导读:本文包含了整值时间序列论文开题报告文献综述及选题提纲参考文献，主要关键词:COD,广元清风峡,嘉陵江,水污染程度
整值时间序列论文文献综述
徐宇[1]（2019）在《嘉陵江广元市清风峡2007-2017年COD值时间序列特征值分析》一文中研究指出本文以嘉陵江广元清风峡2007-2017年连续十年的水质监测COD资料为依据,采用时间序列特征分析建模,对动态数据进行相关分析,从不同角度讨论COD的数值变化波动情况,并作相关性趋势分析,研究水体受有机物污染的程度。结果表明:在近十年间,嘉陵江广元清风峡水质基本达到要求,受污染程度不高。最后在研究基础上,提出了保护水资源和治理水污染的建议和对策。(本文来源于《风景名胜》期刊2019年10期）
杨艳秋[2]（2019）在《混合整值时间序列模型的统计推断》一文中研究指出本文主要研究混合整值时间序列模型的统计推断问题.首先把经验似然原理应用到混合整值自回归模型上,建立了混合整值自回归模型参数的经验似然比统计量及其极限分布,得到了参数的置信域,并通过数值模拟研究了置信域的覆盖率.研究表明,在不同的边际分布下一阶混合整值自回归模型参数的置信域覆盖率都接近于置信水平.其次,我们研究了p阶混合整值自回归模型参数的加权条件最小二乘估计和极大拟似然估计,并用数值模拟的方法对一阶混合整值自回归模型和二阶混合整值自回归模型的加权条件最小二乘估计,极大拟似然估计和条件最小二乘估计进行了比较.再次,考虑了基于负二项稀疏算子“*”的整值自回归模型参数的统计推断问题,将模型约束在相应的平稳域内,在二次损失函数下,给出了参数的Bayes估计,并通过数值模拟给出了Bayes估计的偏差和均方误差.由于贝叶斯估计较最小二乘估计和Yule-Walker估计多加入了先验信息,将未知参数看作随机变量,得到估计的偏差更小,同时给出了模型的实例分析和模型预测.最后,我们研究了缺失数据下p阶混合整值自回归模型的参数估计问题,给出了缺失数据的个案剔除法,不插补条件最小二乘估计法,均值插补法和桥式插补法,并在不同缺失概率下给出了参数估计的偏差和均方误差.(本文来源于《吉林大学》期刊2019-06-01）
刁亚静[3]（2019）在《基于INMA模型的高频整数值时间序列的统计推断》一文中研究指出高频数据广泛存在于金融、医疗、教育、互联网等领域中。例如股票市场每分钟的成交量、保险公司某产品的理赔次数、某高校大学生每分钟进出图书馆的人数等。由于高频数据较低频数据更能体现出各领域数据的真实特征和高波动性,因此国内外一些学者已经开始使用高频数据对股市交易进行研究。近年来,整数值时间序列模型在处理高频数据方面引起了学者们的关注,并已经获得了一些有意义的研究成果,其中运用合适的整数值时间序列模型研究变量的数据特征和变化规律显得尤为重要。本文的主要研究内容是整数值滑动平均模型的参数估计及其在高频数据中的应用问题。首先,回顾了时间序列及高频数据的一些预备知识,包括基本的时间序列模型,高频数据的建模方法及一些常见的稀疏运算等。其次,在新息序列二阶矩有限的条件下,研究了整数值滑动平均模型的矩估计和拟似然估计。为了给出拟似然估计的解析形式,本文给出了对新息序列的一种近似方法。再次,讨论了一阶整数值滑动平均模型的两种扩展形式:其一是带解释变量的整数值滑动平均模型。其二是高阶整数值滑动平均模型。并讨论了扩展模型的估计问题。在实证分析中,用整数值滑动平均模型拟合中国国贸股票(股票代码:600007)的高频日内交易数据。发现所研究的模型对该组数据的拟合的效果良好,这种方法比已有的方法更具有一般性。(本文来源于《长春工业大学》期刊2019-06-01）
