一、季节模型参数估计量的经验偏差和均方误差(英文)（论文文献综述）
解康[1]（2021）在《基于参数和非参数方法的PM2.5浓度区域预测模型研究》文中提出空气质量和碳排放的研究,对于调整工业生产计划和城市化速度具有重要战略意义。提高PM2.5浓度定量预测的科学性和准确性,一直是各级政府、环保和科研部门关注的热点问题。一方面,运用多源多要素的气象观测数据,强调区域结构和区域影响;另一方面,把现代统计方法的先进研究成果应用到预测模型的建立中。为了改进单站点模型重复建模和只考虑局地影响的不足,本文基于江苏省2013-2018年13个城市PM2.5浓度和地面常规气象要素的日值数据,研究PM2.5浓度的参数和非参数区域预测模型。所有建立的区域预测模型都是数据驱动的,对于PM2.5的排放源、物理化学转变机制和气象影响机制的依赖较小。主要研究内容如下:（1）对江苏省13个城市的PM2.5浓度、温度、气压、相对湿度和风速分别进行经验正交函数（EOF）分析,分解成空间模态EOFs和时间膨胀系数ECs。并基于各变量的第一时间膨胀系数EC1选择预测因子。选择方法反映了中小尺度气象场对PM2.5的区域协同影响作用,突显了PM2.5受气象传输影响的物理意义。（2）基于EOF分析、主成分回归（PCR）建立一种新的PM2.5浓度参数区域预测模型EOF-PCR。结果显示,模型的四季平均预测准确率为64.99%。EOF-PCR区域模型优点为高效和有效。一方面,以更少的计算能力和速度同时预测区域PM2.5浓度;另一方面,预测结果达到较好精度。（3）基于一个新的窗宽因子*和自适应N-W核回归估计量（ANWKRE）,提出了一种基于可变窗宽的改进自适应N-W核回归估计量（A*NWKRE）。实例分析结果表明,改进的A*NWKRE对于曲线的拟合效果明显优于使用固定窗宽的N-W核回归估计量（NWKRE）和使用可变窗宽的ANWKRE。（4）基于EOF分析和A*NWKRE建立一种新的PM2.5浓度非参数区域预测模型EOF-A*NWKRE。结果显示,模型的四季平均预测准确率为74.56%。EOF-A*NWKRE区域模型优点为避免高维数据对非参数方法的影响。相比于参数区域模型,以更少的数据输入量得到更高的预测精度。
于治[2]（2021）在《存在站址误差的椭圆定位算法设计与硬件加速》文中研究表明无线定位技术正在深刻地影响着人类的生产生活方式。作为无线定位系统的工作方式之一,椭圆定位（Elliptic Localization）问题一直受到广泛关注。国内外研究者对椭圆定位系统中的测量技术、噪声模型与定位算法进行了大量的研究,并且不断开发出准确性高、稳定性强和实时性好的目标定位算法。在目前已有的算法研究中,基于到达时间差与基于角度的观测量多用于估计目标的位置,基于多普勒频移的观测量则用于估计运动目标的速度。这些算法大多假设定位系统的基站不存在站址误差。本文针对存在站址误差的多发射基站多接收基站的椭圆定位系统,使用到达时间差、多普勒频移两种观测量对目标进行定位。为了降低站址误差对定位精度的影响,本文设计了两种不同的定位算法,并针对算法中涉及的大量矩阵乘法运算设计了一种基于硬件平台的运算加速结构。首先,本文考虑使用存在站址误差的椭圆定位系统对运动目标进行定位。该系统联合到达时间差和多普勒频移的观测量对目标位置和速度进行联合估计。根据参数估计理论分析了系统的混合克拉默-拉奥下界,为定位性能的评估提供了指标。通过参数变换、模型线性化两阶段处理,设计了一种将站址误差等价为观测误差处理的非迭代估计器,给出了算法的详细推导过程。通过实验研究站址误差对算法性能的影响。结果表明本文所设计的非迭代估计器在估计性能方面优于常用的闭式解算法,并且在小噪声条件下算法可以达到混合克拉默-拉奥下界。此外还通过大规模模拟实验证明了所提出的估计器偏差低且运算量较小。其次,对接收基站受环境影响产生站址误差的椭圆定位系统,本文通过引入校正源（位置确定已知的发射源）来削弱站址误差对定位性能的负面影响。首先通过克拉默-拉奥下界的分析说明了校正源引入的可行性。然后利用校正源求出站址误差的线性最小均方误差估计量,得到改进的站址坐标。最后提出一种基于校正站址的两步加权最小二乘算法,获得精确的目标位置估计。实验分别考虑了观测误差和站址误差对定位精度的影响,对比了不同估计量的均方根误差。实验表明,使用校正源可以减少站址误差带来的定位精度损失,提高定位性能。并且,观测误差越小,校正源带来的性能提升越显着。最后,考虑到定位场景中基站数目增多时,算法中相关矩阵规模增大,本文设计了算法关键部分的硬件加速方案。为了解决中央处理器（Central Processing Unit,CPU）对大规模矩阵计算求解缓慢的问题,基于现场可编程门阵列（Field Programmable Gate Array,FPGA）平台提出一种多处理单元（Process Element,PE）高速并行的硬件加速结构。通过大规模矩阵的LU分解得到三角矩阵,分析三角矩阵的稀疏特性将矩阵分块。在FPGA端为每个块搭建一个处理单元进行运算,实现了多个处理单元并行运算的二维单向环网结构。实验结果表明,所提出的硬件加速结构对于大规模矩阵乘法运算有良好的加速效果,运算性能优于通用的CPU和图形处理器（Graphics Processing Unit,GPU）。
