过仿真分析验证了算法在处理删余Turbo码和非删余Turbo码交织识别都具有更优的容错性。

关键词： Turbo码识别交织器识别校验函数 gibbs算法

来源：评论

学校读者我要写书评

暂无评论

对数正态多层贝叶斯模型的参数估计

引用

湖南文理学院学报（自然科学版） 2023年第3期35卷 12-19页

作者：王志凯黄介武贵州民族大学数据科学与信息工程学院贵州贵阳550025

为了更好地捕捉呈偏态分布数据的变化,提高统计推断的精确度,将对数正态多层先验分布的构造方法与贝叶斯定理结合建立了对数正态多层贝叶斯模型。利用gibbs抽样算法对各未知参数进行贝叶斯估计,并对使用gibbs算法所生成的迭代链进行收... 详细信息

为了更好地捕捉呈偏态分布数据的变化,提高统计推断的精确度,将对数正态多层先验分布的构造方法与贝叶斯定理结合建立了对数正态多层贝叶斯模型。利用gibbs抽样算法对各未知参数进行贝叶斯估计,并对使用gibbs算法所生成的迭代链进行收敛性诊断。随机模拟结果显示,在相对误差、均方误差(MSE)准则下,贝叶斯估计的效果较似然估计更优。最后,通过实证分析证明了所建立的模型是切实可行的。

关键词：正态多层贝叶斯模型对数正态多层贝叶斯模型贝叶斯估计 gibbs算法

来源：评论

学校读者我要写书评

暂无评论

HMC算法在随机波动模型上的应用

HMC算法在随机波动模型上的应用

引用

作者：熊思儒清华大学

学位级别：硕士

金融时间序列的波动长久以来是热门的研究方向,如果可以对波动进行合理地建模与分析,则可为投资者提供提供关于收益与风险的提示和参考,具有一定的现实意义。目前的波动模型主要分为两类,一类是ARCH类模型,另一类是随机波动模型。后者... 详细信息

金融时间序列的波动长久以来是热门的研究方向,如果可以对波动进行合理地建模与分析,则可为投资者提供提供关于收益与风险的提示和参考,具有一定的现实意义。目前的波动模型主要分为两类,一类是ARCH类模型,另一类是随机波动模型。后者通过引入一个新的随机过程,建立了波动本身的随机性,为波动提供了更多的自由度,因此,更贴合波动的实际情况。同时,模型的复杂度的提高为统计计算带来了挑战。而哈密顿蒙特卡洛方法,简称HMC算法,是一个较为理想的,适用于高维、复杂模型的蒙特卡洛方法,它基于MCMC算法,融合了分子动力学的思想,以提高马尔可夫链的接受率,从而提高计算效率。本文选取腾讯控股近3年的收益率数据,对数据进行了基本的数据分析和正态性,平稳性检验,提出了建立厚尾随机波动模型进行波动的刻画。然后,本文给出了 gibbs算法和HMC算法的计算步骤的推导。接着,本文分别使用gibbs算法和HMC算法对模型进行求解。从迭代轨迹图,后验密度函数图,Gelman-Rubin统计量,自相关函数图,接受率等角度,对两种算法进行了诊断和比较。本文发现,相比于gibbs算法,HMC算法在对随机波动模型进行求解时,确实有优越的性能。HMC算法可以更快,更平稳的收敛,其后验密度函数图更光滑,单峰,参数的自相关系数随着Lag的增加可以更迅速地下降到接近0的水平,并且马尔可夫链的接受率水平也处在一个较高的水平。本文也对HMC算法提出了改进,HMC算法质量参数的设定对算法的性能有较大的影响。本文提出,只需将需要进行参数估计的参数对应的质量设定为其使用gibbs算法估计出的方差之倒数即可。本文从运行时间和马尔可夫链的发散比例两方面,进行了实验,证明了这一做法比常用的使用估计出的协方差矩阵作为参数的逆质量矩阵,或者使用恒等矩阵作为逆质量矩阵的做法更优。最后,参数估计的结果表明,对于选取的股票而言,未来一段时间内波动的风险较大,可能出现大起大落的情况,并且波动水平具有一定的持续性,在未来的一段时间内很可能呈现类似的波动,但波动不易受到扰动,投资者需要做好应对风险的准备。

关键词： HMC算法 MCMC算法 gibbs算法随机波动模型

来源：评论

学校读者我要写书评

暂无评论

基于Dirichlet分布的混合广义线性模型的贝叶斯变量选择

基于Dirichlet分布的混合广义线性模型的贝叶斯变量选择

引用

作者：李可可长春工业大学

学位级别：硕士

基于Dirichlet分布的混合广义线性模型不仅能满足多个模型的建模需求,且应用十分广泛,对研究复杂类模型有着重要的意义。贝叶斯方法能简化复杂模型估计参数和变量选择的推导过程,解决了当模型较为复杂时,极大似然估计方法和EM估计方法... 详细信息