陶志富,刘金培,朱家明,陈华友[4]（2018）在《区间值时间序列预测效果测度研究》一文中研究指出传统的区间时间序列有效性度量方法在处理具有同等水平绝对误差的不同区间信息时具有一定的局限性,为了更全面的反映区间值时间序列的预测效果,本文基于区间的相对位置,提出了包含可信度,有效度,趋势误差和动态相关性指标等在内的多个预测效果测度。本文首先就传统的区间值预测效果测度进行了梳理和定性分析,就不同位置的预测区间所体现的预测效果及其测度进行了分析和定义。为从整体上对多个区间值预测结果进行调整和优化,提出区间值组合预测方法,并基于所构建预测效果测度构建最优化模型确定组合预测各单项方法的权重,结合上证综合指数的实例表明所提方法的可行性和合理性。(本文来源于《模糊系统与数学》期刊2018年04期）
张立强,迟明雨,于梅菊[5]（2018）在《基于一阶整值时间序列模型的犯罪数据的分析与预测》一文中研究指出本文针对美国匹兹堡市每月的盗窃犯罪数据,利用几类常见的一阶整值时间序列模型对数据进行拟合,根据AIC和BIC标准,结果表明负二项的INAR(1)模型拟合效果是最优的,最后基于负二项的INAR(1)模型给出了该组数据的预测。(本文来源于《科技风》期刊2018年17期）
闵祥晖[6]（2018）在《基于p阶混合算子的整值离散时间序列分析及其应用》一文中研究指出在现实生活以及经济领域中,存在着大量的离散时间序列,单纯的使用连续时间序列模型进行拟合离散时间序列已经不足以满足学术研究的需要。越来越多的学者投入到离散时间序列的研究中来,探索离散时间序列背后的统计规律。从保证离散时间序列的合理性,准确性以及简便性来讲,在现有的离散时间序列建模中,基于Thinning算子的INAR(p)模型备受青睐。学者们相继提出了具有不同边际分布的INAR(p)模型,以及它们的参数估计方法,并且进行了积极的应用研究。鉴于INAR(p)模型与连续时间序列模型具有很多相似的性质,我们选择在INAR(p)模型的基础上加入混合算子,即Pegram混合算子。本文的工作是将Pegram混合算子与主流的Thinning算子模型相结合,形成新的离散时间序列应用模型。模型拓展了平稳非负整值模型,且建立了p阶非负整值混合算子(MPT(p))模型。MPT(p)模型充分考虑了数据的自相关性和离散性,并且使用模拟研究以证明模型的有效性。同时本文还给出了MPT(p)模型的自相关结构,采用Yule-Walker方程估计出参数,并且研究了该模型的参数性质。通过模拟数据,表明本模型参数估计效果,并且创新性地将模型应用于股票交易量数据中,通过数据预测结果得到了MPT(2)的预测一致优于INAR(2)模型模型预测的结论,这表明本文提出的模型可以实现较好的短期预测,具体操作如下:首先,为了证明模型的优良性质,本文证明了模型的自回归函数与AR(p)模型相同,这就保证本模型在参数估计中可以很方便的使用Yule-walker方程进行参数的估计。同时证明了MPT(p)模型的预测公式与AR(p)模型相同,并给出了一步转移矩阵和概率生成函数,为接下来的数值模拟奠定了很好的基础。其次,使用模型的累计分布求逆的方式,证明了模型数据的随机性优良,而后为了证明Yule-walker方程估计是有效的,本文选择了叁种不同的参数组合,同时选择了不同的蒙特卡洛数据量进行数据的模拟。模拟结果证明Yule-walker方程可以有效的对模型的参数进行估计,证明了模型的合理有效性。为了验证本文提出的MPT(p)模型是在经验建模中具备优秀的应用前景,本文还进行了实证模拟。最后,本文在个股的买家交易量数据这一实际数据上,应用自回归图和偏自相关图确定了模型阶数,建立了MPT(2)模型。通过残差分析证明,本模型可以充分有效地提取出实际数据的有效信息,并且针对主流的INAR(2)模型进行了预测值以及趋势的对比分析,给出了成功率的预测,证明了本模型的优良性质。(本文来源于《重庆大学》期刊2018-05-01）