刘道东[3]（2021）在《基于半参数模型汽车销量影响因素研究》文中指出汽车产业作为我国重要的支柱型产业之一,在国民经济中起着举足轻重的作用。汽车不仅扩大了人们出游的半径、给人们的生活带来了方便与舒适,还影响着社会生产力的发展。我国在2001年加入WTO之后,入市的汽车产业经历了井喷式发展,汽车的总产销量从2002年的300万辆跨到了2019年的2576万辆。近些年来汽车产业的快速发展促使着很多汽车公司都在盲目的扩大产量,盲目的生产不仅会造成人力、物力等资源的浪费,甚至还可能动摇整个国民经济。为有效地解决汽车产量过剩问题,本文通过分析汽车销量影响因素,建立半参数回归模型对汽车销量进行预估,对我国汽车行业健康持续发展具有重大意义。首先,本文分析影响我国汽车销量的主要因素,选取了居民消费价格指数、消费者信心指数、钢产量、燃料均价以及私人汽车拥有量五大影响指标,通过格兰杰因果关系检验,定性的说明五大影响指标均是影响汽车销量的原因,再通过灰色关联分析计算灰色关联系数,定量的证明出五大影响指标与汽车销量的关联程度比较强,其中钢产量和燃料均价与汽车销量的关联程度最强。其次,本文利用2010年1月到2018年12月汽车销量以及五大影响指标的月度数据,进行描述性统计分析和正态性检验,通过相关系数矩阵和共曲线性矩阵预设出两个半参数回归模型,通过求解线性回归模型和非线性回归模型确定出模型的线性项和非参数项,然后对两个半参数回归模型的线性部分和非参数部分分别进行参数估计和非参数估计,得到预测汽车销量的两个半参数回归模型。最后,选取2019年1月至2020年7月（不包含2020年2月）的汽车销量相关数据作为测试集,用两个半参数回归模型分别对汽车销量作出预测,通过比较两个半参数回归模型的平均绝对误差、均方误差以及拟合优度,得出半参数回归模型2（居民消费价格指数和消费者信心指数放在同一个非参数项中）对汽车销量拟合效果相对比较好。
李明泽[4]（2021）在《威布尔分布参数估计方法的研究》文中指出三参数威布尔分布是一种比较完善的,而且能更准确地描述元件设备疲劳寿命的概率分布。本文主要利用五种估计法:极大似然估计、L矩估计、百分位法、矩估计和对数法对威布尔分布的形状参数α、尺度参数β和位置参数θ进行估计,并比较哪种方法性能最优。首先,介绍了三参数威布尔分布和极大似然估计的相关理论。并且运用极大似然估计法求出参数的估计量。运用Newton迭代数值法,结合MATLAB语言编写程序,利用疲劳寿命试验的时间数据得到未知参数α,β,θ的极大似然估计值。其次,介绍了新的估计法L矩估计,根据相关定义给出了威布尔分布的参数估计量。并且运用对数法,矩估计法和百位法对三参数威布尔分布进行研究讨论,分别给出它们的参数估计量。最后,通过给定样本数据,用偏差和均方误差作为衡量标准。通过分别以样本容量n=100和样本容量n=1000对用五种估计方法所求的威布尔分布三个参数的估计值进行分析。根据MATLAB软件绘出的偏差和均方误发随样本变化曲线图,得出从整体看得出极大似然估计无论是样本容量是小还是大的展现的性能最好。其次是L矩估计法,百分位法和矩估计法,最差的是对数估计法整体表现结果不够理想。
秦飞[5]（2020）在《面板计数数据的样条估计》文中研究表明本文建立了同时包含时变系数和非时变系数的面板计数数据模型。本文构建了四种回归样条估计量,以对比伪似然函数和全似然函数,以对比对模型中的非负函数本身及其对数形式分别用样条估计的差别。本文首次提出了似然函数框架下的惩罚样条估计方法,并将其跟上述最好的回归样条估计方法进行对比。对于惩罚样条估计方法,本文提出了一种基于交叉验证的得分值用于选择光滑参数,并推导出了其易于计算的公式,该得分值不仅能同时选择多个光滑参数,还能选择样条的节点数。本文还对比了四种算法,其中算法1为Projected Newton-Raphson算法,我们验证了在这四种算法中只有它具有全局收敛性。本文通过大量的数值模拟发现:对非负函数本身还是其对数形式用样条估计是否有区别因模型不同而异,取决于它们对应似然函数的复杂程度是否有别;全似然样条估计量往往比伪似然样条估计量有更小的偏差绝对值和均方误差,但需要更长的计算时间;综合估计准确性和计算时间,本文推荐使用伪似然函数下对非负函数的对数形式用样条估计的方法;惩罚样条估计方法比回归样条估计方法的均方误差小约25%,且有时也会有更小的偏差绝对值;惩罚样条估计量的bootstrap方差估计接近于蒙特卡洛方差;当模型误设存在时惩罚样条估计方法仍旧有较高的估计准确性;将惩罚样条估计方法应用到小儿哮喘数据后,发现了IL5对哮喘的时变效应。本文的主要创新点在于:首次研究了带有时变系数的面板计数数据模型的全似然样条估计,首次提出了对模型中的非负函数本身（而非其对数形式）直接用回归B样条进行估计的思路,首次研究了似然函数框架下面板计数数据的惩罚样条估计并揭示了其优于回归样条估计。
