复制
收藏
提问
学术
1个月前
帕金森回归模型
17
信任
复制引用信息
面板数据的自适应 Lasso 分位回归方法研究
打开网页
如何在对参数进行估计的同时自动选择重要解释变量，一直是面板数据分位回归模型中讨论的热点问题之一。通过构造一种含多重随机效应的贝叶斯分层分位回归模型，在假定固定效应系数先验服从一种新的条件Laplace分布的基础上，给出了模型参数估计的Gibbs抽样算法。考虑到不同重要程度的解释变量权重系数压缩程度应该不同，所构造的先验信息具有自适应性的特点，能够准确地对模型中重要解释变量进行自动选取，且设计的切片Gibbs抽样算法能够快速有效地解决模型中各个参数的后验均值估计问题。模拟结果显示，新方法在参数估计精确度和变量选择准确度上均优于现有文献的常用方法。通过对中国各地区多个宏观经济指标的面板数据进行建模分析，演示了新方法估计参数与挑选变量的能力。
2014发表Physics
信任
复制引用信息
基于LOWESS的函数系数自回归模型(FAR)优化及应用
打开网页
2020-04-14发表
信任
复制引用信息
一般线性回归模型——参数估计、假设检验、回归预测
打开网页
经济计量学中,对单一的线性回归模型的参数估计,最常用的是普通最小平方回归法(Ordinary Least Squares regression method,简记 OLS。下同)。然而,只当模型(1)满足所谓“标准线性回归模型”时,应用 OLS 才能保证所得参数估计量具有最优性质(即线性、无偏、方差最小的统计特性);才能保证假设检验推理的正确性;才能保证预测量的最优性。
1988发表Engineering
查看更多来源（17）
理解问题帕金森回归模型
已完成理解「帕金森回归模型」
展开阅读网页
更专业一些 
转笔记
专业
帕金森回归模型不在提醒
帕金森回归模型是一种用于分析和预测时间序列数据的统计方法，它特别适用于处理具有趋势性或季节性特征的数据。该模型通过引入自回归项来捕捉数据的动态变化，从而提高预测的准确性。在经济、金融、环境科学等领域有广泛的应用。
📈 帕金森回归模型概述
帕金森回归模型，也称为自回归模型（AR模型），是一种时间序列分析方法。它通过模型中的自回归项来描述数据的动态特性，即当前值与过去值之间的关系。这种模型能够捕捉数据的自相关性，从而提高预测的准确性。19
🔍 模型构建
构建帕金森回归模型通常包括以下步骤：
- 数据收集：收集时间序列数据，确保数据的完整性和准确性。
- 模型识别：通过观察数据的自相关图和偏自相关图来确定合适的模型阶数。
- 参数估计：使用最小二乘法、极大似然法或其他方法估计模型参数。
- 模型检验：通过残差分析、单位根检验等方法检验模型的适用性和稳定性。
- 预测：利用估计的模型进行未来值的预测。
🛠️ 参数估计方法
参数估计在帕金森回归模型中非常关键。常用的参数估计方法包括：
- 普通最小二乘法（OLS）：适用于线性回归模型，要求误差项满足独立同分布的假设。3
- 极大似然法：适用于更广泛的模型，包括非线性模型。
- 贝叶斯方法：通过引入先验分布，可以处理小样本问题或参数估计的不确定性。
🔬 模型诊断
模型诊断是确保模型适用性和预测准确性的重要步骤。常用的诊断方法包括：
- 残差分析：检查残差的独立性和同方差性。
- 单位根检验：如ADF检验，用于确定时间序列的稳定性。
- 异方差性检验：检查误差项的方差是否恒定。
📊 应用实例
帕金森回归模型在多个领域有广泛应用，例如：
- 经济预测：预测GDP增长率、通货膨胀率等宏观经济指标。
- 金融市场分析：预测股票价格、汇率等金融时间序列。
- 环境科学：分析气候变化、污染水平等环境指标。
📚 进一步学习资源
为了更深入地理解和应用帕金森回归模型，可以参考以下资源：
- 统计学和计量经济学教材：提供模型的理论基础和数学推导。
- 软件教程：如R、Python等，提供模型构建和预测的实际操作指导。
- 专业论文：通过阅读最新的研究论文，了解模型的最新发展和应用案例。
通过以上步骤和方法，可以有效地构建和应用帕金森回归模型，以提高时间序列数据的预测准确性。