第一篇：商務統(tǒng)計例題代碼（小編推薦）

商務數據分析與應用

第1章 線性回歸

? 移動通信網絡的客戶價值分析

*指標設計

Y相對利潤變化 X1通話總量 X2大網占比 X3小網占比

#讀入數據，以數據為第一行

data1=read.csv(“F:/1商務統(tǒng)計/案例數據/第1章.csv”,header=T)names(data1)=c(“Y”,“X1”,“X2”,“X3”)data1[c(1:3),]

## Y X1 X2 X3 ## 1 0.2126197 2.822822 0.9037594 0.21954887 ## 2 0.2756156 2.628389 0.9717647 0.02823529 ## 3 0.1687526 2.537819 0.9913043 0.22318841

*描述分析

N=sapply(data1,length)#樣本量 MU=sapply(data1,mean)#均值 SD=sapply(data1,sd)#標準差 MIN=sapply(data1,min)#最小值 MED=sapply(data1,median)#中位數 MAX=sapply(data1,max)#最大值

result=cbind(N,MU,SD,MIN,MED,MAX)result

## N MU SD MIN MED MAX ## Y 1123 0.1930176 0.1324444-0.49801016 0.1870535 0.9925818 ## X1 1123 2.5804381 0.4083604 0.77815125 2.5831988 3.6009729 ## X2 1123 0.8457207 0.1538765 0.09867452 0.8983452 1.0000000 ## X3 1123 0.2521307 0.2112832 0.00000000 0.1983730 0.9734904

*最小二乘估計

lm1=lm(Y~X1+X2+X3,data=data1)lm1

## Call:

## lm(formula = Y ~ X1 + X2 + X3, data = data1)## Coefficients:

##(Intercept)X1 X2 X3 ##-0.488566 0.235569 0.089486-0.007807

*方差分析

anova(lm1)

## Analysis of Variance Table ## Response: Y

## Df Sum Sq Mean Sq F value Pr(>F)## X1 1 10.7177 10.7177 1375.7807 < 2.2e-16 *** ## X2 1 0.2448 0.2448 31.4279 2.606e-08 *** ## X3 1 0.0017 0.0017 0.2216 0.638 ## Residuals 1119 8.7173 0.0078

## Signif.codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

*參數估計

summary(lm1)

## Call:

## lm(formula = Y ~ X1 + X2 + X3, data = data1)## Residuals:

## Min 1Q Median 3Q Max ##-0.62789-0.04540-0.01281 0.03177 0.62598 ## Coefficients:

## Estimate Std.Error t value Pr(>|t|)##(Intercept)-0.488566 0.026160-18.676 < 2e-16 *** ## X1 0.235569 0.006519 36.135 < 2e-16 *** ## X2 0.089486 0.022915 3.905 9.98e-05 *** ## X3-0.007807 0.016586-0.471 0.638

## Signif.codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## Residual standard error: 0.08826 on 1119 degrees of freedom ## Multiple R-squared: 0.5571, Adjusted R-squared: 0.5559 ## F-statistic: 469.1 on 3 and 1119 DF, p-value: < 2.2e-16

*模型診斷（）

par(mfrow=c(2,2))

plot(lm1,which=c(1:4))

第2章 方差分析

? 北京市商品房定價分析

*指標設計

Y價格=log(平均售價)X1環(huán)線位置 X2裝修狀況 X3所在區(qū)縣 X4有無地鐵

data2=read.csv(“F:/1商務統(tǒng)計/案例數據/第2章.csv”,header=T)names(data2)=c(“Y”,“X1”,“X2”,“X3”,“X4”)#對因變量做對數變換 data2$Y=log(data2$Y)data2[c(1:3),]

## Y X1 X2 X3 X4 ## 1 1.098612 2至3環(huán) 精裝修 朝陽 有 ## 2 1.686399 2至3環(huán) 精裝修 朝陽 無 ## 3 1.386294 2至3環(huán) 精裝修 朝陽 有

*描述分析（按環(huán)線位置）N=tapply(data2$Y,data2$X1,length)#樣本量 MU=tapply(data2$Y,data2$X1,mean)#均值 SD=tapply(data2$Y,data2$X1,sd)#標準差 MIN=tapply(data2$Y,data2$X1,min)#最小值 MED=tapply(data2$Y,data2$X1,median)#中位數 MAX=tapply(data2$Y,data2$X1,max)#最大值 result=cbind(N,MU,SD,MIN,MED,MAX)result

## N MU SD MIN MED MAX ## 2至3環(huán) 26 1.4409491 0.2395535 0.9162907 1.4816045 1.8405496 ## 3至4環(huán) 60 1.2373459 0.3516936 0.5877867 1.1631508 2.1517622 ## 4至5環(huán) 30 1.1399181 0.2123769 0.7884574 1.1785366 1.4816045 ## 5至6環(huán) 60 0.8595883 0.2113624 0.4700036 0.8541889 1.3609766 ## 6環(huán)以外 8 0.2490578 0.3411846-0.2231436 0.3129692 0.5877867

*描述分析（按裝修狀況）

N=tapply(data2$Y,data2$X2,length)#樣本量 MU=tapply(data2$Y,data2$X2,mean)#均值 SD=tapply(data2$Y,data2$X2sd)#標準差 MIN=tapply(data2$Y,data2$X2,min)#最小值 MED=tapply(data2$Y,data2$X2,median)#中位數 MAX=tapply(data2$Y,data2$X2,max)#最大值 result=cbind(N,MU,SD,MIN,MED,MAX)result

## N MU SD MIN MED MAX ## 精裝修 100 1.2620118 0.3798301 0.0000000 1.2527630 2.151762 ## 毛胚 84 0.8722567 0.2618101-0.2231436 0.9021733 1.360977

*描述分析（按所在區(qū)縣）

N=tapply(data2$Y,data2$X3,length)#樣本量 MU=tapply(data2$Y,data2$X3,mean)#均值 SD=tapply(data2$Y,data2$X3,sd)#標準差 MIN=tapply(data2$Y,data2$X3,min)#最小值 MED=tapply(data2$Y,data2$X3,median)#中位數 MAX=tapply(data2$Y,data2$X3,max)#最大值 result=cbind(N,MU,SD,MIN,MED,MAX)result

## N MU SD MIN MED MAX ## 朝陽 58 1.3189428 0.3767793 0.6931472 1.2668484 2.151762 ## 豐臺 38 1.0169271 0.2329162 0.5007753 1.0296194 1.458615 ## 海淀 52 1.1547562 0.2662418 0.5596158 1.1709029 1.722767 ## 通州 36 0.6744863 0.3172525-0.2231436 0.7175423 1.252763 *描述分析（按有無地鐵）