曾婕[6]（2020）在《缺失数据下几类回归模型的模型选择和模型平均》文中进行了进一步梳理统计学是一门收集数据、分析数据和解释数据的学科.当实际工作者获取了一组数据后,可以利用统计学工具拟合出众多模型,但如何寻找出最合适的模型一直是统计学的热门研究课题.太过复杂的模型可能导致估计或预测的方差过大,而过于简单的模型又可能造成估计或预测存在较大的偏差.为了解决此问题,在过去的几十年,学者们提出了多种模型选择准则和方法,如AIC（Akaike’s information criterion）、BIC（Bayesian information criterion）、FIC（focused information criterion）、Mallows’Cp、交叉验证、LASSO（least absolute shrinkage and selection operator）和 SCAD（smoothly clipped absolute deviation）等等.依据这些准则或方法,可以从众多的候选模型中寻找到最佳的模型,然后把选定的模型当作真实的数据产生过程,之后的统计推断完全依赖于该模型.模型选择方法虽然在一定程度上解决了上述问题,但这些方法本身也有着明显的缺陷.例如,稳健性不够理想,忽视模型选择阶段产生的不确定性,可能遗失有用信息,推断存在高风险等.为了避免这些缺陷,一个行之有效的方式是采用将多个模型组合起来的模型平均方法.与模型选择方法只挑选出单一的最优模型不同,模型平均方法组合了来自多个候选模型的估计或预测,不仅考虑了模型选择阶段带来的不确定性,还避免了选取单一模型的潜在风险,从而能减小估计或预测的均方误差,提高稳健性.近年来,模型平均方法得到了长足的发展,取得了大量的研究成果.其中一个重要的研究方向是频率模型平均（Frequentist model averaging,FMA）方法,它主要关注两个问题:一个是选取模型平均最优权重;另一个是确定模型平均估计量的渐近分布.若单从估计或者预测的角度来看,模型选择可视为模型平均的特例.然而,模型平均方法不应完全代替模型选择方法,它们可以是互为补充的关系,例如多位学者提出先进行模型选择,进而在选出的模型基础上进行模型平均.缺失数据是现代统计实践中一种重要的复杂数据类型.探究缺失数据下的统计分析方法是近年来统计研究的热点.本学位论文拟在缺失数据下,基于借补方法或逆概率加权方法,讨论几类回归模型（部分线性模型、部分线性变系数模型以及线性分位数回归模型）的模型选择和模型平均问题,推导出具体模型下的模型选择准则以及平均估计量的渐近分布.具体来说,论文的主要内容包括以下四个方面.（1）对于半参数部分线性模型,讨论响应变量随机缺失下的模型选择和模型平均问题.基于借补方法和权函数方法得到各候选子模型下参数的估计及其渐近性质,推导FIC模型选择准则和FMA估计量,给出模型平均估计量的渐近分布,为兴趣参数构造合适的置信区间.通过数值模拟验证所提方法的有限样本表现.（2）对于响应变量随机缺失下的部分线性变系数模型,研究基于借补法和剖面最小二乘技术的FIC模型选择准则和相应的S-FIC（smoothed FIC）模型平均估计量.在局部误设定框架下,证明各候选子模型中兴趣参数估计量的渐近正态性,在此基础上给出FIC计算公式,以进行模型选择和构造S-FIC模型平均估计量的权重函数,最后推导出FMA估计量的渐近性质.模拟研究和实例分析均表明所提方法的有效性.（3）以响应变量随机缺失下的部分线性变系数模型为研究对象,通过基于协变量平衡倾向得分的逆概率加权方法得出FIC计算公式和FMA估计量.在局部误设定框架下,探讨FIC和FMA的理论性质.模拟研究不仅说明了基于协变量平衡倾向得分的逆概率加权方法的稳健性,而且体现出所提出的模型平均估计方法的优越性.（4）对于线性分位数回归模型,探究协变量随机缺失时的模型平均问题.首先定义各候选子模型下回归系数的加权分位数回归估计量,然后证明各候选子模型下参数及其函数的估计量的渐近正态性,接着给出模型平均估计的渐近分布,最后基于模型平均估计量构造覆盖真实兴趣参数的概率趋近于名义水平的置信区间.模拟研究表明,就均方误差和覆盖概率而言,所研究的模型平均估计优于相应的模型选择估计.
