基于lars-lasso方法及glm的特征价格模型构建研究

《基于lars-lasso方法及glm的特征价格模型构建研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、云南财经大学硕士学位论文基于LARS-Lasso方法及GLM的特征价格模型构建研究姓名：顾光同申请学位级别：硕士专业：统计学指导教师：王力宾2011-05摘要摘要随着Hedonic方法的应用越来越广泛，特征价格模型（HPM）构建研究的重要性不言而喻。但是经典HPM构建必须满足严格的统计学假定，比如商品价格的分布正态性、特征变量无共线性等假定。此外，用于筛选特征变量和解决其共线性的方法一般局限于逐步回归、主成分回归等。事实上，逐步回归会导致选取的特征变量过少，在解决共线性方面效果也有待模拟研究，而主成分方法用

2、在HPM构建中，往往使得特征变量的经济意义失色不少。针对上述问题，本文的具体研究工作如下：第一章，引言。从HPM的应用前景，经济学假定，统计学假定，特征变量和函数形式的选择等方面提出研究的问题、目的、和研究方法以及框架，文献综述HPM、广义线性模型（GLM）以及新的统计方法LARS-Lasso在HPM构建方面的国内外研究动向。第二章，经典特征价格模型及其构建的统计框架。分析均衡特征价格满足的统计形式以及线性、半对数、双对数和基于Box-Cox变换的经典HPM的函数形式和特征变量的选取方法与存在问题。梳理了影

3、子价格的LS、ML以及GLS的估计方法。从HPM构建目的介绍了不同角度的模型评价准则。特别对条件数诊断特征变量共线性的由来进行了梳理。第三章，广义线性模型和LARS-Lasso方法。概述了GLM形式和假定，介绍了LARS-Lasso方法和GLM的似然函数Lasso惩罚估计。第四章，广义特征价格模型构建的统计框架。引入GLM理论，拓展经典HPM为GHPM。用局部二次近似将Lasso惩罚的ML转化为Lasso惩罚的LS类型，使得影子价格的估计路径满足逐片线性，实现LARS-Lasso估计。给出GHPM的评价和诊

4、断方法，以及经济意义的解释，边际特征价格以及影子价格的计算公式，商品定价和编制拉氏LHPI、派氏PHPI以及费雪FHPI的方法。第五章，模拟研究和实例分析。首先，在特征变量间的相关度为0.95和0.99以及条件数证实共线性存在的情形下，随机模拟验证LARS-Lasso和逐步回归在解决共线性问题上的效果。其次，基于2009年1-9月的笔记本电脑数据实证GHPM构建框架的实用价值。其间，通过多种模型评价准则比较全模型的LS估III摘要计、逐步回归和LARS-Lasso的建模效果，并对模型进行直观性的统计诊断。最

5、后，根据确定的模型，结合市场具体情况进行笔记本电脑定价和特征价格指数编制分析。第六章，结论和展望。给出本文的主要结论以及相关问题的展望。通过以上几个方面的研究工作，本文主要结论和创新之处如下：1.系统地梳理了HPM理论的统计形式和HPM构建的统计框架。丰富和完善了HPM构建的理论框架。2.将经典HPM构建纳入GLM框架，弱化了原有的统计学假定，并给出GHPM构建框架。其间，用新的统计方法LARS-Lasso改进了传统的特征变量选取和影子价格估计方法。给出了GHPM下影子价格表达式和编制LHPI、PHPI以及

6、FHPI的方法。为GHPM的应用提供了理论基础。3.模拟验证和实证分析了LARS-Lasso方法不论在特征选取和估计以及解决共线性问题上的效果都优于逐步回归方法。基于LARS-Lasso方法及GLM的HPM构建的理论，建立GHPM。结合行业分析其经济意义，探讨商品定价策略以及编制特征价格指数实证了本文理论的可行性和实用价值。关键词：特征价格模型；广义线性模型；LARS；Lasso；特征价格指数IVABSTRACTABSTRACTAsHedonicmethodisusedmorewidely,theimpor

7、tanceisself-evidentforthestudyonmodelingofHedonicPriceModel(HPM).ButtheclassicHPMmustsatisfymanystatisticalassumptions，forexample,thenormalityofcommoditypricesdistribution,andthenon-colinearityamongthecharacteristicvariablesetc.Additionally,characteristicv

8、ariablesandsolutionstotheircolinearityproblemarecommonlychosenaccordingtostepwiseregressionmethodandprincipalcomponentregressionetc.Infact,basedonstepwiseregressionmethod，thecharacteristicvariablesfilteredmay