王歆旸[7]（2017）在《几类整值时间序列模型的拟似然推断和变量选择问题》一文中研究指出作为时间序列分析的一个重要分支,整值时间序列在近些年来得到了越来越多统计工作者的关注.本文主要研究了几类整值时间序列模型的拟似然推断和变量选择问题.首先,我们研究了基于符号广义幂级数稀疏算子的p-阶整值自回归模型(GINARS(p))的拟似然推断问题.我们得到了模型参数的极大拟似然估计并且给出了估计量的渐近分布以及参数的拟似然置信域.其次,我们讨论了带有协变量的一阶整值自回归模型(INAR(1))的变量选择问题.我们选择自适应LASSO作为惩罚函数对模型进行了惩罚条件最小二乘(PCLS)估计,删除了影响误差项方差的非显着协变量,从而降低了模型的复杂程度同时又提高了模型的精确性.进一步地,我们证明了所得惩罚估计量的相合性与oracle性.最后,我们研究了具有稀疏结构的Poisson自回归模型的变量选择问题.我们提出了一种惩罚条件极大似然(PCML)估计并使用该方法对具有稀疏结构的Poisson自回归模型进行了参数估计,删除了模型中的非显着变量,使模型变得更加精确简洁.在理论方面,我们证明了惩罚条件极大似然估计为相合估计并且满足oracle性。(本文来源于《吉林大学》期刊2017-11-01）
张宁[8]（2015）在《离散值时间序列的统计分析》一文中研究指出本文主要研究了离散值的ARMA(p, q)模型,在定义了Pegram混合算子*的情况下,研究了DAR(p)的让步比函数θ(h),再进一步推广到一般的DARMA(p,q)模型的θ(h),我们分析了二项分布和一般分布的情况。我们用Yule-Walker方程法、最大似然估计法给出了自回归系数φj的估计,以及自回归系数的Fisher矩阵等。我们还给出了离散值时间序列模型选择的新准则：HTIC准则,它比AIC、BIC准则更有效,本文从DAR(p)模型对该准则的适用性推广到了一般DARMA(p, q)的适用情况,然后文章给出了拟合优度检验方法。文章的最后给出了皇马的比赛数据分析结果,通过自相关、偏相关系数图的分析,还有AIC、BIC、HTIC准则的运用,建立了DAR(2)模型,取得了比较好的效果。(本文来源于《南京大学》期刊2015-04-01）
贾博婷[9]（2014）在《缺失数据下一类整值时间序列的统计推断》一文中研究指出本文主要研究缺失数据下整值时间序列的统计推断问题.首先,我们研究了缺失数据下具有周期T的一阶整值自回归过程(PINAR(1)T)的参数估计问题,利用五种不同的方法对该过程的参数进行估计,同时利用随机模拟验证了这五种方法的可行性,并比较了它们的优劣.其次,针对具有周期性变化规律的整值时间序列数据,我们提出一种具有周期结构的几何一阶整值自回归过程(PNGINAR(1)T),得到了此过程的一系列概率统计性质,并且研究了完全数据和不完全数据下此过程的参数估计问题.最后,针对有缺失数据的整值时间序列,我们给出两种插补缺失数据的非参数方法,通过数值模拟研究方法的插补效果,并且将上述两种方法应用到一组实际数据上.(本文来源于《吉林大学》期刊2014-05-01）
