苹果/安卓/wp
积分 418, 距离下一级还需 32 积分
权限: 自定义头衔, 签名中使用图片
道具: 涂鸦板, 彩虹炫, 雷达卡, 热点灯, 显身卡, 匿名卡, 金钱卡, 变色卡下一级可获得
道具: 抢沙发
购买后可立即获得
权限: 隐身
道具: 金钱卡, 变色卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
上火签到天数: 50 天连续签到: 1 天[LV.5]常住居民I
GARCH模型model{for (t in1:T){LL[t]&--0.5*log(6.28)-0.5*log(h[t])-0.5*pow(y[t]-a1,2)/h[t]y[t]~dnorm(a1,p[t])}for(t in2:T){h[t]&-alpha0+alpha[1]*pow(y[t-1]-a1,2)+beta[1]*h[t-1]p[t]&-1/h[t]}h1~dgamma(2,1000)h[1]&-h1p[1]&-1/h[1]#pirora1~dnorm(0,0.0001)alpha0~dnorm(0,0.001)I(0,100)alpha[1]~dnorm(0,0.001)I(0,1)beta[1]~dnorm(0,0.001)I(0,1)}#initslist(h1=0.5,alpha0=1,alpha=c(0.1),beta=c(0.6))list(h1=0.01,alpha0=14,alpha=c(0.8),beta=c(0.1))
这是一个winbugs程序，我不清楚alpha0~dnorm(0,0.001)I(0,100)是什么意思，为什么要有I(0,100)，这个代表什么是怎么设定的？ 还有关于初始值的问题，我也不知道是怎么设定的？？？
我最近也在看这个软件，一般经过蒙特卡洛模拟后最后的数值与初始设置的值关系就不大了。这里让alpha0设置成正态分布，初始值标准差是零，方差是0.001。貌似基本正态分布都是这么设置。
鼓励积极发帖讨论
总评分:&经验 + 40&
本帖被以下文库推荐
& |主题: 8540, 订阅: 56
论坛扫地人员
我最近也在看这个软件，一般经过蒙特卡洛模拟后最后的数值与初始设置的值关系就不大了。这里让alpha0设置成正态分布，初始值标准差是零，方差是0.001。貌似基本正态分布都是这么设置。
热心帮助其他会员
观点有启发
总评分:&经验 + 10&
论坛币 + 10&
学术水平 + 1&
热心指数 + 1&
信用等级 + 1&
我喜欢真诚的朋友。
为什么经常会没反应
二级伯乐勋章
二级伯乐勋章
一级伯乐勋章
一级伯乐勋章
初级热心勋章
初级热心勋章
初级学术勋章
初级学术勋章
中级热心勋章
中级热心勋章
初级信用勋章
初级信用勋章
中级学术勋章
中级学术勋章
中级信用勋章
中级信用勋章
高级热心勋章
高级热心勋章
高级学术勋章
高级学术勋章
高级信用勋章
高级信用勋章
特级热心勋章
高级热心勋章
特级学术勋章
特级学术勋章
特级信用勋章
高级信用勋章
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
论坛法律顾问：王进律师苹果/安卓/wp
积分 157, 距离下一级还需 103 积分
权限: 自定义头衔
道具: 涂鸦板, 彩虹炫, 雷达卡, 热点灯, 显身卡, 匿名卡, 金钱卡下一级可获得
权限: 签名中使用图片道具: 变色卡
购买后可立即获得
权限: 隐身
道具: 金钱卡, 变色卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板
无聊签到天数: 1 天连续签到: 1 天[LV.1]初来乍到
本帖最后由 libaijun19 于
12:52 编辑
1：不知道winbugs里是否有IG（逆高斯分布），只是我不知道像& &dnorm 这样来表示
2：如果程序里没有，那么我该怎么把逆高斯分布用到里面去，也即如何定义一个库中没有的分布函数
有这方面学习交流&&加QQ .说明是学习winbugs。
本帖被以下文库推荐
& |主题: 185, 订阅: 6
我给楼主说下逆高斯怎么弄，winbugs里，有些分布没有预设，需要我们自己另外定义。
# ---------------&&INVERSE GAUSSIAN MODEL ------------------------------------
# ---------------&&ZEROS TRICK ------------------------------------
& && &C &- 10000
& && &for (i in 1:n) {
& && && & zeros &- 0
& && && & zeros ~ dpois( zeros.mean)
& && && & zeros.mean &- -l + C
& && && & l &-& &0.5*( log( lambda ) - log(2*3.14) - 3*log(y) ) - 0.5* lambda * pow( (y-mu)/mu, 2 )/y
& && && & log(mu) &- beta[1] + beta[2]*x1 + beta[3]*x2 + beta[4]*x3 + beta[5]*x4
& && & }&&
& && & # priors
& && & for (j in 1:5){ beta[j] ~ dnorm( 0.0 ,&&0.001 ) }
& && & lambda ~ dgamma( 0.01, 0.01)
& && & s2 &- 1/lambda
list( beta=c(0,0,0,0,0), lambda=1 )
# ---------------&&ONES TRICK ------------------------------------
& && &C &- 10
& && &for (i in 1:n) {
& && && & ones &- 1
& && && & ones ~ dbern( ones.p)
& && && & ones.p &- exp( l - C )
& && && & # write here the expression of the log-likelihood for i observation
& && && & l &-& &0.5*( log( lambda ) - log(2*3.14) - 3*log(y) ) - 0.5* lambda * pow( (y-mu)/mu, 2 )/y
& && && & log(mu) &- beta[1] + beta[2]*x1 + beta[3]*x2 + beta[4]*x3 + beta[5]*x4
& && & }&&
& && & # priors
& && & for (j in 1:5){ beta[j] ~ dnorm( 0.0 ,&&0.001 ) }
& && & lambda ~ dgamma( 0.01, 0.01)
& && & s2 &- 1/lambda
在自己的程序里这样运用如下：
& && &for (i in 1:n) {
& && && & ones &- 1
& && && & ones ~ dbern( ones.p)
& && && & ones.p &- exp( l - C )
& && && & # write here the expression of the log-likelihood for i observation
& && && & l &-& &0.5*( log( lambda ) - log(2*3.14) - 3*log(y) ) - 0.5* lambda * pow( (y-mu)/mu, 2 )/y
& && && &&&lambda&-2
& && && & mu&-4
& & delta2&-y
y,就是我们要用的逆高斯分布，我这里期望值：4，delta的平方：2，lambda与delta平方实际室友关系的，但是，转化后lambda还是为2，转化没有什么意义，相当于没变，在用逆高斯分布时，你只需要改这两个值，然后引用y
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
&nbsp&nbsp|
如有投资本站或合作意向，请联系（010-）；
邮箱：service@pinggu.org
投诉或不良信息处理：（010-）
论坛法律顾问：王进律师逆Gamma函数在R语言里面怎么表示_百度知道
逆Gamma函数在R语言里面怎么表示
我有更好的答案
逆Gamma函数R语言的自带包里没有，一个R包：SuppDists里有dinvGauss,pinvGauss,qinvGauss,rinvGauss详情见帮助文件。如有疑问，请追问!