基于Dirichlet分布的混合广义线性模型不仅能满足多个模型的建模需求,且应用十分广泛,对研究复杂类模型有着重要的意义。贝叶斯方法能简化复杂模型估计参数和变量选择的推导过程,解决了当模型较为复杂时,极大似然估计方法和EM估计方法难以求得结果的问题。本文基于Dirichlet分布建立混合广义线性模型,用贝叶斯方法对参数进行估计,并对回归系数进行贝叶斯变量选择。全文内容包括两个部分。第一部分介绍了混合线性模型的贝叶斯估计及变量选择的推导过程。首先引入二元潜变量构建混合线性模型,然后假设未知参数的先验,得到后验似然函数,通过后验似然与先验的乘积得到未知参数的满条件分布,用gibbs算法和MH抽样算法抽取未知参数得到参数的估计值,挑选出回归系数。最后将模型应用到空气质量实测数据。第二部分在第一部分的基础上,基于Dirichlet分布构造混合广义线性模型,同样选取贝叶斯估计方法对参数进行估计,贝叶斯变量选择方法挑选变量。数值模拟四个混合成分的混合Poisson回归模型,验证了贝叶斯方法估计混合Poisson回归模型参数的有效性以及挑选回归系数的正确性。

关键词： Dirichlet分布混合广义线性模型 gibbs算法 MH抽样贝叶斯变量选择

来源：评论

学校读者我要写书评

暂无评论

基于马尔可夫链蒙特卡罗方法SV模型的贝叶斯估计

基于马尔可夫链蒙特卡罗方法SV模型的贝叶斯估计

引用

作者：朱亚莉清华大学

学位级别：硕士

波动性是研究金融市场的重要问题。Taylor在1986年提到的随机波动模型,来刻画波动性。近年来,随机波动模型经过不断发展丰富,衍生出许多形式。本文根据Bayes思想对SV族模型进行了Bayes分析,构造基于gibbs抽样的MCMC算法过程。同时由先... 详细信息

波动性是研究金融市场的重要问题。Taylor在1986年提到的随机波动模型,来刻画波动性。近年来,随机波动模型经过不断发展丰富,衍生出许多形式。本文根据Bayes思想对SV族模型进行了Bayes分析,构造基于gibbs抽样的MCMC算法过程。同时由先验分布,通过Winbugs软件对未知参数进行模拟估计。进一步地,通过实证研究近六年来上证指数以及标普500指数对中美股市进行比较分析。通过比较分析发现,近六年来中美股市都呈现较强的波动性,并且上证指数比标普500指数波动性更强,但沪市股票的波动的扰动水平更小。而标普500指数的波动水平比上证指数大,表明近六年来,一定程度上美国股市比沪市股市风险大。最后运用DIC准则比较分析分别适合近六年来中美股市波动性的SV模型。分析得出,近六年来中美股市都具有“尖峰、后尾”特点,对于上证指数,可以较好的描绘近六年来其特征的是SV-MT模型,针对标普500指数,可以较好的描绘近六年来其特征的是SV-MN模型。为了提高模拟的精度,本文提出使用QMC来进行MCMC的模拟。通过测试QMC-MCMC算法的可行性发现,与MCMC算法相比,QMC-MCMC算法不具有明显的优势及普遍适用性。

关键词： MCMC方法 SV模型贝叶斯估计 gibbs算法 DIC准则

来源：评论

学校读者我要写书评

暂无评论

偏正态空间Probit模型估计的蒙特卡洛研究

偏正态空间Probit模型估计的蒙特卡洛研究

引用

作者：马景民云南大学

学位级别：硕士

随着社会经济的不断发展和全球化进程的加剧,计量经济学体系在获得巨大发展机遇的同时,也面临着前所未有的挑战.一方面,由于数据的收集越来越容易,计量经济学体系可以应用的范围急剧扩张,越来越多的社会经济规律得以被揭示和研究;另一方... 详细信息

随着社会经济的不断发展和全球化进程的加剧,计量经济学体系在获得巨大发展机遇的同时,也面临着前所未有的挑战.一方面,由于数据的收集越来越容易,计量经济学体系可以应用的范围急剧扩张,越来越多的社会经济规律得以被揭示和研究;另一方面,随着数据量的不断增加和数据种类的不断丰富,传统的计量经济学模型体系在参数估计和模型拟合上所面临的困境也逐渐显现.如何扩大有关模型的适用范围,使其更好地发挥本身优势,是目前计量经济学体系研究中亟待解决的问题之一.在此背景之下,本文将偏正态分布和空间离散选择模型结合,考察带有偏正态扰动项的空间Probit模型及其有关性质,具有一定的积极意义.本文首先介绍了偏正态分布的相关重要性质,进而给出了带有偏正态扰动项的普通Probit模型和空间Probit模型.随后提出了估计偏正态普通Probit模型的极大似然方法和估计偏正态空间滞后Probit模型的EM算法、gibbs算法和广义矩方法,并通过蒙特卡洛模拟研究了极大似然方法、EM算法、gibbs算法和相应的估计正态模型的方法在估计带有偏正态扰动项的模型时的表现水平.最后将有关模型应用于拟合2014年我国30个省级行政区的碳强度数据.蒙特卡洛模拟的结果显示,对于偏正态普通Probit模型,极大似然估计的表现要好于估计正态Probit模型的方法;对于偏正态空间滞后Probit模型,当空间滞后系数处于0或0.1这样的低水平时,EM算法的估计表现最好,当空间滞后系数为0.45或0.8这样的中高水平时,正态模型的方法更值得考虑.另外,实例研究的结果表明,能耗强度对于碳强度高低的判定有显著影响,但基于共同边界的空间滞后效应对我国各省级行政区碳强度的影响较小.

关键词：偏正态分布空间Probit模型 EM算法 gibbs算法蒙特卡洛模拟

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：