朱永辉[7]（2020）在《基于非凸惩罚似然法的稳健回归和离群值检测研究》文中提出目前最常用的普通最小二乘估计通过极小化离差平方和,寻找最佳的参数估计值,这可以得到一个比较理想的结果。但现实统计数据中普遍存在离群值,最小二乘回归方法并不能准确进行统计分析。甚至只要有一个离群值,都会负面干扰到估计结果的精确性。而能保证高崩溃点和高有效性的稳健回归方法就显示出重要的现实意义。本文使用的基于惩罚似然的稳健回归方法在常规的线性回归模型中加入一个均值漂移参数,使用正则化方法将该参数稀疏化。通过测试发现,使用非凸惩罚可以更好地处理高杠杆离群值,而一个观测值是不是离群值就等同于检验均值漂移参数是否非0,之后在因变量中减去确定的均值漂移参数,使用最小二乘法得到对回归参数的估计。本文使用M、S、JD三个指标综合评价各方法在识别离群值方面的表现,使用均方参数误差来评价估计模型对真实模型的拟合效果。通过将表现更为优秀的基于非凸惩罚似然的稳健回归方法与REWLS估计、MM估计对比,发现基于非凸惩罚似然的稳健回归的确在稳健性和离群值检测能力上具有更好的性质,崩溃点更高,可以解决一个或多个高杠杆离群值存在时,常用的稳健回归方法效果不佳的问题。该方法在模拟测试中获得了更为可靠的结果,同时本文也对其中存在的问题进行了讨论。本文将初步测算基于惩罚似然的稳健回归方法的经验崩溃点和有效性,进一步完善该方法。本文还尝试使用稳健马氏距离分别结合REWLS估计、MM估计的残差进行离群值探测,发现这样的做法在淹没效应上表现更好,可以纠正少部分估计本身的错误识别,并且崩溃点要稍高一些。
郑月晨[8]（2020）在《长度偏差数据下Cox比例风险模型的变量选择》文中认为Cox 比例风险模型是生存分析中应用最为广泛的模型之一,已广泛应用到各个领域.关于Cox模型的变量选择,已有不少文献进行研究.然而,在实际应用中,有时还会碰到这样的情况,个体只有满足一定的前提条件时才有可能被观测到,这种情况下得到的数据叫截断数据.当截断变量服从均匀分布时,所观测到的生存时间称为长度偏差数据.本文主要研究了长度偏差数据下Cox 比例风险模型的变量选择.由于是长度偏差数据,经典的偏似然函数已不再适用.本文结合复合部分似然函数和Adaptive Lasso的思想,给出了长度偏差数据下Cox 比例风险模型的变量选择方法.为了求解估计方程,本文采用改进的Shooting算法,得出（?）j的值.为保证变量选择的效果,采用GCV法对调整参数λ进行选择.通过大量的模拟计算展示了所给方法的变量选择效果和参数估计精度,并将Adaptive Lasso方法与Lasso和SCAD方法进行了比较.通过对不同维数、不同样本量、不同删失率等情况下的模拟计算,我们发现Adaptive Lasso方法无论是在变量选择上还是非零参数的估计精度上,都要优于Lasso和SCAD方法,具有较好的变量选择效果.作为实例应用,我们还用所提方法对奥斯卡数据集进行研究,分析这些获得奥斯卡奖的演员的寿命与是否获奖及其他影响因素之间的关系.由于只有当演员的死亡时间大于首次提名时间,其生存时间才会被观测到,所以该数据集属于长度偏差数据.所得结果表明所提方法表现较好,进一步证实了本文所提方法的有效性.理论上,我们证明了长度偏差数据下Adaptive Lasso方法的相合性和Oracle性质.因此本文研究长度偏差数据下Cox模型的变量选择是具有一定的理论价值与实际意义的.
孙士清[9]（2020）在《带协变量密度比模型下依从者因果效应的半参数推断》文中提出因果推断是目前比较热门的研究领域,主要探究自变量的改变对于因变量的影响。随机试验是研究因果推断的常用方法。因为随机试验可以很好地控制冗余变量带来的混杂效应,所以其被认为是因果推断的黄金方法。在随机试验中,出于用户体验或者试验道德等角度的考量,并非每个样本都愿意接受试验处理,这就为试验数据的统计推断带来了挑战。试验真正关心的研究目标为处理是否对样本产生了显着的影响。文献中已经有一些常用的方法可以处理此类问题,比如工具变量法、符合计划书分析和根据治疗分析。以上这些方法所需的假设较强,当假设不满足的时候,三种方法的估计效率不高且可能存在偏差。为此Cheng,Qin&Zhang（2009）[6]提出了对假设依赖较少的密度比经验似然方法。由于其方法没有引入协变量的信息,可能会有效率损失。因此,如何在模型中引入协变量的信息并且保留密度比模型的优良性是一个值得研究的问题。本文在带协变量的密度比模型下,提出了对依从者因果效应进行半参数统计推断的经验似然方法。我们在虚拟事实模型下,假设不同的子人群之间服从密度比假设。利用经验似然方法构造半参数似然函数,从而对模型参数和依从者因果效应进行统计推断。我们确定了参数估计的渐近性质以及因果效应检验统计量的极限分布。通过数值模拟表明,方法能够更好地估计和检验依从者因果效应。当协变量有一定解释能力的时候,本文方法在检验功效和估计的均方误差上表现比原有方法更好。随着协变量解释能力的增强,本文方法获得的提升越大。最后,我们在JOBS II的真实试验数据上说明了如何使用本文的方法,并且比较了本文方法和其他方法的估计结果。通过对结果的分析,我们发现实验前基础抑郁评分basedep比较低的人群,就业辅导能够更好地降低他们的抑郁水平。但是对于实验前基础抑郁评分basedep比较高的人群,就业辅导效果并不明显,需要结合试验内容去探究原因。
