导读:本文包含了区间自回归论文开题报告文献综述及选题提纲参考文献，主要关键词:自回归模型,相合估计,正态分布,置信区间
区间自回归论文文献综述
彭毳鑫,殷珍妮,赵志文[1]（2018）在《自回归模型参数和的置信区间估计》一文中研究指出文章讨论自回归模型参数的估计问题,给出了自回归模型参数和的估计,证明了估计量的极限分布为正态分布。在此基础上,给出了极限分布渐近方差的相合估计,进而构造模型参数和的渐近置信区间。通过随机模拟研究说明本文所给出的方法具有可行性。(本文来源于《统计与决策》期刊2018年15期）
章磊[2]（2018）在《多维区间值向量自回归时间序列模型理论研究和实证分析》一文中研究指出经典时间序列模型在很多领域发挥着重要的作用,作为经典时间序列模型的拓广与实际应用的需要,区间值时间序列模型应运而生。在本文中,我们主要研究的是多维区间值向量自回归时间序列模型。在第一章中,主要介绍了集值随机变量、区间值线性回归模型和区间值时间序列模型的发展与现状,并阐述本文主要研究内容。在第二章中,首先给出一维区间值随机变量的期望以及方差,接着定义了多维区间值随机向量交叉协方差,并且研究了其相关性质。在第叁章中,我们利用多维区间值随机向量的期望和交叉协方差定义了多维区间值平稳时间序列,并且证明其交叉协方差的一些简单性质。然后,通过多维区间值平稳时间序列定义广义多维区间值白噪声。最后,给出了均值估计和交叉协方差矩阵估计,并且证明均值估计的无偏性,还证明了交叉协方差矩阵估计的渐近无偏性。在第四章中,主要建立了多维区间值向量自回归模型(IVAR)。首先考虑了IVAR(1)模型,研究其平稳条件和矩方程。然后将IVAR(2)模型和IVAR(p)模型转变为IVAR(1)模型,从而研究一般模型的平稳条件和矩方程。第二,通过区间值观测数据的中心和半径进行信息准则定阶。第叁,给出最小二乘估计和Yule―Walker估计,证明参数估计的无偏性、相合性和渐近正态性。第四,利用聚类的思想,给出了K-NN预测方法。最后,对IVAR(1)模型进行随机模拟,从而验证了所提两种参数估计方法的有效性。在第五章中,利用第四章中的IVAR模型对股市中主板市场与创业板市场的两只股票价格进行实证分析。分别比较了最小二乘估计和Yule-Walker估计得到的预测价格与用K-NN方法得到的预测价格,验证了参数估计方法的有效性。(本文来源于《北京工业大学》期刊2018-05-01）
唐娜娜[3]（2017）在《带约束条件的区间线性回归及自回归时间序列模型》一文中研究指出在经济、金融、气象等很多领域,经常需要处理区间值数据.以往人们常用取区间值中的某单点值代替区间值进行分析,这样会损失很多信息.本文将区间值做为一个整体数据处理,主要研究的是带约束条件的区间值线性回归模型与带约束条件的区间值自回归的时间序列模型.首先我们介绍了集值随机变量及其期望,方差等基本概念,并将区间值作为集值的特例给出区间值随机变量相关结论.然后对已存在的区间值回归模型进行归纳总结,同时分析了每个模型的优缺点.针对以往模型,通过模型预测存在区间左端点有时会大于其右端点这一问题.为此,我们建立了一种新的带约束条件的区间值线性回归模型.在模型中,由于约束条件的存在,使得误差项的条件期望不等于0,如果直接用最小二乘估计得到的系数估计将会存在系统偏差.为解决该问题,我们提出了一种两步估计方法:第一步通过生成一个中间变量使得误差项的在约束下的条件期望为0,从而建立一个新的线性回归模型,第二步对新模型在区间值的d2距离下的最小二乘进行参数估计.该方法主要结合极大似然估计和最小二乘估计两种方法.在带约束条件的区间值回归模型的基础上,我们研究了带约束条件的区间值自回归时间序列模型,同时也运用两步估计方法解决了参数估计的系统偏差问题.通过蒙特卡洛模拟将其与经典最小二乘估计的结果进行比较,证明了两步估计方法的有效性.然后我们根据叁个评价标准将本文所建立的模型及方法分别与已存在模型及方法进行对比,进一步说明该模型的优越性,最后分别运用一个实例来进一步说明该模型及方法的实用性。(本文来源于《北京工业大学》期刊2017-04-01）
孔娟娟[4]（2016）在《基于多步向前预测误差分布的默示有效估计构造自回归时间序列预测区间》一文中研究指出基于预测残差,我们提出了自回归时间序列的多步向前预测误差分布的核分布估计。在一般的假设条件下,证明了该核分布估计具有默示有效性,即与基于观测不到的预测误差所得的不可行核分布估计及经验分布估计一致渐近等价。并由该核分布估计构造出分位数的默示有效估计,进而构造出多步向前预测区间,可以证明该预测区间的覆盖率渐近等于事先给定的置信水平。模拟结果证实了该渐近理论。(本文来源于《苏州大学》期刊2016-05-01）
