最經(jīng)典的參數(shù)估計方法是最小二乘法（OLS）,但是OLS對于異常值是非常敏感的.最小一乘（LAD）和分位數(shù)回歸（QR）方法對于響應變量重尾分布是穩(wěn)健的,然而LAD具有任意小的相對效.當隨機誤差項服從重尾分布時,QR方法相對于OLS方法更加高效.隨后,組合分位數(shù)回歸（CQR）方法對其進行了改進,且CQR方法保持了 QR方法對響應變量重尾分布穩(wěn)健的優(yōu)良性質(zhì).與此同時,CQR方法也具有QR方法對于解釋變量中的異常值比較敏感的缺點.當異常值存在于解釋變量中時,CQR方法的擬合效果以及預測效果會受到嚴重影響.另外,基于懲罰的變量選擇由于其簡便性以及選擇的穩(wěn)健性一直是近二十多年來的熱門課題之一,實際數(shù)據(jù)中,維數(shù)發(fā)散情況下變量間多存在多重共線性問題.單水平的變量選擇可能會遺漏一些重要變量,為了解決變量間的多重共線性問題需要考慮帶有組效應的變量選擇方法.本文的創(chuàng)新之處在于提出了一種穩(wěn)健加權的組合分位數(shù)回歸（WCQR）方法,對于每個觀測值賦予一個權重以降低高杠桿點,抵御解釋變量中異常值的影響.其次,本文提出在超高維數(shù)據(jù)的情況下利用主成分法對數(shù)據(jù)集進行降維以解決矩陣不可逆問題.結(jié)合穩(wěn)健的WCQR函數(shù)和具有組... 

【文章來源】：曲阜師范大學山東省

【文章頁數(shù)】：40 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 引言
    1.1 選題背景
    1.2 研究現(xiàn)狀
    1.3 本文研究內(nèi)容及安排
第2章 模型介紹以及理論結(jié)果
    2.1 模型介紹
    2.2 理論結(jié)果及證明
第3章 算法與數(shù)值模擬
    3.1 權重的計算
    3.2 調(diào)整參數(shù)的選擇
    3.3 算法
    3.4 數(shù)值模擬
    3.5 實例分析
第4章 總結(jié)
參考文獻
致謝



本文編號：3398751