N=tapply(data2$Y,data2$X4,length)#樣本量 MU=tapply(data2$Y,data2$X4,mean)#均值 SD=tapply(data2$Y,data2$X4,sd)#標準差 MIN=tapply(data2$Y,data2$X4,min)#最小值 MED=tapply(data2$Y,data2$X4,median)#中位數 MAX=tapply(data2$Y,data2$X4,max)#最大值 result=cbind(N,MU,SD,MIN,MED,MAX)

result## N MU SD MIN MED MAX ## 無 36 1.095447 0.3228303 0.0000000 1.115007 1.686399 ## 有 148 1.081315 0.3977276-0.2231436 1.029619 2.151762

*方差分析

lm2.1=lm(Y~X1*X2+X3+X4,data=data2)

anova(lm2.1)## Analysis of Variance Table

## Response: Y## Df Sum Sq Mean Sq F value Pr(>F)## X1 4 13.4161 3.3540 59.9170 < 2.2e-16 *** ## X2 1 2.2944 2.2944 40.9884 1.439e-09 *** ## X3 3 1.3516 0.4505 8.0485 4.792e-05 *** ## X4 1 0.0133 0.0133 0.2375 0.6266 ## X1:X2 4 0.3153 0.0788 1.4082 0.2333 ## Residuals 170 9.5162 0.0560

## Signif.codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1*去除交互作用X1 × X2以及X4后的方差分析

lm2.2=lm(Y~X1+X2+X3,data=data2)anova(lm2.2)

## Analysis of Variance Table

## Response: Y## Df Sum Sq Mean Sq F value Pr(>F)## X1 4 13.4161 3.3540 59.6205 < 2.2e-16 *** ## X2 1 2.2944 2.2944 40.7856 1.481e-09 *** ## X3 3 1.3516 0.4505 8.0087 4.946e-05 *** ## Residuals 175 9.8448 0.0563

## Signif.codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1*參數估計

summary(lm2.2)

## Call:

## lm(formula = Y ~ X1 + X2 + X3, data = data2)

## Residuals:

## Min 1Q Median 3Q Max ##-0.72379-0.12676 0.00633 0.12498 0.73482

## Coefficients:## Estimate Std.Error t value Pr(>|t|)##(Intercept)1.47950 0.04767 31.037 < 2e-16 *** ## X13至4環(huán)-0.06256 0.05984-1.046 0.2972 ## X14至5環(huán)-0.17128 0.06794-2.521 0.0126 * ## X15至6環(huán)-0.40837 0.07241-5.640 6.73e-08 *** ## X16環(huán)以外-1.02414 0.11725-8.734 1.92e-15 *** ## X2毛胚-0.19259 0.04160-4.630 7.10e-06 *** ## X3豐臺-0.25072 0.05427-4.620 7.41e-06 *** ## X3海淀-0.02894 0.04940-0.586 0.5588 ## X3通州-0.11002 0.07118-1.546 0.1240

## Signif.codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## Residual standard error: 0.2372 on 175 degrees of freedom ## Multiple R-squared: 0.6341, Adjusted R-squared: 0.6174

## F-statistic: 37.91 on 8 and 175 DF, p-value: < 2.2e-16*模型診斷

par(mfrow=c(2,2))

plot(lm2.2,which=c(1:4))

第3章 邏輯回歸

? 上市企業(yè)特別處理ST分析

*指標設計

Y是否ST X1盈利質量ARA=應收賬款/總資產 X2公司規(guī)模ASSET=log(資產規(guī)模)X3資產周轉率ATO X4資產收益率ROA X5銷售收入增長率GROWTH X6債務資產比率（杠桿比率）LEV X7第一大股東持股比率（股權結構）SHARE data3=read.csv(“F:/1商務統(tǒng)計/案例數據/第3章.csv”,header=T)

names(data3)=c(“X1ARA”,“X2ASSET”,“X3ATO”,“X4ROA”,“X5GROWTH”,“X6LEV”,“X7SHARE”,“YST”)data3[c(1:3),]

## X1ARA X2ASSET X3ATO X4ROA X5GROWTH X6LEV X7SHARE YST

## 1 0.1923096 19.85605 0.0052 0.08770980-0.9507273 0.4458801 26.89 0

## 2 0.2201200 20.91086 0.0056 0.01682038-0.9426563 0.3986864 39.62 0

## 3 0.3252917 19.35262 0.0166 0.04246833-0.9374404 0.3033481 26.46 0

*描述分析

N=sapply(data3,length)#樣本量 MU=sapply(data3,mean)#均值 SD=sapply(data3,sd)#標準差 MIN=sapply(data3,min)#最小值 MED=sapply(data3,median)#中位數 MAX=sapply(data3,max)#最大值

result=cbind(N,MU,SD,MIN,MED,MAX)result

## N MU SD MIN MED MAX

## X1ARA 684 0.09504945 0.09228931 0.00000000 0.06832718 0.6346842

## X2ASSET 684 20.77785347 0.83352322 18.66070036 20.70050279 24.0176107

## X3ATO 684 0.51977383 0.36282648 0.00280000 0.43340000 3.1513000 ## X4ROA 684 0.05587011 0.03859391 0.00008170 0.05125798 0.3111300

## X5GROWTH 684 0.11525745 0.30702005-0.95072732 0.10228264 0.9985565

## X6LEV 684 0.40606356 0.16576397 0.01843107 0.40673974 0.9803218

## X7SHARE 684 46.03451754 17.68437717 4.16000000 44.95500000 88.5800000

## YST 684 0.05263158 0.22346029 0.00000000 0.00000000 1.0000000

*描述分析（按X1ARA）

N=tapply(data3$X1ARA,data3$YST,length)#樣本量 MU=tapply(data3$X1ARA,data3$YST,mean)#均值 SD=tapply(data3$X1ARA,data3$YST,sd)#標準差 MIN=tapply(data3$X1ARA,data3$YST,min)#最小值 MED=tapply(data3$X1ARA,data3$YST,median)#中位數 MAX=tapply(data3$X1ARA,data3$YST,max)#最大值 result=cbind(N,MU,SD,MIN,MED,MAX)result

## N MU SD MIN MED MAX ## 0 648 0.09060347 0.08673571 0.00000000 0.06634297 0.6346842 ## 1 36 0.17507708 0.14207891 0.01191061 0.13924284 0.5335909