郭怡杏[10]（2020）在《概率性交通需求预测方法研究》文中认为近些年,我国国民经济迅速发展,民航运输业的增长势头一直处于猛增的状态,航空运输需求持续攀升,其运行压力逐渐辐射蔓延至机场、终端区及其周边的航路扇区,形成高密度的航路网络,造成了空中交通拥堵频现、飞行矛盾加剧、航班延误增加等新的紧张局面。为了缓解繁忙机场及其周边航路网络日益频发的拥堵问题,需要实施科学的拥堵管理手段,其前提之一就是准确、客观地预测空中交通流量。本文面向以国内典型繁忙机场为对象,开展概率性交通需求预测方法研究,旨在通过把握交通需求的不确定性量级和特征,量化需求预测不确定性的大小来实现提升空中交通流量管理的性能,从而得出空中交通需求的概率密度预测结果。首先,本文结合我国典型繁忙机场——广州白云国际机场交通拥堵的现实问题,从容量、天气等方面分析影响机场交通需求的主要因素及其作用方式;其次,基于交通需求影响因素,对广州白云国际机场进行数据特征分析,利用神经网络强大的非线性自适应能力和分位数回归的样本拟合能力,更准确地描述解释变量,建立适用于繁忙机场的概率性交通需求预测模型;然后,提出将神经网络分位数回归和核密度估计相结合的概率性交通需求预测方法,基于广州白云国际机场实际运行数据,对所提预测模型与方法进行实例分析;最后,采用传统的BP神经网络预测方法对广州白云国际机场未来的交通需求进行预测,通过对比两种方法的预测结果及误差,进一步验证了本文所采用的概率性交通需求预测方法比传统的确定性预测方法更准确、更有效。
二、季节模型参数估计量的经验偏差和均方误差(英文)（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、季节模型参数估计量的经验偏差和均方误差(英文)（论文提纲范文）
（1）基于参数和非参数方法的PM2.5浓度区域预测模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 参数和非参数统计方法 |
| 1.2.2 PM_(2.5)浓度预测 |
| 1.3 研究内容与创新点 |
| 1.3.1 研究内容 |
| 1.3.2 创新点 |
| 第二章 研究区域与资料 |
| 2.1 研究区域概况 |
| 2.2 PM_(2.5)分布特征分析 |
| 2.2.1 PM_(2.5)时间分布特征 |
| 2.2.2 PM_(2.5)空间分布特征 |
| 2.3 气象要素对PM_(2.5)浓度的影响 |
| 第三章 基于参数方法的PM_(2.5)浓度区域预测模型 |
| 3.1 EOF分析 |
| 3.1.1 经验正交函数分解 |
| 3.1.2 PM_(2.5)浓度和气象要素的EOF分析 |
| 3.2 基于EOF-PCR的 PM_(2.5)浓度区域预测 |
| 3.2.1 预测因子的选择 |
| 3.2.2 PM_(2.5)浓度区域预测模型 |
| 3.3 EOF-PCR区域预测模型的效果评估 |
| 3.3.1 时间系数序列的拟合效果 |
| 3.3.2 站点PM_(2.5)浓度预测的综合效果 |
| 3.4 本章小结 |
| 第四章 基于非参数方法的PM_(2.5)浓度区域预测模型 |
| 4.1 研究方法 |
| 4.1.1 N-W核回归估计量 |
| 4.1.2 缺一交叉验证法 |
| 4.2 自适应N-W核回归估计量的改进 |
| 4.2.1 自适应核密度函数估计 |
| 4.2.2 改进的自适应N-W核回归估计量 |
| 4.2.3 实例分析 |
| 4.3 基于EOF-A*NWKRE的 PM_(2.5)浓度区域预测 |
| 4.3.1 核函数及窗宽的选择 |
| 4.3.2 PM_(2.5)浓度区域预测模型 |
| 4.4 EOF-A*NWKRE区域预测模型的效果评估 |
| 4.4.1 时间系数序列的拟合效果 |
| 4.4.2 站点PM_(2.5)浓度预测的综合效果 |
| 4.5 本章小结 |
| 第五章 参数和非参数区域预测模型效果对比 |
| 5.1 时间系数序列预测效果对比 |
| 5.2 区域PM_(2.5)浓度拟合效果对比 |
| 5.3 站点PM_(2.5)浓度预测效果对比 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 研究展望 |
| 参考文献 |
| 个人简介 |
| 致谢 |
| 附录一 其他季节气象要素对PM_(2.5)浓度的影响 |
| 附录二 气象要素的EOF分解 |
| 附录三 参数区域预测模型研究 |
| 附录四 非参数区域预测模型研究 |
（2）存在站址误差的椭圆定位算法设计与硬件加速（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展动态分析 |
| 1.2.1 椭圆定位算法 |
| 1.2.2 考虑站址误差的无线定位算法 |
| 1.3 论文内容与组织结构 |
| 第二章 预备知识 |
| 2.1 引言 |
| 2.2 常用定位场景及其数学模型 |
| 2.2.1 基于AOA的定位方法 |
| 2.2.2 基于TDOA的定位方法 |
| 2.2.3 基于TDOA和 FDOA联合定位的方法 |
| 2.3 定位误差 |
| 2.4 定位性能评估 |
| 2.4.1 偏差 |
| 2.4.2 均方误差与均方根误差 |
| 2.4.3 克拉默-拉奥下界 |
| 2.5 站址误差对定位性能的影响 |
| 2.6 椭圆定位的闭式算法 |
| 2.6.1 两步最小二乘法 |
| 2.6.2 约束加权最小二乘法 |
| 2.7 小结 |
| 第三章 将站址误差等价为观测误差的椭圆定位算法 |
| 3.1 引言 |
| 3.2 问题与定位模型 |
| 3.3 性能界分析 |
| 3.4 非迭代估计器设计 |
| 3.4.1 算法第一阶段 |
| 3.4.2 算法第二阶段 |
| 3.5 仿真实验结果 |
| 3.5.1 定位性能比较 |
| 3.5.2 估计偏差分析 |
| 3.5.3 多目标定位实验分析 |
| 3.5.4 大规模模拟实验分析 |
| 3.6 小结 |
| 第四章 基于校正源处理站址误差的椭圆定位算法 |
| 4.1 引言 |
