

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、在經(jīng)濟(jì)、金融和其他科學(xué)領(lǐng)域,研究者經(jīng)常要面臨大數(shù)據(jù)集,因子模型由于能夠有效地從大數(shù)據(jù)集中提煉信息而被廣泛關(guān)注.研究因子模型的首要問題即為模型中參數(shù)的估計(jì)問題.本文研究近似因子模型的懲罰極大似然估計(jì)并證明了估計(jì)量的相合性.
本文對模型做的關(guān)鍵假設(shè)是:特殊因子協(xié)方差陣是稀疏陣.在這樣的假設(shè)下可引進(jìn)懲罰函數(shù)用以懲罰特殊因子協(xié)方差陣中的元素.懲罰函數(shù)采用加權(quán)l(xiāng)1的形式.文中給出三種選擇權(quán)重的方法,每種方法確定的懲罰函數(shù)分別稱為Lass
2、o罰函數(shù)、Adaptive-lasso罰函數(shù)和SCAD罰函數(shù).懲罰極大似然法通過最小化負(fù)的高斯擬似然函數(shù)與懲罰函數(shù)之和得到因子載荷、公共因子和特殊因子協(xié)方差陣.與主成分方法依次得到公共因子、因子載荷及特殊因子協(xié)方差陣不同,懲罰極大似然法同時得到因子載荷和特殊因子協(xié)方差陣的估計(jì).在數(shù)值模擬部分將該方法分別與傳統(tǒng)主成分方法、加權(quán)主成分方法和極大似然方法做了詳細(xì)對比.模擬結(jié)果表明,懲罰極大似然法的表現(xiàn)優(yōu)于其他方法.
本文的結(jié)構(gòu)安排如
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- Logistic模型的極大似然估計(jì).pdf
- Poisson混雜模型的極大似然估計(jì).pdf
- 瑞利分布的Bayes估計(jì)與極大似然估計(jì).pdf
- 分組數(shù)據(jù)下競爭風(fēng)險混合模型的極大似然估計(jì).pdf
- 2016考研數(shù)學(xué)復(fù)習(xí)之極大似然估計(jì)
- 凸約束廣義線性回歸模型參數(shù)的極大似然估計(jì)研究.pdf
- 有關(guān)極大似然估計(jì)若干問題的研究.pdf
- 極大似然估計(jì)在生活中的應(yīng)用
- 廣義線性模型中極大擬似然估計(jì)的極限理論研究.pdf
- hammerstein模型的極大似然辨識方法的研究
- 極大似然和MUSIC算法用于DOA估計(jì)的DSP實(shí)現(xiàn).pdf
- 零膨脹負(fù)二項(xiàng)半?yún)?shù)混合效應(yīng)模型的懲罰似然估計(jì).pdf
- 3627.幾種數(shù)據(jù)類型下兩參數(shù)logistic分布參數(shù)的近似極大似然估計(jì)
- 空間計(jì)量經(jīng)濟(jì)模型的統(tǒng)計(jì)推斷——基于極大似然函數(shù)的估計(jì)方程法.pdf
- 連接位極大似然Minwise估計(jì)子的研究及應(yīng)用.pdf
- 廣義線性模型極大似然估計(jì)的相合性及漸近正態(tài)性.pdf
- 廣義線性模型的變量選擇和極大擬似然估計(jì)的強(qiáng)收斂速度.pdf
- 隨機(jī)互惠系統(tǒng)持久性及其參數(shù)的極大似然估計(jì).pdf
- 基于復(fù)雜刪失數(shù)據(jù)下極大似然估計(jì)的算法研究.pdf
- 35747.排序集抽樣下有先驗(yàn)信息的極大似然估計(jì)
評論
0/150
提交評論