穩(wěn)健混合模型

定　價(jià)：￥68.00

作　者：	余純著
出版社：	經(jīng)濟(jì)管理出版社
叢編項(xiàng)：	江西財(cái)經(jīng)大學(xué)東億學(xué)術(shù)論叢·第一輯
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

京東 (￥68.00)

ISBN：	9787509661024	出版時(shí)間：	2019-12-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	155	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)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(shí)進(jìn)行參數(shù)估計(jì)和離群值檢測(cè)。一個(gè)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(duì)其加以懲罰。這些非凸的懲罰函數(shù)都有對(duì)應(yīng)的鬧值法則用于對(duì)該均值漂移參數(shù)的估計(jì)。基于這樣的模型設(shè)定，我們提出了一種選代的間值嵌入式的EM算法對(duì)懲罰目標(biāo)函數(shù)大化進(jìn)行參數(shù)估計(jì)。通過(guò)和其他的穩(wěn)健混合回歸模型方法進(jìn)行比較，我們提出的RMM和RM2方法在離群值檢測(cè)和參數(shù)估計(jì)兩個(gè)方面都有更優(yōu)的表現(xiàn)。

作者簡(jiǎn)介

　　余純，統(tǒng)計(jì)學(xué)博士，現(xiàn)任江西財(cái)經(jīng)大學(xué)統(tǒng)計(jì)學(xué)院副教授。研究方向?yàn)榉€(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(xué)等。主要講授“金融數(shù)學(xué)”“精算概率”“概率論”“線性模型方法”以及“數(shù)理統(tǒng)計(jì)前沿問(wèn)題研究”等大學(xué)本科和研究生課程。

圖書(shū)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