| 4.2 校正源条件下的定位算法 |
| 4.3 定位场景 |
| 4.4 引入校正源的可行性分析 |
| 4.5 基于校正源的站址修正 |
| 4.6 基于校正站址进行定位 |
| 4.7 实验结果分析 |
| 4.7.1 校正源条件下的定位算法性能 |
| 4.7.2 噪声功率对定位性能的影响 |
| 4.8 小结 |
| 第五章 基于FPGA平台的硬件加速 |
| 5.1 研究背景 |
| 5.2 矩阵分解及数据预处理 |
| 5.2.1 矩阵LU分解 |
| 5.2.2 数据存储及稀疏特性分析 |
| 5.3 数据排布 |
| 5.4 硬件结构设计 |
| 5.5 FPGA实现与性能分析 |
| 5.6 小结 |
| 第六章 主要结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A:符号与缩略词 |
| 附录 B:作者在攻读硕士学位期间发表的论文 |
（3）基于半参数模型汽车销量影响因素研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 文献综述 |
| 1.2.1 国外文献综述 |
| 1.2.2 国内文献综述 |
| 1.3 研究内容、结构与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 1.3.3 技术路线 |
| 1.4 论文创新点及不足 |
| 1.4.1 创新点 |
| 1.4.2 不足之处 |
| 第2章 汽车产业及影响汽车销量因素分析 |
| 2.1 国内汽车市场定义与特点 |
| 2.1.1 国内汽车市场定义 |
| 2.1.2 国内汽车市场特点 |
| 2.2 国内汽车市场的发展 |
| 2.3 汽车市场政策 |
| 2.4 影响我国汽车销量的因素 |
| 2.4.1 影响汽车销量的经济因素 |
| 2.4.2 影响汽车销量的价格因素 |
| 2.4.3 影响汽车销量的原料供应因素 |
| 2.4.4 影响汽车销量的政策因素 |
| 2.5 本章小结 |
| 第3章 半参数模型及估计方法 |
| 3.1 半参数模型基本概念 |
| 3.2 半参数回归模型及其估计方法 |
| 3.2.1 半参数回归模型 |
| 3.2.2 半参数回归模型的估计方法 |
| 3.3 模型对比的统计量构建 |
| 3.4 本章小结 |
| 第4章 影响因素的格兰杰因果关系检验及灰色关联分析 |
| 4.1 格兰杰因果关系及灰色关联分析理论 |
| 4.1.1 时间序列 |
| 4.1.2 格兰杰因果关系检验 |
| 4.1.3 灰色关联分析 |
| 4.2 影响因素的格兰杰因果关系检验 |
| 4.2.1 居民消费价格指数对汽车销量的影响 |
| 4.2.2 消费者信心指数对汽车销量的影响 |
| 4.2.3 燃料均价对汽车销量的影响 |
| 4.2.4 钢产量对汽车销量的影响 |
| 4.3 影响因素的灰色关联分析 |
| 4.4 本章小结 |
| 第5章 半参数回归模型在汽车销量影响因素中的应用 |
| 5.1 数据的来源 |
| 5.2 描述性统计 |
| 5.3 基于汽车销量半参数回归模型的建立 |
| 5.3.1 正态性检验 |
| 5.3.2 模型预设 |
| 5.3.3 模型建立 |
| 5.4 最优模型的选取 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论与建议 |
| 6.1.1 本文结论 |
| 6.1.2 建议 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（4）威布尔分布参数估计方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 数理统计学简述 |
| 1.1.1 数理统计学的概念 |
| 1.1.2 数理统计学的现实意义 |
| 1.1.3 数理统计学的发展历程 |
| 1.2 威布尔分布国内外研究发展状况 |
| 1.3 论文主要内容和创新点 |
| 2 三参数威布尔分布的极大似然估计 |
| 2.1 威布尔寿命分布的概述 |
| 2.2 威布尔分布 |
| 2.2.1 威布尔分布的概述 |
| 2.2.2 威布尔分布的性质 |
| 2.3 极大似然估计法 |
| 2.3.1 极大似然估计法的概述 |
| 2.3.2 极大似然估计的性质 |
| 2.4 极大似然估计量 |
| 2.4.1 离散型分布参数的极大似然估计量 |
| 2.4.2 连续型分布参数的极大似然估计量 |
| 2.5 威布尔分布未知参数的极大似然估计 |
| 2.6 应用实例 |
| 2.7 小结 |
| 3 威布尔分布参数的参数估计 |
| 3.1 矩估计下威布尔分布的参数估计量 |
| 3.2 L矩估计下威布尔分布的参数估计量 |
| 3.3 百位数下威布尔分布的参数估计量 |
| 3.4 对数法下威布尔分布的参数估计量 |
| 3.5 小结 |
| 4 威布尔分布参数估计方法的比较 |
| 4.1 参数估计值 |
| 4.2 估计值的检测标准 |
| 4.3 所有估计量的比较 |
| 4.4 小结 |
| 5 结论 |
| 参考文献 |
| 攻读硕士期间发表学术论文情况 |
| 致谢 |
（5）面板计数数据的样条估计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 文献综述 |
| 1.3 本文的结构及主要工作 |
| 第二章 模型及回归样条估计 |
| 2.1 模型及记号 |
| 2.2 似然函数 |
| 2.2.1 伪似然函数 |
| 2.2.2 全似然函数 |
| 2.3 回归样条估计 |
