导读:本文包含了线性时间序列模型论文开题报告文献综述及选题提纲参考文献，主要关键词:部分线性时间序列模型,半参数估计,韶关GDP
线性时间序列模型论文文献综述
王明辉,卢俊岚[1]（2018）在《一类部分线性时间序列模型的估计及其应用》一文中研究指出以一类部分线性时间序列模型为基础,引入一阶自回归项的线性分量和二阶自回归项的非线性分量,能够在一定程度上避免线性时间序列分析的缺陷,拓宽研究时间序列数据的思路.建立模型后,对韶关地区生产总值(韶关GDP)进行分析,并与其他模型估计结果做对比,检验模型的有效性.(本文来源于《韶关学院学报》期刊2018年12期）
孙晓宇,李卓然[2]（2016）在《基于线性时间序列模型对金融数据分析——以云南白药股票数据为例》一文中研究指出股票市场的繁荣与国民经济的活跃程度存在一致性,从宏观角度来说,股市的繁荣往往意味着一国或者一个地区的经济繁荣,从微观角度来看,股票市值的变动对上市企业乃至投资个体均是有较大影响的。因此对股票走势采用科学合理的研究方法对投资主体而言是及其必要的。本文基于云南白药上市公司股票数据,试图采用时间序列模型模型及其扩展对云南白药上市企业股票市值建立适合的时间序列模型对股票未来走势作出预测,研究结果表明,云南白药股票市值适合ARFIMA-EGARCH模型,预测误差最小,在实际分析中可作为参考。(本文来源于《时代金融》期刊2016年14期）
江晨阳[3]（2016）在《双线性时间序列模型的多变点估计及多个异常点挖掘》一文中研究指出在时间序列分析中,双线性模型的研究越来越重要,这是基于双线性模型能够很好拟合现实中许多非线性现象。其中,变点估计和异常点检测是双线性模型研究中的两个主要研究问题。本文分别采用贝叶斯方法和小波方法对含有多个变点和不同类型的异常点(单个异常点和成片异常点)的双线性模型进行检测。针对双线性时间序列模型里的变点估计和异常点检测问题,本文首先采用贝叶斯方法解决：针对变点估计问题,我们把多个变点当成多个随机变量,运用贝叶斯方法对这些变点进行估计；针对异常点检测问题,本文采用标准Gibbs抽样检测单个异常点,自适应Gibbs抽样检测成片异常点。针对同一问题,本文还提出了一种基于小波变换的双线性模型变点估计和异常点检测方法。一方面,针对变点估计问题,我们对序列进行多尺度小波分解,每个尺度相当于一层,在每一层找到多个变点,再把它们映射到原序列中,得到变点估计；另一方面,针对异常点检测问题,本文基于小波模极大值的相关理论,采用小波模极大值法检测序列的异常点。最后,本文通过模拟试验,验证了两种检测方法的可行性。通过对贝叶斯方法与小波变换两种方法的比较,本文发现如下结论：贝叶斯方法都更为精确,并能得到异常点的影响大小；小波方法在满足一定的准确率上所需的运行时间远远小于贝叶斯方法。(本文来源于《东南大学》期刊2016-02-24）
谭理想[4]（2012）在《双线性时间序列模型的Lasso方法定阶》一文中研究指出关于双线性时间序列模型BL(p,q,P,Q)的定阶问题,前人已经做了很多工作,并研究出了一些对于模型系数进行估计的优良算法,比如遗传算法等。但对于模型定阶的问题,我们希望模型回归的非零系数尽可能的少一些,并且这些非零参数对响应变量的影响尽可能的大。现有的模型定阶和参数回归方法并不能很好的满足这个要求。因此,我们需要引入Lasso方法,它的优势在于能够合理压缩模型参数。本文综合运用Lasso方法、广义交叉核实方法(统称为GcV)、最小角度回归(Lars)方法和逐步回归(Step)方法,即GLLS方法对BL模型进行定阶,并通过数据模拟和实例应用证明了利用GLLS方法拟合模型不但简洁、准确率比较高,而且模型系数估计能够收敛到全局最优解,这使得模型的稳定性更强。(本文来源于《南京大学》期刊2012-05-10）
毛丹梅[5]（2012）在《一类双线性时间序列模型的参数估计及检验》一文中研究指出双线性时间序列模型是一类非线性时间序列,因为双线性项的存在,使得研究问题很复杂。在对该模型的研究中,参数估计和检验是重要的研究内容。本文对一类双线性时间序列模型进行了相关研究,采用了不同的方法对双线行模型参数进行了估计和检验。本文重点讨论了双线性时间序列模型BL(2,0,1,1),介绍了的它的平稳条件和可逆条件,并用传统的线性模型预报理论研究了模型BL(2,0,1,1)的条件期望预报,得到了相关的预报结果。在假定平稳的条件下,分别用矩估计法,MCMC (?)估计法,以及用于模型ARMA的极大似然估法对模型BL(2,0,1,1)的参数进行了估计。并对极大似然估计做了模拟,并且得到比较满意的模拟结果。说明该方法是估计精度较高的估计。将图模型方法应用到双线性时间序列模型BL(2,0,1,1)参数检验上,将该模型表示成时间序列的链图模型,应用图的知识对其参数进行检验。在给定参数情况下模拟产生样本数据,对其非线性项系数进行了检验,得到的模拟结果较良好,并做了推广用到双线性模型BL(p,0,r,s)。解决了把该模型表示成图的关键问题---对非线性项的处理。(本文来源于《西南交通大学》期刊2012-05-01）
