论文部分内容阅读
目前,国内外学者单独研究异方差或者变点的很多,但是对于存在变点的异方差数据的研究少之有少,并且对于异方差的最新研究主要处于研究使用哪些统计量来测量异方差模型参数的方差估计更好一些阶段。对于如何更好的处理存在异方差效应的数据研究不够详细。而且对于存在变点的异方差数据,变点和异方差相互作用、相互影响,如果只考虑其中一种指标那估计出来的模型差异性也很大。所以本文针对存在变点的异方差数据的处理方法进行研究,并且通过提出一种新的基于HCCMEs的模型变换法来对原始异方差数据进行处理。运用该方法结合变点检测法对于存在变点的异方差数据进行处理。对于存在变点的异方差数据,本文探究了哪个指标对于模型的影响更大,也就是说采用变点检测法和基于HCCMEs的模型变换法对存在变点的异方差数据进行处理时,通过检测模型拟合优度来判断对于存在变点的异方差数据,是先进行变点检测再进行异方差消除效果好还是先进行异方差消除再进行变点检测效果好。通过给定两个不同参数β,手动设置变点,变点前后用同一模型不同参数模拟数据,使用模型:yi=β1+β2Xi+σiui,i=1,……,n.用蒙特卡罗模拟带有加入异方差效应的数据,针对异方差数据用HC0、HC2、HC3、HC4这4个HCCMEs统计量对整体样本数据的异方差误差方差序列进行估计,得到4个异方差残差序列。针对4个统计量对求出的异方差残差标准差序列来对模型进行模型变换消除异方差以达到处理异方差数据的目的,再结合二值化分割法对存在变点的异方差数据进行处理。经过大量实验,结果显示基于HCCMEs的模型变换法对于异方差的消除效果良好,经过模型变换消除异方差之后的异方差程度比消除异方差之前的异方差程度大幅度下降。并且结合基于HCCMEs的模型变换和二值化分割法对存在变点的异方差数据进行处理时,结果显示对于存在变点的异方差序列先进行变点检测,再从检测出来的变点位置前后分别进行基于HCCMEs的模型变换进行异方差消除得到新的模型的方法效果是最优的。此外,对于存在变点的异方差数据处理时发现HCCMEs中以基于HC4的模型变换消除异方差效果最为优良,并且多次实验时,其效果最为稳定。