| 2.3.1 概念及记号 |
| 2.3.2 四种回归样条估计量 |
| 2.4 本章小结 |
| 第三章 惩罚样条估计 |
| 3.1 惩罚样条及惩罚似然函数 |
| 3.2 光滑参数的选择 |
| 3.3 节点数目及位置的选择 |
| 3.4 本章小结 |
| 第四章 四种算法 |
| 4.1 算法 1 |
| 4.2 算法 2 |
| 4.3 算法 3-4 |
| 4.4 本章小结 |
| 第五章 数值模拟 |
| 5.1 四种算法的比较 |
| 5.2 四种回归样条估计的比较 |
| 5.2.1 模型 (2–2) 下四种回归样条估计量的比较 |
| 5.2.2 另一个模型下四种回归样条估计量的比较 |
| 5.3 回归样条估计跟惩罚样条估计的比较 |
| 5.4 惩罚样条估计的bootstrap方差估计 |
| 5.5 惩罚样条估计的稳健性 |
| 5.6 本章小结 |
| 第六章 实例应用 |
| 6.1 背景介绍及估计结果 |
| 6.2 本章小结 |
| 第七章 总结与展望 |
| 参考文献 |
| 附录A 式 (3–3) 的推导过程 |
| 附录B 数值模拟的其他结果 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（6）缺失数据下几类回归模型的模型选择和模型平均（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号表 |
| 第1章 绪论 |
| 1.1 回归模型简介 |
| 1.2 非参数估计方法 |
| 1.2.1 核估计 |
| 1.2.2 局部多项式估计 |
| 1.3 缺失数据 |
| 1.4 模型选择 |
| 1.5 模型平均 |
| 1.6 本文研究内容及创新点 |
| 第2章 缺失数据下部分线性模型的模型选择和模型平均 |
| 2.1 引言 |
| 2.2 模型选择估计和模型平均估计 |
| 2.2.1 模型框架和估计方法 |
| 2.2.2 FIC模型选择估计及其性质 |
| 2.2.3 模型平均估计及其性质 |
| 2.3 数值分析 |
| 2.3.1 模拟研究 |
| 2.3.2 实例分析 |
| 2.4 定理证明 |
| 2.5 本章小结 |
| 第3章 缺失数据下部分线性变系数模型的模型平均 |
| 3.1 引言 |
| 3.2 主要理论结果 |
| 3.2.1 模型框架 |
| 3.2.2 参数估计 |
| 3.2.3 FIC |
| 3.2.4 FMA |
| 3.3 数值分析 |
| 3.3.1 模拟研究 |
| 3.3.2 实例分析 |
| 3.4 定理证明 |
| 3.5 本章小结 |
| 第4章 基于协变量平衡倾向得分法的模型选择和模型平均 |
| 4.1 引言 |
| 4.2 模型框架和估计 |
| 4.2.1 模型框架 |
| 4.2.2 基于CBPS思想的倾向得分估计量 |
| 4.2.3 全模型和候选子模型下回归参数的估计量 |
| 4.3 FIC和 FMA |
| 4.4 模拟研究 |
| 4.4.1 模拟研究 |
| 4.4.2 模拟研究II |
| 4.5 实际数据分析 |
| 4.6 定理证明 |
| 4.7 本章小结 |
| 第5章 协变量缺失下线性分位数回归模型的模型平均 |
| 5.1 引言 |
| 5.2 模型框架和估计 |
| 5.2.1 模型框架 |
| 5.2.2 参数估计 |
| 5.3 模型平均估计及其性质 |
| 5.3.1 模型平均估计 |
| 5.3.2 置信区间 |
| 5.4 模拟研究 |
| 5.5 定理证明 |
| 5.6 本章小结 |
| 结论 |
| 进一步研究的课题 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
| 致谢 |
（7）基于非凸惩罚似然法的稳健回归和离群值检测研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 离群值问题及检测办法 |
| 1.1.2 稳健统计理论的重要性及定义 |
| 1.2 国内外文献综述 |
| 1.2.1 稳健统计方法的产生和发展 |
| 1.2.2 文献总结 |
| 1.3 本文结构 |
| 1.4 研究重点及创新 |
| 1.4.1 研究重点 |
| 1.4.2 可能的创新点 |
| 2 理论基础 |
| 2.1 最小二乘法 |
| 2.2 离群值 |
| 2.3 离群值对最小二乘法的影响 |
| 2.4 稳健性 |
| 2.4.1 崩溃点 |
| 2.4.2 均方误与有效性 |
| 2.4.3 无偏性与一致性 |
| 3 基于非凸惩罚似然的稳健回归方法 |
| 3.1 惩罚回归 |
| 3.2 发展 |
| 3.3 理论 |
| 3.4 惩罚函数 |
| 3.4.1 L_0惩罚 |
| 3.4.2 L_1惩罚 |
| 3.4.3 SCAD惩罚 |
| 4 其他稳健回归方法 |
| 4.1 MM估计 |
| 4.1.1 发展 |
| 4.1.2 理论 |
| 4.2 REWLS估计 |
| 4.2.1 发展 |
| 4.2.2 理论 |
| 4.3 小结 |
| 5 离群值检测 |
| 5.1 MM估计和REWLS估计的离群值诊断方法 |
| 5.2 稳健马氏距离的离群值检测方法 |
| 5.3 离群值检测评价指标 |
| 6 模拟测试 |
| 6.1 基于惩罚似然的稳健回归方法测试 |
| 6.1.1 模型设定 |
| 6.1.2 有效性测度 |
| 6.1.3 经验崩溃点测算 |
| 6.1.4 HBK数据测试 |
| 6.2 稳健方法的模拟比较 |
| 6.2.1 稳健马氏距离对诊断能力的提升 |
| 6.2.2 基于非凸惩罚回归的稳健方法比较测试 |