为您推荐：
其他类似问题
gamma的相关知识
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。您所在位置： &
&nbsp&&nbsp&nbsp&&nbsp
《面板数据的自适应 Lasso 分位回归方法研究-论文》.pdf 8页
本文档一共被下载：
次 ,您可全文免费在线阅读后下载本文档。
下载提示
1.本站不保证该用户上传的文档完整性，不预览、不比对内容而直接下载产生的反悔问题本站不予受理。
2.该文档所得收入(下载+内容+预览三)归上传者、原创者。
3.登录后可充值，立即自动返金币，充值渠道很便利
《面板数据的自适应 Lasso 分位回归方法研究-论文》.pdf
你可能关注的文档：
··········
··········
第29卷第 7期
统 计 与 信 息 论 坛
Statistics& InformationForum
2014年 7月
V01．29 No．7
Ju1．，2014
【统计理论与方法】
面板数据的自适应Lasso分位回归方法研究
李子强 ，田茂再
(1．湖北工业大学 理学院，湖北 武汉 ．中国人民大学 a．应用统计研究中心；b．统计学院，北京 100872)
摘要：如何在对参数进行估计的同时自动选择重要解释变量，一直是面板数据分位回归模型中讨论的热
点问题之一。通过构造一种含多重随机效应的贝叶斯分层分位回归模型，在假定固定效应系数先验服从一
种新的条件Laplace分布的基础上，给出了模型参数估计的Gibbs抽样算法。考虑到不同重要程度的解释变
量权重系数压缩程度应该不同，所构造的先验信息具有 自适应性的特点，能够准确地对模型中重要解释变量
进行自动选取，且设计的切片Gibbs抽样算法能够快速有效地解决模型中各个参数的后验均值估计问题。模
拟结果显示，新方法在参数估计精确度和变量选择准确度上均优于现有文献的常用方法。通过对中国各地
区多个宏观经济指标的面板数据进行建模分析 ，演示了新方法估计参数与挑选变量的能力。
关键词：面板数据；自适应 LasSo；分位回归；切片Gibbs抽样
中图分类号：O212：F064．1
文献标志码 ：A
文章编号：(03--08
应的参数点估计、区间估计、模型检验及预测已经
有很多成熟的研究结果，但有关面板数据模型的
面板数据模型是当前学术界讨论最多的模型之
分位回归方法研究文献还不多见。Koenker对固
一 。 传统的面板数据模型实际上是一种条件均值模
定效应的面板数据模型采用带 Lasso惩罚的分位
型，即讨论在给定解释变量的条件下响应变量均值
回归方法，通过对个体 固定效应实施 L1范数惩
变化规律。这种模型的一个固有缺陷是只描述了响
罚，该方法能够在各种偏态及厚尾分布下得到明
应变量的均值信息，其它信息则都忽略了。然而，数
显优于均值 回归的估计，然而惩罚参数如何确定
据的信息应该是全方位的，这种只对均值建模的方
是该方法的一个难点[3；罗幼喜等也提出了3种
法有待改进。Koenker等提出的分位回归模型是对
新的固定效应面板数据分位回归方法，模拟显示 ，
均值回归模型的一种有效改进，该模型可以在给定
这些新方法在误差非正态分布情况下所得估计优
解释变量后对响应变量的任意分位点处进行建模， 于传统的最dx--乘估计和极大似然估计，但新方
从而可以从多个层次刻画数据的分布信息[1]。同
法对解释变量在时间上进行了差分运算，当解释
时，分位回归的参数估计是通过极小化加权残差绝
变量中包含有不随时间变化的协变量时，这些方
对值之和得到，比传统均值回归模型下二次损失函
法则无法使用[4；Tian等对含随机效应的面板数
数获得的最小二乘估计更为稳健[2]。
据模型提出了一种分层分位回归法，并利用 EQ算
对于简单的线性模型，与分位回归方法相对
法给出模型未知参数的估计，但该算法只针对误
收稿 日期：2O14一O2—28
基金项目：国家自然科学基金项 目基《于当代分位回归与鞍点逼近方法的复杂数据分析》()；教育部人文社会科
学青年基金项 目《面板数据的分位回归方法及其变量
正在加载中，请稍后...