论文部分内容阅读
金融精准扶贫的减贫效应分析——基于扶贫小额信贷视角
【机 构】
：
江西财经大学
【出 处】
：
江西财经大学
【发表日期】
：
2021年期
【基金项目】
：
其他文献
“大数据”指的是庞大,快速产生或复杂的数据,很难或不可能使用传统方法进行处理。大数据的概念在二十一世纪初得到了发展,Schonberg和Kukier在《大数据时代》中首次提出了“大数据”这个词。大数据有大量,高速,多样,低价值密度等特点。大数据分析存在两个困难,其一是储存困难,因为数据可能太大,无法保存在计算机内存中;二是计算困难,计算耗时过长。幸运的是,这些困难可以通过新发展的统计方法或计算方法
学位
现代社会日新月异,不断蓬勃发展的科学技术带来了规模量前所未有的数据,分析如此规模的数据并从其中提取有效信息对统计学提出了新的挑战。其中,以大量数据为基础通过图模型构建多个变量之间的条件依赖结构是一个兼具挑战性和实用性的问题。协方差矩阵的逆矩阵,即精度矩阵,与图模型的构建密切相关。在高维情况下,即样本量远远小于样本维数时,由于样本协方差的奇异性,很难通过先估计样本协方差再求逆得到精度矩阵的估计。尽管
学位
随着科技的快速发展,高维统计方法已在信息技术、生物信息学、天文学等不同的科学领域得到了充分的应用。线性模型由于其简单易解释的特点,在高维数据的统计分析中成为实际工作者的首选。尽管目前关于高维统计推断的相关文献发展迅速,但它们大多都假设数据是独立观测的。然而具有时间相关的误差过程在实际数据中经常出现。将基于i.i.d.数据的方法直接应用于时间序列数据会导致不合理的估计和推断结果。因此,高维和时间相关
学位
人们获得的数据后,需要探究不同变量的关系.回归就是这样一种确定某些变量之间关系的方法,通常分为参数回归和非参数回归,这篇文章提到的多为非参数回归.非参数回归相对于参数回归有以下优点:第一,非参数回归通常可以有比参数回归更为自由的形式,不会受到参数回归形式的约束,同时对数据的分布没有要求;第二,非参数回归具备灵活性,通常可以适应不同的数据;第三,对于非线性且分布未知的数据,非参数回归通常会表现出比参
学位
主成分分析(PCA)是一种流行的数据处理和降维技术,在工程,生物学和社会科学中有许多应用。但是,主成分分析的一个显著缺点是,主成分通常是所有变量的线性组合,这非常不利于结果的解释。因此,近年来出现了许多对稀疏主成分分析(Sparse PCA)算法的研究。文章通过引入Lo范数来代替传统稀疏PCA问题中的L1范数,提出了一种新的稀疏PCA方法。使用这种方法,我们可以有效地获得稀疏主成分,并达到用稀疏线
学位
在不均衡分类任务中,少数类样本识别率过低经常令我们蒙受巨大的损失。为了提高分类器在不均衡学习中的表现,本文提出了一种基于密度比模型和核方法的新分类器:密度比分类器(density ratio classifier,DRC)。密度比模型的扩展,高效的求解算法以及基于ROC曲线的估计构建的判别规则都是使得密度比分类器能够高效处理不均衡分类任务的不可或缺的因素。在第二章,本文首先介绍了密度比模型及其相关
学位
随着科学技术的快速发展,高维统计分析在各个领域的应用都十分广泛。在处理高维数据时,我们通常会假定数据是稀疏的,利用施加正则化惩罚的方法来获得对模型可解释性较好的稀疏解,但是该方法获得的稀疏解因缺乏对估计值分布的理论保证而无法进行相关的统计推断工作。然而,在许多需要保证可靠性的领域,例如医疗行业、风险投资、互联网金融等领域,相对于变量选择和参数估计,人们可能对置信区间、假设检验等统计推断方法更感兴趣
学位