*描述分析（按X2ASSET）

N=tapply(data3$X2ASSET,data3$YST,length)#樣本量 MU=tapply(data3$X2ASSET,data3$YST,mean)#均值 SD=tapply(data3$X2ASSET,data3$YST,sd)#標準差 MIN=tapply(data3$X2ASSET,data3$YST,min)#最小值 MED=tapply(data3$X2ASSET,data3$YST,median)#中位數 MAX=tapply(data3$X2ASSET,data3$YST,max)#最大值 result=cbind(N,MU,SD,MIN,MED,MAX)result

## N MU SD MIN MED MAX ## 0 648 20.77346 0.8324296 18.66070 20.6881 24.01761 ## 1 36 20.85695 0.8611029 19.07364 20.8161 23.48810

*描述分析（按X3ATO）

N=tapply(data3$X3ATO,data3$YST,length)#樣本量 MU=tapply(data3$X3ATO,data3$YST,mean)#均值 SD=tapply(data3$X3ATO,data3$YST,sd)#標準差 MIN=tapply(data3$X3ATO,data3$YST,min)#最小值 MED=tapply(data3$X3ATO,data3$YST,median)#中位數 MAX=tapply(data3$X3ATO,data3$YST,max)#最大值 result=cbind(N,MU,SD,MIN,MED,MAX)result

## N MU SD MIN MED MAX ## 0 648 0.5254105 0.3676712 0.0028 0.43455 3.1513 ## 1 36 0.4183139 0.2424995 0.0824 0.39110 0.9212

*描述分析（按X4ROA）

N=tapply(data3$X4ROA,data3$YST,length)#樣本量 MU=tapply(data3$X4ROA,data3$YST,mean)#均值 SD=tapply(data3$X4ROA,data3$YST,sd)#標準差 MIN=tapply(data3$X4ROA,data3$YST,min)#最小值 MED=tapply(data3$X4ROA,data3$YST,median)#中位數 MAX=tapply(data3$X4ROA,data3$YST,max)#最大值 result=cbind(N,MU,SD,MIN,MED,MAX)result

## N MU SD MIN MED MAX ## 0 648 0.05663345 0.03741736 0.000081700 0.05201964 0.3111300 ## 1 36 0.04212999 0.05459187 0.001052306 0.02567337 0.2350839

*描述分析（按X5GROWTH）

N=tapply(data3$X5GROWTH,data3$YST,length)#樣本量 MU=tapply(data3$X5GROWTH,data3$YST,mean)#均值 SD=tapply(data3$X5GROWTH,data3$YST,sd)#標準差 MIN=tapply(data3$X5GROWTH,data3$YST,min)#最小值 MED=tapply(data3$X5GROWTH,data3$YST,median)#中位數 MAX=tapply(data3$X5GROWTH,data3$YST,max)#最大值 result=cbind(N,MU,SD,MIN,MED,MAX)result

## N MU SD MIN MED MAX ## 0 648 0.12304428 0.2994712-0.9507273 0.1063968 0.9985565 ## 1 36-0.02490552 0.4003226-0.8167039-0.1188108 0.8997644

*描述分析（按X6LEV）

N=tapply(data3$X6LEV,data3$YST,length)#樣本量 MU=tapply(data3$X6LEV,data3$YST,mean)#均值 SD=tapply(data3$X6LEV,data3$YST,sd)#標準差 MIN=tapply(data3$X6LEV,data3$YST,min)#最小值 MED=tapply(data3$X6LEV,data3$YST,median)#中位數 MAX=tapply(data3$X6LEV,data3$YST,max)#最大值 result=cbind(N,MU,SD,MIN,MED,MAX)result ## N MU SD MIN MED MAX ## 0 648 0.4018435 0.1644874 0.01843107 0.4026904 0.9803218 ## 1 36 0.4820251 0.1726016 0.13810509 0.5042842 0.7937813

*描述分析（按X7SHARE）

N=tapply(data3$X7SHARE,data3$YST,length)#樣本量 MU=tapply(data3$X7SHARE,data3$YST,mean)#均值 SD=tapply(data3$X7SHARE,data3$YST,sd)#標準差 MIN=tapply(data3$X7SHARE,data3$YST,min)#最小值 MED=tapply(data3$X7SHARE,data3$YST,median)#中位數 MAX=tapply(data3$X7SHARE,data3$YST,max)#最大值 result=cbind(N,MU,SD,MIN,MED,MAX)result

## N MU SD MIN MED MAX ## 0 648 46.29100 17.69054 4.16 45.45 88.58 ## 1 36 41.41778 17.16103 14.03 37.02 74.44

*盒狀圖

ST_0=which(data3$YST==0)ST_1=which(data3$YST==1)

boxplot(data3$X1ARA[ST_0],data3$X1ARA[ST_1],xlab=“ST Status”,ylab=“ARA”)

boxplot(data3$X2ASSET[ST_0],data3$X2ASSET[ST_1],xlab=“ST Status”,ylab=“ASSET”)

boxplot(data3$X3ATO[ST_0],data3$X3ATO[ST_1],xlab=“ST Status”,ylab=“ATO”)

boxplot(data3$X4ROA[ST_0],data3X4ROA[ST_1],xlab=“ST Status”,ylab=“ROA”)

boxplot(data3$X5GROWTH[ST_0],data3$X5GROWTH[ST_1],xlab=“ST Status”,ylab=“GROWTH”)

boxplot(data3$X6LEV[ST_0],data3$X6LEV[ST_1],xlab=“ST Status”,ylab=“LEV”)

boxplot(data3$X7SHARE[ST_0],data3$X7SHARE[ST_1],xlab=“ST Status”,ylab=“SHARE”)

*邏輯回歸

glm3=glm(YST~X1ARA+X2ASSET+X3ATO+X4ROA+X5GROWTH+X6LEV+X7SHARE, family=binomial(link=logit),data=data3)summary(glm3)

## Call:

## glm(formula = YST ~ X1ARA + X2ASSET + X3ATO + X4ROA + X5GROWTH + ## X6LEV + X7SHARE, family = binomial(link = logit), data = data3)## Deviance Residuals:

## Min 1Q Median 3Q Max ##-1.4165-0.3354-0.2536-0.1958 3.0778 ## Coefficients:

## Estimate Std.Error z value Pr(>|z|)##(Intercept)-8.86924 4.63586-1.913 0.05573.## X1ARA 4.87974 1.49245 3.270 0.00108 ** ## X2ASSET 0.24660 0.22409 1.100 0.27115 ## X3ATO-0.50738 0.65744-0.772 0.44026 ## X4ROA-0.63661 6.22354-0.102 0.91853 ## X5GROWTH-0.83335 0.56706-1.470 0.14167 ## X6LEV 2.35415 1.20138 1.960 0.05005.## X7SHARE-0.01111 0.01115-0.997 0.31891

