穩(wěn)健混合模型

定　價：￥68.00

作　者：	余純著
出版社：	經(jīng)濟管理出版社
叢編項：	江西財經(jīng)大學東億學術(shù)論叢·第一輯
標　簽：	暫缺

購買這本書可以去

京東 (￥68.00)

ISBN：	9787509661024	出版時間：	2019-12-01	包裝：	平裝
開本：	16開	頁數(shù)：	155	字數(shù)：

內(nèi)容簡介

　　《穩(wěn)健混合模型》提出了經(jīng)由均值漂移懲罰的穩(wěn)健混合模型方法（RMM）和穩(wěn)健混合回歸模型方法（RM2），這兩種方法可以同時進行參數(shù)估計和離群值檢測。一個均值漂移參數(shù)γ，被引入到混合模型（混合回歸模型）中，并用非凸的懲罰函數(shù)對其加以懲罰。這些非凸的懲罰函數(shù)都有對應(yīng)的鬧值法則用于對該均值漂移參數(shù)的估計?；谶@樣的模型設(shè)定，我們提出了一種選代的間值嵌入式的EM算法對懲罰目標函數(shù)大化進行參數(shù)估計。通過和其他的穩(wěn)健混合回歸模型方法進行比較，我們提出的RMM和RM2方法在離群值檢測和參數(shù)估計兩個方面都有更優(yōu)的表現(xiàn)。

作者簡介

　　余純，統(tǒng)計學博士，現(xiàn)任江西財經(jīng)大學統(tǒng)計學院副教授。研究方向為穩(wěn)健線性回歸、穩(wěn)健混合模型、變量與模型選擇以及精算科學等。主要講授“金融數(shù)學”“精算概率”“概率論”“線性模型方法”以及“數(shù)理統(tǒng)計前沿問題研究”等大學本科和研究生課程。

圖書目錄

Chapter 1 Robust Linear Regression： A Review and Comparison
1．1 Introduction
1．2 Robust Regression Methods
1．2．1 M-estimates
1．2．2 LMS estimates
1．2．3 LTS estimates
1．2．4 S-estimates
1．2．5 Generalized S-estimates （GS-estimates）
1．2．6 MM-estimates
1．2．7 Mallows GM-estimates
1．2．8 Schweppe GM-estimates
1．2．9 S1S GM-estimates
1．2．10 R-estimates
1．2．11 REWLSE
1．2．12 Robust regression based on regularization of case-specific parameters
1．3 Examples
1．4 Discussion
Chapter 2 A Selective Overview and Comparison of Robust Mixture Regression Estimators
2．1 Introduction
2．2 Robust mixture regression methods
2．2．1 Robust mixture regresion using the t-distribution
2．2．2 Robust mixture regression modeling using Pearson type VM distribution
2．2．3 Robust mixture regression model fitting by Laplace distribution
2．2．4 Robust mixture regression modeling based on Scale mixtures of skew-normal distributions
2．2．5 Robust mixture regression with random covariates via trimming and constraints
2．2．6 Robust clustering in regression analysis via the contaminated gaussian cluster weighted model
2．2．7 Trimmed likelihood estimator
2．2．8 Least trimmed squares estimator
2．2．9 Robust estimator based on a modified EM algorithm with bisquare loss
2．2．10 Robust EM-type algorithm for log-concave mixtures of regression models
2．3 Simulation studies
2．4 Discussion
Chapter 3 Outlier Detection and Robust Mixture Modeling Using Nonconvex Penalized Likelihood
3．1 Introduction
3．2 Robust Mixture Model via Mean-Shift Penalization
3．2．1 RMM for Equal Component Variances
3．2．2 RMM for Unequal Component Variances
3．2．3 Tuning Parameter Selection
3．3 Simulation
3．3．1 Methods and Evaluation Measures
3．3．2 Results
3．4 Real Data Application
3．5 Discussion
Chapter 4 Outlier Detection and Robust Mixture Regression Using Nonconvex Penalized Likelihood
4．1 Introduction
4．2 Robust Mixture Regression via Mean-shift Penalization
4．3 Simulation
4．3．1 Simulation Setups
4．3．2 Methods and Evaluation Measures
4．3．3 Results
4．4 Tone Perception Data Analysis
4．5 Discussion
Appendix
References