• 论文 • 上一篇    下一篇

高维泊松回归的模型平均方法

周建红1,赵尚威2   

  1. 1. 广东金融学院信用管理系,广州 510521; 2. 中央民族大学理学院,北京 100081
  • 出版日期:2018-06-25 发布日期:2018-08-21

周建红,赵尚威. 高维泊松回归的模型平均方法[J]. 系统科学与数学, 2018, 38(6): 679-687.

ZHOU Jianhong, ZHAO Shangwei. Frequentist Model Averaging for High Dimensional Poisson Models[J]. Journal of Systems Science and Mathematical Sciences, 2018, 38(6): 679-687.

Frequentist Model Averaging for High Dimensional Poisson Models

ZHOU Jianhong1 ,ZHAO Shangwei2   

  1. 1. Department of Credit Management, Guangdong University of Finance, Guangzhou 510521; 2. College of Science, Minzu University of Chinese, Beijing 100081
  • Online:2018-06-25 Published:2018-08-21

当有很多候选模型并且不确定使用哪个模型时, 模型平均是一种值得采用的方法.} 相对于单个模型, 模型平均通常能够提高预测精度. 文章提出了高维泊松回归的模型平均方法, 证明了其最优性质, 并通过数值模拟发现该方法能够提高计数变量的预测精度. 同时, 考虑到高维数据下, 候选模型过多的问题, 文章也提出了一种新的模型筛选方法: 基于最小角回归 (LARS) 的LASSO (或ALASSO) 修正算法的模型筛选方法. 该种方法, 可以大大减少计算负担. 数值模拟也显示了该方法有很好的表现.

When there are many candidate models and people are uncertain which model to use, model averaging can be used. Comparing to using a single model, model averaging can improve the forecasting precision. In this paper, we propose a model averaging method for high dimensional Poisson regression model. The proposed model averaging is proved to enjoy an asymptotic optimality. Meanwhile, considering the issue that the candidate models are numerous under the high dimensional data, we propose a new method to select the candidate model set. This method is based on least angle regression (LARS)-LASSO (ALASSO) algorithm. It can reduce the number of the candidate models greatly, and effectively reduce the computation burden. Simulation results show that our model averaging improves finite sample performance over a range of estimators including the LASSO and ALASSO estimators.

()
[1] 乔鸽, 周建红, 李新民. 广义线性模型下模型平均的比较研究[J]. 系统科学与数学, 2021, 41(4): 1164-1180.
[2] 陈心杰,赵志豪.  高维纵向数据的模型平均估计[J]. 系统科学与数学, 2020, 40(7): 1297-1324.
[3] 高研,周建红,王海涛,张焕焕. 基于Jackknife模型平均方法的中国港口集装箱吞吐量预测[J]. 系统科学与数学, 2020, 40(4): 729-737.
[4] 王苗苗. 基于线性模型平均估计的置信区间[J]. 系统科学与数学, 2020, 40(10): 1866-1881.
[5] 朱容,邹国华,张新雨. 部分函数线性模型的模型平均方法[J]. 系统科学与数学, 2018, 38(7): 777-800.
[6] 王维维,张齐,李新民.  广义矩估计模型平均[J]. 系统科学与数学, 2018, 38(7): 801-812.
[7] 陈全润,杨翠红.  河南省粮食产量预测方法研究[J]. 系统科学与数学, 2018, 38(7): 813-822.
[8] 文丽,卢灿昭. 基于区域房价的空间自回归模型平均[J]. 系统科学与数学, 2018, 38(7): 830-840.
[9] 喻达磊,饶炜东,尹潇潇. 岭回归中基于广义交叉核实法的最优模型平均估计[J]. 系统科学与数学, 2018, 38(6): 652-661.
[10] 孙志猛,马倩雯,李潇宁. 网络结构数据空间回归模型的平均估计[J]. 系统科学与数学, 2018, 38(6): 662-678.
[11] 季琳琳,廖军,宗先鹏. 异方差线性测量误差模型的平均估计[J]. 系统科学与数学, 2018, 38(6): 688-701.
[12] 相鑫,刘秀丽. 四层参数自调整BP神经网络模型及其在人口死亡率预测中的应用[J]. 系统科学与数学, 2018, 38(6): 702-710.
[13] 李莉莉,崔迎鹏,卢睿,乔婧妍. 基于模型平均方法的基金绩效预测研究[J]. 系统科学与数学, 2018, 38(6): 711-724.
[14] 邱越,谢天.  运用最小二乘模型平均法预测外汇实际波动率[J]. 系统科学与数学, 2018, 38(6): 725-744.
[15] 吴登生,李建平,孙晓蕾. 考虑模型相关性的组合预测过程中单项模型筛选研究[J]. 系统科学与数学, 2017, 37(2): 449-459.
阅读次数
全文


摘要