基于Lasso罚的多元时间序列分析方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 多元时间序列研究现状 | 第9-11页 |
| 1.2 正则化Lasso罚研究现状 | 第11-12页 |
| 1.3 本文主要研究内容及章节安排 | 第12-14页 |
| 第2章 Lasso罚VAR模型 | 第14-25页 |
| 2.1 VAR模型的最小二乘估计 | 第14-15页 |
| 2.2 VAR模型的Lasso估计 | 第15-18页 |
| 2.2.1 Lasso方法 | 第15-16页 |
| 2.2.2 Lasso罚VAR模型 | 第16页 |
| 2.2.3 坐标下降法求解Lasso-VAR模型 | 第16-18页 |
| 2.3 罚参数选择 | 第18-19页 |
| 2.3.1 网格法 | 第18页 |
| 2.3.2 滚动交叉验证 | 第18-19页 |
| 2.4 Lasso罚VAR模型的应用 | 第19-23页 |
| 2.4.1 空气质量预测应用背景 | 第19页 |
| 2.4.2 数据说明 | 第19-20页 |
| 2.4.3 实验过程与结果分析 | 第20-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第3章 序Lasso回归模型 | 第25-39页 |
| 3.1 基本原理 | 第25-26页 |
| 3.2 邻近梯度法 | 第26-29页 |
| 3.2.1 预备知识 | 第26页 |
| 3.2.2 邻近梯度法 | 第26-27页 |
| 3.2.3 求解序Lasso回归模型 | 第27-29页 |
| 3.3 序Lasso罚时滞回归模型 | 第29-30页 |
| 3.4 序Lasso罚时滞回归模型的应用 | 第30-38页 |
| 3.4.1 自回归时间序列应用 | 第30-32页 |
| 3.4.2 多元时间序列应用 | 第32-36页 |
| 3.4.3 空气质量预测 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 分层向量自回归模型 | 第39-59页 |
| 4.1 基本原理 | 第39-43页 |
| 4.1.1 模型简介 | 第39-40页 |
| 4.1.2 分层结构 | 第40-43页 |
| 4.2 加速邻近梯度法 | 第43-45页 |
| 4.3 分层向量自回归模型的应用 | 第45-58页 |
| 4.3.1 宏观经济数据分析 | 第45-48页 |
| 4.3.2 脑电信号特征提取 | 第48-58页 |
| 4.4 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第66-67页 |
| 致谢 | 第67页 |