宇世航[10]（2014）在《基于整值时间序列离散风险模型的渐近推断》一文中研究指出本文在重尾索赔下,研究了四种基于整值时间序列离散风险模型的渐近推断问题.首先,考虑了索赔计数过程满足Poisson INMA(1)序列口Poisson INMA(q)序列离散风险模型,在C族重尾索赔下建立了累积索赔总额的精细大偏差,并借助大偏差的结果给出有限破产概率的渐近等价形式,同时利用蒙特卡洛法模拟破产概率并与我们的渐近结果比较,验证了结论的有效性.然后,又分别考虑了索赔计数过程满足Poisson INAR(1)序列口Poisson INARCH(1)序列两类离散风险模型,在C族下获得了累积索赔总额的精细大偏差,在S族下获得了累积索赔总额尾概率的渐近下界,进而利用大偏差的结果获得C族下有限破产概率的渐近等价式,同时进行模拟研究.文章的最后,考虑了解释变量有误差的一阶自回归模型,利用核实数据的方法,对其参数建立了经验似然比统计量,并在一定条件下证得了统计量的极限分布是加权卡方的,进一步又给出了调整经验似然比,证得它的极限分布是标准卡方分布,从而确立了参数的置信区域,并通过随机模拟验证了我们提出方法的有效性.(本文来源于《吉林大学》期刊2014-05-01）
整值时间序列论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要研究混合整值时间序列模型的统计推断问题.首先把经验似然原理应用到混合整值自回归模型上,建立了混合整值自回归模型参数的经验似然比统计量及其极限分布,得到了参数的置信域,并通过数值模拟研究了置信域的覆盖率.研究表明,在不同的边际分布下一阶混合整值自回归模型参数的置信域覆盖率都接近于置信水平.其次,我们研究了p阶混合整值自回归模型参数的加权条件最小二乘估计和极大拟似然估计,并用数值模拟的方法对一阶混合整值自回归模型和二阶混合整值自回归模型的加权条件最小二乘估计,极大拟似然估计和条件最小二乘估计进行了比较.再次,考虑了基于负二项稀疏算子“*”的整值自回归模型参数的统计推断问题,将模型约束在相应的平稳域内,在二次损失函数下,给出了参数的Bayes估计,并通过数值模拟给出了Bayes估计的偏差和均方误差.由于贝叶斯估计较最小二乘估计和Yule-Walker估计多加入了先验信息,将未知参数看作随机变量,得到估计的偏差更小,同时给出了模型的实例分析和模型预测.最后,我们研究了缺失数据下p阶混合整值自回归模型的参数估计问题,给出了缺失数据的个案剔除法,不插补条件最小二乘估计法,均值插补法和桥式插补法,并在不同缺失概率下给出了参数估计的偏差和均方误差.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
整值时间序列论文参考文献
[1].徐宇.嘉陵江广元市清风峡2007-2017年COD值时间序列特征值分析[J].风景名胜.2019
[2].杨艳秋.混合整值时间序列模型的统计推断[D].吉林大学.2019
[3].刁亚静.基于INMA模型的高频整数值时间序列的统计推断[D].长春工业大学.2019
[4].陶志富,刘金培,朱家明,陈华友.区间值时间序列预测效果测度研究[J].模糊系统与数学.2018
[5].张立强,迟明雨,于梅菊.基于一阶整值时间序列模型的犯罪数据的分析与预测[J].科技风.2018
[6].闵祥晖.基于p阶混合算子的整值离散时间序列分析及其应用[D].重庆大学.2018
[7].王歆旸.几类整值时间序列模型的拟似然推断和变量选择问题[D].吉林大学.2017
[8].张宁.离散值时间序列的统计分析[D].南京大学.2015
[9].贾博婷.缺失数据下一类整值时间序列的统计推断[D].吉林大学.2014
[10].宇世航.基于整值时间序列离散风险模型的渐近推断[D].吉林大学.2014