發(fā)布時間：2021-11-08 02:34

　　變量選擇是多元線性統(tǒng)計模型建立過程中一個很重要的環(huán)節(jié),基于不同的需求,可以通過構(gòu)建不同的約束來進行變量選擇。本文將要介紹的LARS-Lasso算法的主要目的是篩掉一些對因變量影響較小的變量,其主要包含了兩方面的內(nèi)容,一方面為變量選擇的Lasso方法,另一方面為最小角回歸(Least Angel Regression)算法。主要思想是對經(jīng)典的最小二乘問題加上絕對值約束,構(gòu)建變量選擇問題,然后運用拉格朗日乘子法,將經(jīng)典的拉格朗日乘子視為可以構(gòu)造的參量進行LARS算法的迭代,再根據(jù)Lasso的約束條件對解的要求對LARS的迭代過程加以修正來得到符合要求的解。在此基礎上,我們用該算法對國內(nèi)生產(chǎn)總值(GDP)建立了一個估計模型,并對經(jīng)濟指標進行分析,得到對國內(nèi)生產(chǎn)總值影響較大的因子以及與此對應的估計式,并對2011年GDP的增長率做了預測。為了考察樣本大小對算法精準度的影響,本文又采用小樣本模型對GDP進行了估計,并對兩種情況進行了比較,進一步說明了大樣本對估計精度的重要性。

【文章來源】： 山東大學山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：41 頁

【文章目錄】：
摘要
Abstract
1 引論
    1.1 變量選擇的必要性
    1.2 變量選擇的發(fā)展及要求
2 變量選擇對估計和預測的影響
3 變量選擇的Lasso方法
4 最小角回歸算法(LARS)
5 LARS算法與Lasso方法的聯(lián)系
    5.1 LARS算法的Lasso改變
    5.2 LARS以及Lasso解的性質(zhì)
    5.3 LARS-Lasso算法的補充說明
6 國內(nèi)生產(chǎn)總值影響因素分析
    6.1 大樣本時的GDP模型
    6.2 小樣本模型
參考文獻
致謝
學位論文評閱及答辯情況表



本文編號：3482830