Mixed Frequency Stochastic Frontier Model: with application to the linkage of weather extremes and firm efficiency
Monash University(蒙纳士大学);Sunway University(双威大学);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
本文提出混频随机前沿模型,通过后向拟合算法的混合方法估计,解决随机前沿模型正偏度问题,将其用于分析菲律宾电力合作社数据中企业效率与极端天气的关联,为评估气候变化引发的微观可持续性问题提供方法。
2026-08-03 stat.ME
Robust Nonparametric Stochastic Frontier Analysis
本文提出鲁棒非参数随机前沿元分析方法SFMA,利用样条与形状约束建模前沿、支持输入误差设定和基于似然的异常值修剪,并在开源Python包中实现,性能优于DEA、SFA和StoNED。
2024-04-04 math.OC stat.ME
Linear programming problems for frontier estimation
我们提出了一组点的边界的新的估计。它们被定义为覆盖所有点的核估计,其相关的支持度是最小的表面。估计值被写为应用于样本点的核函数的线性组合。然后通过求解线性规划问题来计算线性组合的系数。在一般情况下,优化问题的解是稀疏的,即只有少数系数是非零的。对应点在统计学习理论中起着支持向量的作用。证明了估计前沿与真实前沿之间的L_1误差几乎必然收敛到零,并给出了收敛速度。有限样本情况下的估计的行为示出了一些模拟。
2011-03-30 stat.ME
Frontier estimation via kernel regression on high power-transformed data
本文提出了一种新的多维样本前沿估计方法。估计器是基于幂变换数据的核回归。我们假设变换的指数趋于无穷大,而内核的带宽趋于零。给出了这两个参数的完全收敛性和渐近正态性条件。在有限样本情形下,证明了该估计器的良好性能。
2011-03-30 math.ST stat.ME stat.TH
Estimating Stochastic Production Frontiers: A One-stage Multivariate Semi-Nonparametric Bayesian Concave Regression Method
本文描述了一种方法来估计生产前沿,满足公理的单调性和单调性在非参数贝叶斯设置。一个低效率的长期,允许显着偏离先前的分布假设,在一个单一的阶段与参数先验假设联合估计。我们通过局部超平面收缩超参数将异方差引入到无效项中,并使用有界约束的局部非线性回归来施加单调性。我们的最小超平面估计量施加了。我们的蒙特卡罗模拟实验表明,前沿和效率估计是有竞争力的,经济合理的,并允许分析更大的数据集比现有的非参数方法。我们使用2007-2010年日本混凝土行业的数据验证了所提出的方法。结果表明,在这段时间内,效率水平保持相对较高。
2015-10-06 stat.AP stat.ME
On Spatio-Temporal Stochastic Frontier Models
本文扩展Fusco和Vidoli的类SEM方法,构建时间不变与时变两类时空随机前沿模型,并通过Monte Carlo实验和实证应用验证估计量的稳健性与稳定性。
2024-10-28 econ.EM stat.AP stat.ME
pyStoNED: A Python Package for Convex Regression and Frontier Estimation
形状约束非参数回归是计量经济学、统计学、运筹学、机器学习和相关领域中一个不断发展的领域。在生产率和效率分析领域,最近发展的多元凸回归和相关技术,如凸分位数回归和凸期望回归,弥补了传统的确定性非参数和随机参数方法之间的长期差距。不幸的是,沉重的计算负担和缺乏强大的,可靠的,完全开放的计算包已经减缓了这些先进的估计技术的扩散到经验的做法。Python包pyStoNED的目的是通过为多变量凸回归、凸分位数回归、凸期望回归、保序回归、数据的随机非参数化以及相关方法提供免费可用且用户友好的工具来解决这一挑战。本文介绍了pyStoNED软件包的教程,并说明了其应用,重点是前沿成本和生产函数的估计。
2021-09-27 stat.AP stat.CO stat.ME
A two-step approach to production frontier estimation and the Matsuoka's distribution
Programa de Pós-Graduação em Estatística - Universidade Federal do Rio Grande do Sul(南里奥格兰德联邦大学统计学研究生项目)
本文提出一种两步方法,利用Matsuoka分布估计生产前沿,通过非参数平滑和矩估计提高效率参数估计精度,并通过实证分析验证其在农业投入品效率评估中的有效性。
2026-01-13 stat.AP stat.ME
Partial frontiers are not quantiles