徐惠[5]（2015）在《自回归时间序列误差分位数的默示有效估计及预测区间》一文中研究指出我们提出了一个新的自回归时间序列AR(p)误差分位数的估计量,它是基于YuleWalker残差的核光滑化.在一些假设条件下,我们证明了这个新的估计量默示有效于用真实误差估计的分位数,因此它具有后者的渐近正态分布.利用这个新的估计量,我们构造出了AR(p)未来值的预测区间,证明了其渐近达到事先规定的置信水平.大量数据模拟研究验证了文章的理论结果,同时我们以对一例实际数据的应用阐释提出的方法.(本文来源于《苏州大学》期刊2015-04-01）
黄冬婷,吕效国,薛佳凤[6]（2014）在《基于自相关的自回归模型的区间估计》一文中研究指出当自回归模型的随机误差项之间存在相关关系时,用普通最小二乘估计自回归模型中的参数将对参数估计式的统计特征、参数显着性检验及预测分析产生不利影响.因此,应采取适当的方法消除自相关的影响.研究了自回归模型消除自相关后的预测区间估计,针对常见的自回归模型,分别求出其相应的预测区间估计公式.(本文来源于《高师理科学刊》期刊2014年02期）
万昆,柳瑞禹[7]（2012）在《区间时间序列向量自回归模型在短期电力负荷预测中的应用》一文中研究指出电力负荷数据通常随着时间的不同而呈现一定的波动性。针对电力负荷随着时间波动呈现出一个范围波动的特点,采用区间时间序列估计与向量自回归相结合的方法对短期电力负荷进行预测,预测结果拟合良好,提高了电网公司对电力负荷的预测精确度,为电网公司制定负荷预报曲线提供精准数据信息,为电网公司编制电力负荷计划提供理论支持和有效的方法。(本文来源于《电网技术》期刊2012年11期）
区间自回归论文开题报告
（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：
经典时间序列模型在很多领域发挥着重要的作用,作为经典时间序列模型的拓广与实际应用的需要,区间值时间序列模型应运而生。在本文中,我们主要研究的是多维区间值向量自回归时间序列模型。在第一章中,主要介绍了集值随机变量、区间值线性回归模型和区间值时间序列模型的发展与现状,并阐述本文主要研究内容。在第二章中,首先给出一维区间值随机变量的期望以及方差,接着定义了多维区间值随机向量交叉协方差,并且研究了其相关性质。在第叁章中,我们利用多维区间值随机向量的期望和交叉协方差定义了多维区间值平稳时间序列,并且证明其交叉协方差的一些简单性质。然后,通过多维区间值平稳时间序列定义广义多维区间值白噪声。最后,给出了均值估计和交叉协方差矩阵估计,并且证明均值估计的无偏性,还证明了交叉协方差矩阵估计的渐近无偏性。在第四章中,主要建立了多维区间值向量自回归模型(IVAR)。首先考虑了IVAR(1)模型,研究其平稳条件和矩方程。然后将IVAR(2)模型和IVAR(p)模型转变为IVAR(1)模型,从而研究一般模型的平稳条件和矩方程。第二,通过区间值观测数据的中心和半径进行信息准则定阶。第叁,给出最小二乘估计和Yule―Walker估计,证明参数估计的无偏性、相合性和渐近正态性。第四,利用聚类的思想,给出了K-NN预测方法。最后,对IVAR(1)模型进行随机模拟,从而验证了所提两种参数估计方法的有效性。在第五章中,利用第四章中的IVAR模型对股市中主板市场与创业板市场的两只股票价格进行实证分析。分别比较了最小二乘估计和Yule-Walker估计得到的预测价格与用K-NN方法得到的预测价格,验证了参数估计方法的有效性。
（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。
区间自回归论文参考文献
[1].彭毳鑫,殷珍妮,赵志文.自回归模型参数和的置信区间估计[J].统计与决策.2018
[2].章磊.多维区间值向量自回归时间序列模型理论研究和实证分析[D].北京工业大学.2018
[3].唐娜娜.带约束条件的区间线性回归及自回归时间序列模型[D].北京工业大学.2017
[4].孔娟娟.基于多步向前预测误差分布的默示有效估计构造自回归时间序列预测区间[D].苏州大学.2016
[5].徐惠.自回归时间序列误差分位数的默示有效估计及预测区间[D].苏州大学.2015
[6].黄冬婷,吕效国,薛佳凤.基于自相关的自回归模型的区间估计[J].高师理科学刊.2014
[7].万昆,柳瑞禹.区间时间序列向量自回归模型在短期电力负荷预测中的应用[J].电网技术.2012