• 论文 • 上一篇    下一篇

基于Jackknife模型平均方法的中国港口集装箱吞吐量预测

高研1,周建红2,王海涛3,张焕焕4   

  1. 1. 中央民族大学统计系, 北京 100081; 2. 广东金融学院信用管理系,广州 510521; 3. 中国标准化研究院,北京 100191; 4. 中国信息通信研究院, 北京 100191
  • 出版日期:2020-04-25 发布日期:2020-05-30

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.

GAO Yan, ZHOU Jianhong, WANG Haitao, ZHANG Huanhuan. Forecasting Chinese Ports Container Throughput Based on the Jackknife Model Averaging Method[J]. Journal of Systems Science and Mathematical Sciences, 2020, 40(4): 729-737.

Forecasting Chinese Ports Container Throughput Based on the Jackknife Model Averaging Method

GAO Yan1 ,ZHOU Jianhong2, WANG Haitao3, ZHANG Huanhuan4   

  1. 1. Department of Statistics, Minzu University of China, Beijing 100081; 2. Department of Credit Management, Guangdong University of Finance, Guangzhou 510521; 3. China National Institute of Standardization, eijing 100191; 4. China Academy of Information and Communications Technology, Beijing 100191
  • Online:2020-04-25 Published:2020-05-30

使用多元序列的Jackknife模型平均(JMA)方法平均 向量自回归模型, 并将该方法用于预测中国六大港口的集装箱吞吐量. 由于 JMA方法在自相关异方差结构下的渐近最优性, 因此更适用于具有大的波 动性、复杂性和不规则性的港口集装箱吞吐量的预测. 另外, 相比单序列, 多 元序列的JMA平均方法也考虑了港口之间的相关影响因素. 比较发现, 在大多 数案例中, 此方法比常用模型选择和模型平均方法具有更高的预测精度.

This paper applies the Jackknife model averaging (JMA) method to average the multivariate vector autoregressive model. This method is utilized to forecast six Chinese ports container throughputs. Due to the asymptotic optimality of the JMA estimator under a setting that assumes exogeneity of regressors but allows for both serial correlation and heteroscedasticity, it is more suitable for forecasting ports container throughputs which have large volatility, complexity and irregularity. Besides, compared to univariate vector autoregressive model, JMA with multivariate vector autoregressive model considers the related influencing factors among ports. The empirical analysis shows that the JMA method performs better than some commonly used model selection and model averaging methods in most cases.

()
[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] 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.
[4] 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.
[5] 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.
[6] 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.
[7] 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.
[8] 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.
[9] 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.
[10] 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.
[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] 陈心洁,林鹏. 工具变量线性回归模型的平均估计[J]. 系统科学与数学, 2015, 35(12): 1546-1562.
阅读次数
全文


摘要