## Signif.codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1##(Dispersion parameter for binomial family taken to be 1)## Null deviance: 282.07 on 683 degrees of freedom ## Residual deviance: 251.51 on 676 degrees of freedom

## AIC: 267.51## Number of Fisher Scoring iterations: 6

*按照WMCR做模型預測以及評估

pred=predict(glm3,data3)

prob=exp(pred)/(1+exp(pred))yhat=1*(prob>0.0526)table(data3$YST,yhat)## yhat

## 0 1 ## 0 463 185 ## 1 11 25

第4章 定序回歸

? 手機商務消費者偏好度研究分析

*指標設計

Y偏好程度 X1手機品牌 X2能否拍照

X3能否收看電視 X4有無觸摸屏

X5電話本能否多條記錄 X6有無MP3 X7游戲數目

data4=read.csv(“F:/1商務統(tǒng)計/案例數據/第4章.csv”,header=T)names(data4)=c(“Y”,“X1”,“X2”,“X3”,“X4”,“X5”,“X6”,“X7”)data4[c(1:3),]

## Y X1 X2 X3 X4 X5 X6 X7 ## 1 3 諾基亞 0 0 0 1 1 3 ## 2 4 諾基亞 1 0 1 0 1 5 ## 3 4 諾基亞 0 1 1 0 0 7

*描述品牌與偏好度的關系

table(data4$Y,data4$X1)

## 波導 摩托羅拉 諾基亞 三星 ## 1 37 24 34 26 ## 2 80 64 53 66 ## 3 98 138 132 133 ## 4 109 108 116 96 ## 5 28 30 35 44

*描述分析其他功能性指標

#均值

MU2=tapply(data4$X2,data4$Y,mean)MU3=tapply(data4$X3,data4$Y,mean)MU4=tapply(data4$X4,data4$Y,mean)MU5=tapply(data4$X5,data4$Y,mean)MU6=tapply(data4$X6,data4$Y,mean)result=cbind(MU2,MU3,MU4,MU5,MU6)result

## MU2 MU3 MU4 MU5 MU6 ## 1 0.4297521 0.4380165 0.4710744 0.2148760 0.5371901 ## 2 0.3840304 0.4334601 0.4296578 0.3878327 0.5019011 ## 3 0.4830339 0.4890220 0.5369261 0.4231537 0.4530938 ## 4 0.5780886 0.5314685 0.5547786 0.6153846 0.5151515 ## 5 0.5766423 0.6350365 0.3795620 0.8540146 0.5985401

*描述分析（游戲數目）

N=tapply(data4$X7,data4$Y,length)#樣本量 MU=tapply(data4$X7,data4$Y,mean)#均值 SD=tapply(data4$X7,data4$Y,sd)#標準差 MIN=tapply(data4$X7,data4$Y,min)#最小值 MED=tapply(data4$X7,data4$Y,median)#中位數 MAX=tapply(data4$X7,data4$Y,max)#最大值 result=cbind(N,MU,SD,MIN,MED,MAX)result

## N MU SD MIN MED MAX ## 1 121 5.066116 1.339997 3 5 7 ## 2 263 5.060837 1.512072 3 5 7 ## 3 501 4.904192 1.582025 3 5 7 ## 4 429 5.037296 1.723534 3 5 7 ## 5 137 5.000000 1.940285 3 5 7

*計算因變量頻數

table(data4$Y)

## 1 2 3 4 5 ## 121 263 501 429 137

*極大似然估計

library(MASS)

probit4=polr(as.factor(Y)~as.factor(X1)+X2+X3+X4+X5+X6+X7,method=“probit”,Hess=T,data=data4)summary(probit4)

## Call:

## polr(formula = as.factor(Y)~ as.factor(X1)+ X2 + X3 + X4 + ## X5 + X6 + X7, data = data4, Hess = T, method = “probit”)## Coefficients:

## Value Std.Error t value ## as.factor(X1)摩托羅拉 0.28048 0.09608 2.9193 ## as.factor(X1)諾基亞 0.48908 0.08529 5.7342 ## as.factor(X1)三星 0.27652 0.08613 3.2106 ## X2 0.39145 0.05984 6.5419 ## X3 0.31159 0.06188 5.0357 ## X4 0.25499 0.06176 4.1291 ## X5 0.90094 0.06362 14.1606 ## X6 0.20205 0.07563 2.6714 ## X7-0.01373 0.01761-0.7799 ## Intercepts:

## Value Std.Error t value ## 1|2-0.3036 0.1313-2.3125 ## 2|3 0.5214 0.1295 4.0247 ## 3|4 1.5312 0.1331 11.5057 ## 4|5 2.6876 0.1418 18.9589 ## Residual Deviance: 3984.573 ## AIC: 4010.573

*按照MCR做預測 Y.hat=predict(probit4,data4)table(data4$Y,Y.hat)## Y.hat

## 1 2 3 4 5 ## 1 28 0 72 21 0 ## 2 49 0 145 69 0 ## 3 34 0 303 164 0 ## 4 7 0 188 234 0 ## 5 0 0 24 113 0

第5章 泊松回歸

? 付費搜索廣告數據分析

*指標設計

Y點擊量 X1關鍵詞長度 X2展現量 X3平均點擊價格 X4平均排名

data5=read.csv(“F:/1商務統(tǒng)計/案例數據/第5章.csv”,header=T)names(data5)=c(“Y”,“X1”,“X2”,“X3”,“X4”)data5[c(1:3),]

## Y X1 X2 X3 X4 ## 1 11 3 761 146.37 2.28 ## 2 1 5 8 105.72 1.00 ## 3 0 5 2 0.00 3.50

*全變量描述分析

N=sapply(data5,length)#樣本量 MU=sapply(data5,mean)#均值 SD=sapply(data5,sd)#標準差 MIN=sapply(data5,min)#最小值 MED=sapply(data5,median)#中位數 MAX=sapply(data5,max)#最大值

result=cbind(N,MU,SD,MIN,MED,MAX)result

## N MU SD MIN MED MAX ## Y 200 0.38500 1.472282 0 0 14.00 ## X1 200 6.70500 2.247942 2 7 13.00 ## X2 200 40.17500 200.657673 1 3 2242.00 ## X3 200 6.83445 22.502247 0 0 146.37 ## X4 200 4.53970 4.068050 1 3 26.00 *泊松回歸

pos5=glm(Y~X1+X2+X3+X4,family=poisson(),data=data5)summary(pos5)

