马洛斯型模型平均在时间序列数据中的渐近最优性

发布时间：2021-09-01 05:51

　　Hansen在2007年首次提出了马洛斯模型平均（Mallows Model Averaging,MMA）的方法,它是通过最小化马洛斯准则来计算每个模型的权重。而我们这篇文章是扩展了马洛斯型模型平均的三个主要理论。其一是Hansen（2007）的马洛斯模型平均（MMA）,其二是Xie（2015）的预测模型平均（PredictionModel Averaging,PMA）,其三是Zhang et a1.（2015）的基于KL距离的模型平均（Kullback-Leibler Model Averaging,KLMA）。在此基础上我们证明了在包含了滞后项的自回归数据中,马洛斯型模型平均也可以达到渐近最优性。之后的蒙特卡洛模拟中,我们采用了自回归分数整合滑动平均模型（ARFIMA）作为数据生成过程。通过选取不同的样本集来比较不同的方法优劣。在本文的最后我们对中国的新建住宅价格指数（New Housing Price Index,NHPI）北京地区的数据进行一阶差分,得出一组平稳的时间序列数据。回归结果显示预测模型平均（PMA）在大部分情况下要优于其它的分析方法,这也为我们的时间序列数据预测提供... 

【文章来源】：厦门大学福建省 211工程院校 985工程院校 教育部直属院校

【文章页数】：46 页

【学位级别】：硕士

【部分图文】：

2014年l月至2017年12月北京叨护I走势

ＡＮＨＰＩ的走势更直观地反应了价格指数的波动，结合图Ｉ中的折线图我们??可以看到，数据基本保持着增长的趋势，除了少数几个月出现负增长情况。在??２０１４年９月附近出现了负增长，而之后的两年直到２０１６年９月数据都保持着正??的增长。尤其在２０１６年的前三个季度中，数据的达到了全局的最高增长点６．?９。??２３??


本文编号：3376392