Aalto University School of Business(阿尔托大学商学院);Turku School of Economics, University of Turku(图尔库大学经济学院);Department of Environment and Geography, University of York(约克大学环境地理系)
本文证明部分前沿估计并非分位数,提出凸化阶-α及保序CQR/CER等替代估计量,并通过蒙特卡洛模拟和电厂数据验证其性能优劣。
2022-05-24 stat.AP stat.ME
A High Accuracy Stochastic Estimation of a Nonlinear Deterministic Model
本文提出了一种估计非线性确定性模型的方法。我们引入了一个随机模型,具有极小的方差,使确定性和随机模型基本上是无法区分的。这一点在论文中有解释。然后使用基于马尔可夫链蒙特卡罗(MCMC)方法的随机优化进行估计。
2015-11-12 stat.ME
Estimation and Specification Test for Diffusion Models with Stochastic Volatility
考虑到连续时间随机波动率模型在描述利率动态过程中的重要性,本文基于残差的显著经验过程,提出了一种对漂移函数和扩散函数的参数形式进行拟合优度检验的方法。检验统计量是在经验过程中使用连续泛函(Kolmogorov-Smirnov和Cramér-von Mises)构造的。为了评估所提出的测试,我们实施了一个模拟研究,其中的引导方法被认为是校准的测试。由于基于离散采样数据的随机波动率扩散模型的估计已被证明是困难的,因此我们通过针对不同估计程序的蒙特卡罗研究来解决这个问题。最后,应用程序的实际数据。
2022-08-17 stat.ME
The FFBS Estimation of High Dimensional Panel Data Factor Stochastic Volatility Models
本文在多元随机波动率模型的基础上,提出了一种新的具有可观测因子和不可观测因子的面板数据因子随机波动率模型,主要由均值方程、波动率方程和因子波动率演化三部分组成。随机波动率方程是一个一步向前预测过程,需要估计高维参数。采用马尔可夫链蒙特卡罗模拟(MCMC)方法,主要采用随机波动方程的前向滤波后向采样(FFBS)算法,通过卡尔曼滤波递归算法(KFRA)对新模型进行估计。数值模拟和潜在因素估计结果表明,该算法对参数估计具有鲁棒性和一致性。本文运用新模型及其估计方法,对中国股市互联网金融与传统金融类上市公司的可观测因素和不可观测因素进行了比较分析。结果表明,可观察因素对两类上市公司的影响相似,但不可观察因素的影响明显不同。
2019-04-08 stat.ME
Nonparametric Estimation for Stochastic Differential Equations Driven by Fractional Brownian Motion
研究了Hurst参数H > 1/2的分数阶布朗运动驱动的遍历随机过程漂移函数的非参数Nadaraya-Watson估计。估计是基于离散观测的随机过程。利用各态历经性质和随机积分,我们得到了所提出估计量的一致性。
2022-04-30 math.ST stat.ME stat.TH
Estimation and Inference by Stochastic Optimization: Three Examples
本文阐述了Forneron & Ng(2020)中设计的两种算法:重采样牛顿-拉夫森(rNR)和重采样拟牛顿(rqN)算法,它们可以加快结构模型的估计和自举推理。对BLP的经验应用表明,计算时间从标准引导的近5小时减少到rNR的1小时多一点,而使用rqN仅需15分钟。第一次蒙特卡洛演习说明了在概率单位IV回归估计和推断的方法的准确性。第二个练习还说明了统计效率增益相对于标准估计的模拟为基础的估计使用动态面板回归的例子。
2021-02-20 econ.EM stat.ME
Empirical Bayes Estimation for the Stochastic Blockmodel
随机块模型的推理目前在统计界以及在各种应用领域如社交网络、引文网络、大脑连接网络等中引起了越来越大的兴趣最近的理论发展表明,图的谱嵌入产生易处理的分布结果;特别地,随机块模型的随机点积潜在位置图公式化为邻接谱嵌入提供了正态分布的混合。我们采用这个新的理论提供了一个经验贝叶斯方法估计块成员的顶点在随机图中绘制的随机块模型,并证明其实际效用。使用Metropolis-within-Gibbs算法进行后验推断。通过蒙特卡罗模拟的研究,无论是在随机块模型和超越的理论和方法进行说明,并在维基百科数据集上的实验结果。
2016-02-09 stat.ME stat.ML
Stochastic gradient descent methods for estimation with large data sets