## Call:

## glm(formula = Y ~ X1 + X2 + X3 + X4, family = poisson(), data = data5)

## Deviance Residuals:

## Min 1Q Median 3Q Max ##-2.0367-0.6888-0.4143-0.2060 6.3874 ## Coefficients:

## Estimate Std.Error z value Pr(>|z|)##(Intercept)1.2785068 0.4085366 3.129 0.00175 ** ## X1-0.3865588 0.0752822-5.135 2.82e-07 *** ## X2 0.0006558 0.0005122 1.280 0.20043 ## X3 0.0179875 0.0026502 6.787 1.14e-11 *** ## X4-0.2010931 0.0889027-2.262 0.02370 *

## Signif.codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1##(Dispersion parameter for poisson family taken to be 1)

## Null deviance: 358.74 on 199 degrees of freedom## Residual deviance: 173.95 on 195 degrees of freedom ## AIC: 259.75

## Number of Fisher Scoring iterations: 6

*預測與評估（）

pred=predict(pos5,data5)lam=exp(pred)

RME=abs(data5$Y-lam)/(1+lam)

summary(RME)## Min.1st Qu.Median Mean 3rd Qu.Max.## 0.000632 0.046380 0.137400 0.249300 0.273000 5.471000

第6章 生存數據回歸

? 員工離職管理分析

*指標設計

Y工作年限 C是否離職 X1戶籍 X2性別 X3年齡

data6=read.csv(“F:/1商務統(tǒng)計/案例數據/第6章.csv”,header=T)names(data6)=c(“X1”,“X2”,“X3”,“Y”,“C”)data6[c(1:3),] ## X1 X2 X3 Y C ## 1 異地 男 25 9 1 ## 2 本地 男 30 24 0 ## 3 異地 女 20 30 1

*KM估計生存函數

library(survival)

## Warning: package 'survival' was built under R version 3.2.3 summary(survfit(Surv(data6$Y,data6$C)~1))

## Call: survfit(formula = Surv(data6.1$Y, data6.1$C)~ 1)

## time n.risk n.event survival std.err lower 95% CI upper 95% CI ## 3 844 84 0.585 0.01367 0.558 0.612 ## 4 760 62 0.537 0.01383 0.510 0.565 ## 5 698 38 0.508 0.01387 0.481 0.536 ## 6 660 38 0.478 0.01385 0.452 0.506 ## 7 621 47 0.442 0.01378 0.416 0.470

*畫出生存函數

plot(survfit(Surv(data6$Y,data6$C)~1))

*分戶籍描述

plot(survfit(Surv(Y,C)~X1,data=data6),col=c(1,2),lty=c(1,2))

*分性別描述

plot(survfit(Surv(Y,C)~X2,data=data6),col=c(1,2),lty=c(1,2))

*分年齡描述

nX3=floor(data6$X3/10)*10

plot(survfit(Surv(Y,C)~nX3,data=data6),col=c(1,2,3),lty=c(1,2,3))

*加速失效模型

fit6.1=survreg(Surv(Y+1,C)~X1+X2+X3,data=data6)summary(fit6.1)

##

## Call:

## survreg(formula = Surv(Y + 1, C)~ X1 + X2 + X3, data = data6)## Value Std.Error z p ##(Intercept)0.9118 0.2142 4.26 2.08e-05 ## X1異地-0.2967 0.0708-4.19 2.79e-05 ## X2女 0.2762 0.0742 3.72 1.98e-04 ## X3 0.0605 0.0074 8.18 2.82e-16 ## Log(scale)0.0911 0.0254 3.59 3.31e-04 ##

## Scale= 1.1 ##

## Weibull distribution

## Loglik(model)=-3512.4 Loglik(intercept only)=-3566 ## Chisq= 107.23 on 3 degrees of freedom, p= 0 ## Number of Newton-Raphson Iterations: 5 ## n= 1300

*Cox等比例風險模型

fit6.2=coxph(Surv(Y+1,C)~X1+X2+X3,data=data6)summary(fit6.2)## Call:

## coxph(formula = Surv(Y + 1, C)~ X1 + X2 + X3, data = data6)##

## n= 1300, number of events= 1005

## ## coef exp(coef)se(coef)z Pr(>|z|)## X1異地 0.267386 1.306544 0.064635 4.137 3.52e-05 *** ## X2女-0.235347 0.790297 0.067723-3.475 0.000511 *** ## X3-0.051081 0.950202 0.006755-7.562 3.95e-14 ***

##---## Signif.codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1##

## exp(coef)exp(-coef)lower.95 upper.95 ## X1異地 1.3065 0.7654 1.1511 1.4830 ## X2女 0.7903 1.2653 0.6921 0.9025 ## X3 0.9502 1.0524 0.9377 0.9629 ##

## Concordance= 0.616(se = 0.011)## Rsquare= 0.07(max possible= 1)

## Likelihood ratio test= 94.52 on 3 df, p=0 ## Wald test = 90.35 on 3 df, p=0 ## Score(logrank)test = 90.37 on 3 df, p=0 plot(survfit(fit6.1.2))

第二篇：應用統(tǒng)計典型例題

關于矩估計與極大似然估計的典型例題 例1，設總體X 具有分布律

23??1X~???22?(1??)(1??)2??

??其中0???1為未知參數。已經取得了樣本值x1?1,x2?2,x3?1，試求參數?的矩估計與極大似然估計。

解：（i）求矩估計量，列矩方程（只有一個未知參數）

E(X)??2?2?2?(1??)?3?(1??)2?3?2??X 43?3?X3?x53??? 得 ?矩?2226（ii）求極大似然估計，寫出似然函數，即樣本出現的概率

L(?)?P(X1?x1,X2?x2,X3?x3)

?P(X1?1,X2?2,X3?1)

?P(X1?1)?P(X2?2)?P(X3?1)??2?2?(1??)??2?2?5(1??)

對數似然

lnL(?)?ln2?5ln??ln(1??)

dlnL(?)51???0 d??1??得極大似然估計為

5??極? 6

例2，某種電子元件的壽命（以

h記）X服從雙參數指數分布，其概率密度為

?1?exp[?(x??)/?],x??f(x)???