沈悦,周奎省,张学峰[6]（2010）在《线性时间序列计量模型选择方法探讨》一文中研究指出如何在诸多具有竞争性的模型中选择一个理想的模型是计量经济学近些年来的一个重要研究领域。文章以系统动力学系统性能评价理论为视角,对线性时间序列计量模型的选择方法做了探讨,认为系统动力学系统性能评价指标体系比计量模型评价指标体系合理,其不但可以克服计量模型选择方法的局限而且简单易行,为计量模型选择提供了一种新的思路。(本文来源于《统计与决策》期刊2010年21期）
郭栋[7]（2010）在《部分线性时间序列模型置信带研究》一文中研究指出部分线性模型是一种重要的统计模型.本文考虑了时间序列数据下的部分线性模型的置信带构造问题.首先,本文给出了关于核函数以及时间序列模型的一些背景知识.然后,我们利用核函数给出了构造置信带所需要的估计.接着,我们使用前面所给出的估计得到了模型线性部分和非线性部分的联立置信带,且置信带的收敛是渐进正确的,并利用置信带解决了模型中的假设检验问题.最后,我们给出一个具体的模拟图对估计效果进行检验.(本文来源于《大连理工大学》期刊2010-11-01）
李元,罗羡华,叶伟彰,黄香[8]（2008）在《基于图方法的自回归和双线性时间序列模型系数的检验》一文中研究指出自回归和双线性时间序列模型被表示为时间序列链图模型.在此基础上,证明了自回归和双线性模型的系数为其他时间序列分量给定的条件下的条件相关系数.然后提出基于图的检验方法来检验自回归和双线性模型系数的显着性,模拟结果表明此方法在水平和功效方面表现很好.(本文来源于《中国科学(A辑:数学)》期刊2008年11期）
施叁支[9]（2005）在《应用MCEM算法估计一阶双重线性时间序列模型中的参数》一文中研究指出本文利用MonteCarloEM算法实现了对一阶双重线性时间序列模型的参数的估计。推出了估计模型中两个未知参数m与σ2的迭代步骤,并对模型进行了模拟计算,给出了模拟计算的结果。(本文来源于《长春理工大学学报》期刊2005年01期）
王海斌,韦博成,陈浩球[10]（2004）在《下叁角双线性时间序列模型的近似叁阶矩结构和双谱密度》一文中研究指出下叁角双线性时间序列模型,特别是它的一些简单的特殊情况,被许多人研究过.但对于一般形式,目前,只知道其二阶结构(自协方差和谱)与线性ARMA模型相似.而反映该模型特征的叁阶结构(叁阶矩和双谱),由于既繁琐又复杂而很难获得(文献中尚未见报道).该文给出一种计算叁阶矩和双谱的近似方法.特别地,对于可分离的下叁角双线性时间序列模型,得到了比较简洁实用的计算公式.(本文来源于《数学物理学报》期刊2004年04期）
线性时间序列模型论文开题报告
（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：
股票市场的繁荣与国民经济的活跃程度存在一致性,从宏观角度来说,股市的繁荣往往意味着一国或者一个地区的经济繁荣,从微观角度来看,股票市值的变动对上市企业乃至投资个体均是有较大影响的。因此对股票走势采用科学合理的研究方法对投资主体而言是及其必要的。本文基于云南白药上市公司股票数据,试图采用时间序列模型模型及其扩展对云南白药上市企业股票市值建立适合的时间序列模型对股票未来走势作出预测,研究结果表明,云南白药股票市值适合ARFIMA-EGARCH模型,预测误差最小,在实际分析中可作为参考。
（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。
线性时间序列模型论文参考文献
[1].王明辉,卢俊岚.一类部分线性时间序列模型的估计及其应用[J].韶关学院学报.2018
[2].孙晓宇,李卓然.基于线性时间序列模型对金融数据分析——以云南白药股票数据为例[J].时代金融.2016
[3].江晨阳.双线性时间序列模型的多变点估计及多个异常点挖掘[D].东南大学.2016
[4].谭理想.双线性时间序列模型的Lasso方法定阶[D].南京大学.2012
[5].毛丹梅.一类双线性时间序列模型的参数估计及检验[D].西南交通大学.2012
[6].沈悦,周奎省,张学峰.线性时间序列计量模型选择方法探讨[J].统计与决策.2010
[7].郭栋.部分线性时间序列模型置信带研究[D].大连理工大学.2010
[8].李元,罗羡华,叶伟彰,黄香.基于图方法的自回归和双线性时间序列模型系数的检验[J].中国科学(A辑:数学).2008
[9].施叁支.应用MCEM算法估计一阶双重线性时间序列模型中的参数[J].长春理工大学学报.2005
[10].王海斌,韦博成,陈浩球.下叁角双线性时间序列模型的近似叁阶矩结构和双谱密度[J].数学物理学报.2004
标签：部分线性时间序列模型; 半参数估计; 韶关GDP;