我们开发的参数估计的方法,在设置与大规模的数据集,传统的方法不再成立。我们的方法依赖于随机逼近,这是计算效率高,因为他们保持一个参数估计,并连续更新,基于一个单一的数据点的随机逼近。当更新基于噪声梯度时,随机逼近被称为标准随机梯度下降,这在具有大数据集的现代应用中是基本的。此外,我们的方法是数值稳定的,因为它们采用隐式更新的迭代。直觉上,隐式更新是标准更新的收缩版本,其中收缩因子取决于在相应数据点处观察到的费舍尔信息。这种收缩防止了迭代的数值发散,这可能是由过量的噪声或离群值引起的。我们在R中的sgd包提供了随机梯度下降方法的最广泛和最强大的实现。我们证明,sgd在运行时优于替代软件的几个估计问题与大量的数据集。我们的应用包括广泛的一类广义线性模型以及稳健回归的M-估计。
2015-09-22 stat.CO stat.ME stat.ML
Maximum likelihood estimation for a stochastic SEIR system for COVID-19
流行病数据驱动模型的参数估计是一个重要的研究课题。在某些情况下,我们可以通过用适当的噪声项描述不确定性来制定更好的模型。然而,由于有限的范围和部分信息,(一般)这种模型导致棘手的可能性。在这里,我们说明了SEIR模型的随机扩展如何改进基于其确定性模型的高估MCMC方案的不确定性量化,以计算墨西哥城确诊的COVID-19病例。利用一种特殊的机制来管理缺失数据,我们对随机模型的一些参数发展了极大似然估计,改进了对实际数据方差的描述。
2021-11-24 math.PR stat.AP stat.ME
Fast estimation of multivariate stochastic volatility
在本文中,我们开发了一个贝叶斯过程估计多变量随机波动率(MSV)的状态空间模型。基于逆Wishart分布和多元奇异Beta分布的乘法模型,提出了一种灵活的序列波动率更新的波动率的演变。计算速度快,由此产生的估计过程是特别适合于在线预测。在模型选择的背景下,三个性能指标进行了讨论:对数似然准则,标准化的一步预测误差的平均值,序贯贝叶斯因素。最后,所提出的方法被应用到一个数据集,包括8个汇率相对于美元。
2007-11-29 q-fin.ST stat.AP stat.ME
Robust and Efficient Parameter Estimation for Discretely Observed Stochastic Processes
在各种实际情况下,我们遇到的随机过程中,可以有效地模拟一个适当的参数模型为后续的统计分析的数据。不幸的是,基于极大似然(ML)原理的最常见的估计和推断方法由于其众所周知的缺乏鲁棒性而容易受到与假设模型的微小偏差或数据污染的影响。由于替代的非参数程序往往失去显着的效率,在本文中,我们开发了一个强大的参数估计程序的离散观测数据的参数随机过程模型,利用良好的性能流行的密度功率发散措施的最小距离推断的框架。特别地,在这里我们定义了独立增量和马尔可夫过程的最小密度幂散度估计(MDPDE)。我们建立的渐近一致性和分布的结果,建议MDPDE在这些依赖的随机过程设置和说明他们的好处比通常的ML估计常见的例子,如泊松过程,漂移布朗运动和自回归模型。
2022-04-11 math.ST stat.ME stat.TH
Nonparametric Bayesian volatility estimation for gamma-driven stochastic differential equations
针对伽马过程驱动的随机微分方程,提出一种基于分段常数先验和伽马先验的非参数贝叶斯波动率估计方法,通过MCMC进行后验推断,并给出收缩率理论保证及实验验证。
2021-08-26 math.ST stat.ME stat.TH
Volatility estimation for stochastic PDEs using high-frequency observations
本文研究了抛物型、线性、二阶、随机偏微分方程(SPDE)在时间和空间离散网格上的参数估计。一个高频率的制度被认为是网格的时间变量为零。针对波动率估计问题,提出了一种基于平方增量的矩估计方法。估计量是相容的,并存在一个中心极限定理。在半参数框架下,建立了综合波动率和微分算子参数的联合估计。从一个代表性的解决方案的SPDE与Dirichlet边界条件作为一个无限的因素模型和利用混合型性质的时间序列,该理论有很大不同的统计半鞅文献。该方法的性能示出在模拟研究。
2019-09-10 math.PR math.ST stat.ME
Parameter Estimation in Stochastic Differential Equations via Wiener Chaos Expansion and Stochastic Gradient Descent
Universitat Autónoma de Barcelona, Departament de Matemàtiques(巴塞罗那自治大学数学系);Facultad de Ciencias - Universidad Nacional Autónoma de México(墨西哥国立自治大学理学院);Secihti - Centro Interdisciplinario de Ciencias Marinas. IPN.(国家理工学院海洋科学跨学科中心)
本文通过随机梯度下降和维纳混沌展开方法,高效解决随机微分方程参数估计问题,将随机推断转化为确定性优化,提升计算效率。
2026-03-27 cs.LG math.PR stat.ME