?0,其他?其中?，??0均為未知參數，自一批這種零件中隨機抽取n件進行壽命試驗，xx,?,xn.設它們的失效時間分別為1,2（1）求（2）求?，?的最大似然估計量； ?，?的矩估計量。

n解：（1）似然函數，記樣本的聯合概率密度為

L(?，?)?f(x1,x2,?,xn;?，?)??f(xi)

i?1?n1??exp[?(xi??)/?],x1,x2,?,xn????i?1? ?0,其他?n?1?nexp(?(?xi?n?)/?),??x(1)???i?1 ?0,??x(1)?在求極大似然估計時，L(?，?)?0肯定不是最大值的似然函數值，不考

n慮這部分，只考慮另一部分。

取另一部分的對數似然函數

lnL(?,?)??nln??(?xi?n?)/?,??x(1)

i?1

n?xi?n????lnL(?,?)ni?1?????02????? ??lnL(?,?)n??0?????可知關于?，?的駐點不存在，但能判定單調性

?lnL(?,?)n??0知 由???lnL(?,?)??nln??(?xi?n?)/?,??x(1)，i?1n關于?是增函數，故

?極?x(1)??lnL(?,?)n???將之代入到????x?n?ii?1n?2?0中得

??極?x?x(1)

????x?則極(1)，極?x?x(1)一定能使得似然函數達到最大，故?，?的極大似然估計為

????極?x?x(1)? ???x??極(1)

（2）列矩方程組（兩個未知參數）

??1?E(X)??xexp[?(x??)/?]dx?????X?????n??2112222?E(X)?xexp[?(x??)/?]dx?(???)????Xi????ni?1?解出

n?12???(X?X)?矩?ini?1??1n??2??X?(X?X)?i?矩ni?1? 例3，設總體X~U[0,?]，其中??0為未知參數，X1,X2,?,Xn為來自總體X的一組簡單隨機樣本，12大似然估計。

解：似然函數，即樣本的聯合概率密度

nx,x,?,xn為樣本觀察值，求未知參數?的極

?1?n,0?x1,x2,?,xn??L(?)?f(x1,x2,?,xn;?)??f(xi)??? i?1??0,elseL(?)?0肯定不是最大值，考慮另一部分的最大值，取對數似然

lnL(?)??nln?,??x(n)

dlnL(?)n???0 d??知lnL(?)??nln?在??x(n)內是單調遞減的，故?的極大似然估計值為

取x(n)能使得似然函數達到最大，則???x，極大似然估計量為???X ?(n)(n)極極

第三篇：網站如何添加客服統(tǒng)計代碼

本文由秀瘦網提供http://004km.cn/

首先登入：http://004km.cn/

登入后進后臺

一般只要設置 賬號管理、樣式設置、獲取代碼。

1、樣式我們是這樣的

本文由秀瘦網提供http://004km.cn/

2、賬號設置

進入編輯是這樣的

本文由秀瘦網提供http://004km.cn/

3.最后就是復制代碼

獲取這代碼后 黏貼到后臺的統(tǒng)計代碼就可以的我們一tugogo的為例

這樣就OK 完工了，還有補充點： 代碼加到后臺后 要是在http://www.54kefu.net/設置您的賬號樣式這些的，會自動更新過來的。

第四篇：高考數學復習概率統(tǒng)計典型例題

高考數學復習概率統(tǒng)計典型例題

例1 下列命題：

(1)3，3，4，4，5，5，5的眾數是5；

(2)3，3，4，4，5，5，5的中位數是4.5；

(3)頻率分布直方圖中每一個小長方形的面積等于該組的頻率；

(4)頻率分布表中各小組的頻數之和等于1

以上各題中正確命題的個數是 [ ]．

A．1個 B．2個 C．3個 D．4個

分析：回憶統(tǒng)計初步中眾數、中位數、頻數、頻率等概念，認真分析每個命題的真假．

解：(1)數據3，3，4，4，5，5，5中5出現次數最多3次，5是眾數，是真命題．

(2)數據3，3，4，4，5，5，5有七個數據，中間數據是4不是4.5，是假命題．

(3)由頻率分布直方圖中的結構知，是真命題．

(4)頻率分布表中各小組的頻數之和是這組數據的個數而不是1，是假命題．

所以正確命題的個數是2個，應選B．

例2 選擇題：

(1)甲、乙兩個樣本，甲的樣本方差是0.4，乙的樣本方差是0.2，那么 [ ]

A．甲的波動比乙的波動大；

B．乙的波動比甲的波動大；

C．甲、乙的波動大小一樣；

D．甲、乙的波動大小關系不能確定．

(2)在頻率直方圖中，每個小長方形的面積等于 [ ]

A．組距 B．組數

C．每小組的頻數 D．每小組的頻率

分析：用樣本方差來衡量一個樣本波動大小，樣本方差越大說明樣本的波動越大．

用心 愛心 專心

122號編輯

解：(1)∵0.4＞0.2，∴甲的波動比乙的波動大，選A．

例3 為了了解中年人在科技隊伍中的比例，對某科研單位全體科技人員的年齡進行登記，結果如下(單位：歲)

44，40，31，38，43，45，56，45，46，42，55，41，44，46，52，39，46，47，36，50，47，54，50，39，30，48，48，52，39，46，44，41，49，53，64，49，49，61，48，47，59，55，51，67，60，56，65，59，45，28．

列出樣本的頻率分布表，繪出頻率分布直方圖．

解：按五個步驟進行：

(1)求數據最大值和最小值：

已知數據的最大值是67，最小值是28

∴最大值與最小值之差為67-28=39

(2)求組距與組數：

組距為5(歲)，分為8組．

(3)決定分點

(4)列頻分布表

用心 愛心 專心

122號編輯

(5)繪頻率分布直方圖：

例4 某校抽檢64名學生的體重如下(單位：千克)．

列出樣本的頻率分布表，繪出頻率分布直方圖．

分析：對這組數據進行適當整理，一步步按規(guī)定步驟進行．

解：(1)計算最大值與最小值的差：48-29=19(千克)

(2)決定組距與組數

樣本容量是64，最大值與最小值的差是19千克，如果取組距為2千克，19÷2=9.5，分10組比較合適．

(3)決定分點，使分點比數據多取一位小數，第一組起點數定為28.5，其它分點見下表．

(4)列頻率分布表．

用心 愛心 專心

122號編輯

(5)畫頻率分布直方圖(見圖3-1)

說明：

長方形的高與頻數成正比，如果設頻數為1的小長方形的高為h，頻數為4時，相應的小長方形的高就應該是4h．

例5 有一個容量為60的樣本，(60名學生的數學考試成績)，分組情況如下表：

(1)填出表中所剩的空格；

(2)畫出頻率分布直方圖．

分析：

用心 愛心 專心

122號編輯

各組頻數之和為60

各組頻率之和為1

解：

因為各小組頻率之和=1

所以第4小組頻率=1-0.05-0.1-0.2-0.3=0.35

所以第4小組頻數=0.35×60=第5小組頻數=0.3×60=18

(2)