| 6.2.3 小结 |
| 7 讨论 |
| 7.1 淹没比例问题的原因 |
| 7.2 可能的改进办法 |
| 8 总结 |
| 参考文献 |
| 致谢 |
（8）长度偏差数据下Cox比例风险模型的变量选择（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状分析 |
| 第2章 模型简介 |
| 2.1 右删失数据 |
| 2.2 长度偏差数据 |
| 2.3 Cox比例风险模型 |
| 第3章 变量选择方法 |
| 3.1 复合部分似然函数 |
| 3.1.1 完全数据下复合部分似然法 |
| 3.1.2 删失数据下复合部分似然法 |
| 3.2 Adaptive Lasso估计 |
| 3.3 算法实现 |
| 3.4 调整参数的选择 |
| 第4章 渐近理论 |
| 4.1 估计量的理论性质 |
| 4.2 理论证明 |
| 第5章 模拟及实例 |
| 5.1 模拟计算 |
| 5.2 实际例子 |
| 第6章 总结与展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（9）带协变量密度比模型下依从者因果效应的半参数推断（论文提纲范文）
| 摘要 |
| ABSTRACT(英文摘要) |
| 第一章 引言 |
| §1.1 国内外研究现状 |
| §1.1.1 关于因果推断的国内外研究的现状 |
| §1.1.2 关于依从者因果效应的研究现状 |
| §1.2 本文的研究内容和创新点 |
| 第二章 基础知识 |
| §2.1 工具变量法 |
| §2.1.1 记号和说明 |
| §2.1.2 模型假设 |
| §2.1.3 工具变量法 |
| §2.2 其他非模型方法 |
| §2.3 模型方法 |
| §2.3.1 改进非模型方法 |
| §2.3.2 基于密度比模型的经验似然估计 |
| 第三章 带协变量密度比模型下依从者因果效应经验似然估计 |
| §3.1 模型介绍 |
| §3.2 使用EM算法计算模型参数 |
| §3.3 估计因果效应 |
| §3.4 检验因果效应 |
| 第四章 数值模拟 |
| §4.1 模拟设置 |
| §4.2 数值模拟结果 |
| 第五章 实例分析 |
| 第六章 总结与讨论 |
| 附录A 相关数学公式和证明 |
| §A.1 参数渐近正态性证明 |
| §A.2 似然比检验证明 |
| 参考文献 |
| 致谢 |
（10）概率性交通需求预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究内容和章节安排 |
| 第二章 概率性交通需求预测研究基础 |
| 2.1 概率性交通需求预测基本概念 |
| 2.2 空中交通流量预测相关技术 |
| 2.2.1 交通流量预测分类 |
| 2.2.2 交通流量预测方法 |
| 2.3 本章小结 |
| 第三章 交通需求影响因素及特征分析 |
| 3.1 交通需求影响因素 |
| 3.1.1 机场跑道容量 |
| 3.1.2 空域容量 |
| 3.1.3 天气因素 |
| 3.1.4 人为因素 |
| 3.1.5 航空器因素 |
| 3.2 交通需求特征分析 |
| 3.2.1 机场运行特征分析 |
| 3.2.2 数据处理及分析 |
| 3.3 本章小结 |
| 第四章 概率性交通需求预测方法 |
| 4.1 基于神经网络分位数回归及核密度估计的概率性交通需求预测模型 |
| 4.1.1 分位数回归 |
| 4.1.2 神经网络分位数回归 |
| 4.1.3 核密度估计 |
| 4.1.4 最优带宽 |
| 4.2 概率性交通需求预测方法 |
| 4.2.1 总体方法描述 |
| 4.2.2 随机游程检验 |
| 4.2.3 基于神经网络分位数回归及核密度估计的概率性交通需求预测方法 |
| 4.2.4 预测结果误差分析 |
| 4.3 本章小结 |
| 第五章 实例分析 |
| 5.1 数据来源及样本描述 |
| 5.2 概率性交通需求预测实例分析 |
| 5.2.1 核密度估计 |
| 5.2.2 预测结果分析 |
| 5.3 BP神经网络交通需求预测分析 |
| 5.4 预测结果对比分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要成果 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
四、季节模型参数估计量的经验偏差和均方误差(英文)（论文参考文献）
- [1]基于参数和非参数方法的PM2.5浓度区域预测模型研究[D]. 解康. 南京信息工程大学, 2021(01)
- [2]存在站址误差的椭圆定位算法设计与硬件加速[D]. 于治. 江南大学, 2021(01)
- [3]基于半参数模型汽车销量影响因素研究[D]. 刘道东. 山东财经大学, 2021(12)
- [4]威布尔分布参数估计方法的研究[D]. 李明泽. 辽宁工业大学, 2021
- [5]面板计数数据的样条估计[D]. 秦飞. 上海交通大学, 2020(01)
- [6]缺失数据下几类回归模型的模型选择和模型平均[D]. 曾婕. 北京工业大学, 2020(06)
- [7]基于非凸惩罚似然法的稳健回归和离群值检测研究[D]. 朱永辉. 江西财经大学, 2020(11)
- [8]长度偏差数据下Cox比例风险模型的变量选择[D]. 郑月晨. 上海师范大学, 2020(07)
- [9]带协变量密度比模型下依从者因果效应的半参数推断[D]. 孙士清. 华东师范大学, 2020(11)
- [10]概率性交通需求预测方法研究[D]. 郭怡杏. 南京航空航天大学, 2020(07)