例6 某班學生一次數學考試成績的頻率分布直方圖，其中縱軸表示學生數，觀察圖形，回答：

(1)全班有多少學生？

用心 愛心 專心

122號編輯

(2)此次考試平均成績大概是多少？

(3)不及格的人數有多少？占全班多大比例？

(4)如果80分以上的成績算優(yōu)良，那么這個班的優(yōu)良率是多少？

分析：根據直方圖的表示意義認真分析求解．

解：(1)29～39分1人，39～49分2人，49～59分3人，59～69分8人，69～79分10人，79～89分14人，89～99分6人．

共計 1+2+3+8+10+14+6=44(人)

(2)取中間值計算

(3)前三個小組中有1+2+3=6人不及格占全班比例為13.6%．

(4)優(yōu)良的人數為14+6=20，20÷44=45.5%．

即優(yōu)良率為45.5%．

說明：頻率分布表比較確切，但直方圖比較直觀，這里給出了直方圖，從圖也可以估計出一些數量的近似值，要學會認識圖形．

例7 回答下列問題：

用心 愛心 專心

122號編輯

總是成立嗎？

(2)一組數據據的方差一定是正數嗎？

總是成立嗎？

(4)為什么全部頻率的累積等于1？

解：(1)證明恒等式的辦法之一，是變形，從較繁的一邊變到較簡單的一邊．這

可見，總是成立．

順水推舟，我們用類似的方法證明(3)；注意

那么有

(2)對任一組數x1，x2，?，xn，方差

這是因為自然數n＞0，而若干個實數的平方和為非負，那么S2是有可對等于0的

從而x1=x2=?=xn，就是說，除了由完全相同的數構成的數組以外，任何數組的方差定為正數．

用心 愛心 專心

122號編輯

(4)設一個數組或樣本的容量為n，共分為m個組，其頻數分別為a1，a2，?，am，按規(guī)定，有

a1+a2+?+am=n，而各組的頻率分別a1／n，a2／n，?，am／n，因此，有

說明：在同一個問題里，我們處理了同一組數據x1，?，xn有關的兩個數組f1，f2，?，fk和a1，a2，?，am，前者是說：在這組數中，不同的只有k個，而每個出現的次數分別為f1，?，fk；后者則說明這組數所占的整個范圍被分成了m個等長的區(qū)間，出現在各個區(qū)間中的xi的個數分別為a1，?，am，可見，a1，?，an是f1，?fk的推廣，而前面說過的眾數，不過是其fi最大的那個數．

弄清研究數組x1，?，xn的有關數和概念間的聯系與區(qū)別，是很重要的．

例8 回答下列問題：

(1)什么是總體？個體？樣本？有哪些抽樣方法？

(2)反映樣本(或數據)數量水平的標志值有哪幾個？意義是什么？怎樣求？

(3)反映樣本(或數據)波動(偏差)大小的標志值有哪幾個？怎樣求？有什么區(qū)別？

(4)反映樣本(或數據)分布規(guī)律的數量指標和幾何對象是什么？獲得的一般步驟是什么？

解：這是一組概念題，我們簡略回答：

(1)在統(tǒng)計學里，把要考查對象的全體叫做總體；其中每個考查對象叫個體；從總體中抽出的一部分個體叫做總體的一個樣本；樣本中個體的數目，叫做樣本的容量．

應指出的是，這里的個體，是指反映某事物性質的數量指標，也就是數據，而不是事物本身，因此，總體的樣本，也都是數的集合．

抽樣方法通常有三種：隨機抽樣、系統(tǒng)抽樣和分層抽樣三種，基本原則是：力求排除主觀因素的影響，使樣本具有較強的代表性．

(2)反映樣本(或數據)數量水平或集中趨勢的標志值有三個，即平均數、眾數和中位數．

有時寫成代換形式；

用心 愛心 專心

122號編輯

有時寫成加權平均的形式：

其中，又有總體平均數(總體中所有個體的平均數)和樣本平均數(樣本中所有個體的平均數)兩種，通常，我們是用樣本平均數去估計總體平均數．且一般說來，樣本容量越大，對總體的估計也就越精確．

(ii)眾數，就是在一組數據中，出現次數最多的數．通常采用爬山法或計票畫“正”法去尋找．(爬山法是：看第一個數出現次數，再看第二、三、??有出現次數比它多的，有，則“爬到”這個數，再往后看??)．

(iii)中位數是當把數據按大小順序排列時，居于中間位置的一個數或兩個數的平均，它與數據的排列順序有關．

此外，還有去尾平均(去掉一個最高和一個最低的，然后平均)、總和等，也能反映總體水平．

(3)反映樣本(數據)偏差或波動大小的標志值有兩個：

(ii)標準差：一組數據方差的平方根：

標準差有兩個優(yōu)點，一是其度量單位與原數據一致；二是緩解S2過大或過小的現象．方差也可用代換式簡化計算：

(4)反映數據分布規(guī)律的是頻率分布和它的直方圖，一般步驟是：

(i)計算極差=最大數-最小數；

用心 愛心 專心

122號編輯

(iii)決定分點(可用比數據多一位小數的辦法)；

(v)畫頻率分布直方圖．

其中，分布表比較確切，直方圖比較直觀．

說明：此例很“大”，但是必要的，因為，當前大多數的中考題，很重視基本內容的表述，通過“填空”和“選擇”加以考查，我們要予以扎實．而更為重要的，這些概念和方法，正是通過偶然認識必然，通過無序把握有序，通過部分估計整體的統(tǒng)計思想在數學中的實現．

用心 愛心 專心

122號編輯

第五篇：商務統(tǒng)計與經濟計量系2009報告

商務統(tǒng)計與經濟計量系2009報告

商務統(tǒng)計與經濟計量系 2009報告 Department of Business Statistics and Econometrics，2009 Annual Report

北京大學光華管理學院

Guanghua School of Management，Peking University

商務統(tǒng)計與經濟計量系2009報告

目錄

1.系主任致辭.................................................3 2.師資團隊.....................................................3 3.系內新聞.....................................................3 4.出版論文.....................................................4 5.項目資金.....................................................6 6.研討會.........................................................6 7.參加會議.....................................................7 8.研究生.........................................................7

a)b)

畢業(yè)生..................................................................................7 在讀研究生..........................................................................8

商務統(tǒng)計與經濟計量系2009報告

1.系主任致辭

2.師資團隊

陳良焜，教授 陳奇志，講師 陳松蹊，教授兼系主任 范培華，教授 胡健穎，教授

金賽男，副教授(on leave)蘇良軍，副教授(on leave)徐敏亞，講師

王漢生，副教授兼副系主任 王明進，教授 張俊妮，副教授

特聘教授

刁錦寰，北京大學榮譽教授 陳嶸，特聘教授 陳曉紅，特聘教授 姚琦偉，特聘教授

3.系內新聞

1.英國倫敦經濟與政治科學學院統(tǒng)計學教授姚琦偉接受我院邀請繼續(xù)我系特聘教授職位。

2.Rutgers University教授陳嶸接受我院邀請繼續(xù)我系特聘教授職位。

3.陳松蹊教授同時當選為數理統(tǒng)計學會（IMS）資深會員（Fellow）及美國統(tǒng)計學會（ASA）

商務統(tǒng)計與經濟計量系2009報告

會士。

4.國際顧問小組成立。普林斯頓大學金融學教授范劍青和芝加哥大學商學院經濟計量與統(tǒng)計教授Reuy Tsay擔任聯合主席。成員分別是：香港中文大學統(tǒng)計學教授、系主任N.H.Chan，墨爾本大學統(tǒng)計學教授、ARC Federation Fellow, Peter Hall和柏林洪堡大學統(tǒng)計與經濟計量教授Wolfgang Haerdle。

5.講師陳奇志辭職。

6.陳松蹊教授將成為統(tǒng)計年鑒副主編，統(tǒng)計年鑒是世界頂尖的統(tǒng)計學學術刊物，他的任期將于2010年開始，為期三年。

7.王漢生老師榮獲教育部高等學校科學研究優(yōu)秀成果獎（人文社科類）統(tǒng)計學一等獎（教社科證字（2009）第038號）。

8.張俊妮老師出版教材“數據挖掘與應用“。

4.出版論文

Chen, Songxi and Wang, D.(2009)Empirical Likelihood for Estimating Equation with Missing Values.The Annals of Statistics, 37, 490-517.Chen, Songxi and Chiu Min Wong(2009)Smoothed Block Empirical Likelihood for Quantiles of Weakly Dependent Processes.Statistica Sinica, 19, 71-82.Chen, Songxi and Wang, D.(2009)Combining quantitative trait loci analyses and microarray data, an empirical likelihood approach.Computational Statistics and Data Analysis, 53, 1661-1673.Chen, Songxi and C.Yong Tang(2009)Parameter estimation and bias correction of diffusion processes.Journal of Econometrics, 149, 65—81.Chen, Songxi, L.Peng and Y-L, Qin(2009)Effects of Dimensionality on empirical likelihood.Biometrika, 96, 711–722.Chen, Songxi and I.Van Keilegom(2009)Empirical Likelihood Test for a Class of Regression Models, Bernoulli, 15, 955-976.Chen, Songxi, Chan, N-H, Peng, L.and C.L.Yu(2009)Empirical Likelihood Methods Based on Characteristic Functions with Applications to Levy Processes.Journal of the American Statistical Association, 104, 1621-1630.Chen, Songxi and I.Van Keilegom(2009)A review on empirical likelihood for regressions(with discussions), Test, 3, 415-447.商務統(tǒng)計與經濟計量系2009報告

黃達、王漢生（2009）“GARCH模型估計方法選擇及對上證指數的應用”，《數理統(tǒng)計與管理》.羅榮華、王漢生、胡新杰、江明華、（2009）“基于高維0-1變量的EM 算法在移動通信客戶細分中的應用”，《數理統(tǒng)計與管理》，第28卷 第2期，第264-269頁。Luo, Ronghua, Wang, Hansheng, and Tsai, C.L.(2009)Contour projected dimension reduction.The Annals of Statistics, 37, 3743--3778.Xu, Minya, Arthur Cohen, and H.B.Sackrowitz(2009)A new multiple testing method in the dependent case.The Annals of Statistics, 37, 1518-1544.Wang, Hansheng(2009)Forward regression for ultra-high dimensional variable screening.Journal of the American Statistical Association, 104, 1512--1524.Wang, Hansheng, Li, B., and Leng, C.(2009)Shrinkage tuning parameter selection with a diverging number of parameters.Journal of Royal Statistical Society, Series B, 71, 671-683.Wang, Hansheng and Leng, C.(2009)On general adaptive sparse principal component analysis.Journal of Computational and Graphical Statistics, 18, 201-215.Wang, Hansheng(2009)Rank reducible varying coefficient model.Journal of Statistical Planning and Inference, 139, 999-1011.Wang, Hansheng, Su, X., Tsai, C.L., Nickerson, D.M., and Li, B.(2009)Subgroup analysis via recursive partitioning.Journal of Machine Learning Research, 10, 141-158.Wang, Hansheng and Xia, Y.(2009)Shrinkage estimation of the varying coefficient model.Journal of the American Statistical Association, 104, 747--757.Wang, Hansheng and Tsai, C.L.(2009)Tail index regression.Journal of the American Statistical Association, 104, 1233--1240.Wang, Hansheng and Tsai, C.L.(2009)A discussion on “model selection for generalized linear models with factor-augmented predictors”.Applied Stochastic Models for Business and Industry.25, 241-242.Wang, Mingjin, Penzer Jeremy, Yao Qiwei,(2009), Approxiamating volatilities by Asymmetric Power GARCH Functions, Australian & New Zealand Journal of Statistics, 51(2), 201-225.Wang, Mingjin, and Yue Changjun.(2009).The Comparison of Personal Education return: A Semi-Parametric Method.Statistical Research, 26(6), 51-59.Zhang，Junni, Rubin, D.B., Mealli F.(2009).Lilelihood-based Analysis of Causal Effects via Principal Stratification: New Apporoach to Evaluating Job-Training Programs.Journal of the

商務統(tǒng)計與經濟計量系2009報告

American Statistical Association, 104,485.Zhang, Junni.(2009)Pricing of Non-performing Assets.Proceeding of the 57th Session of the International Statistical Institute.Zhang, Junni.(2009)Data Mining and Its Application.Peking University.5.項目資金

陳松蹊.China-US Exchange Grant in Mathematical Sciences,國家科學基金.陳松蹊.連續(xù)時間隨機過程的統(tǒng)計推斷, 國家科學基金: DMS-0604563

王明進 “基于數據降維的多元波動率模型”（項目批準號：70671002）

6.研討會

演講人 單位和演講題目

時間

Jing, Bingyi

香港中文大學

2009.1.6 跳-擴散過程中的方差分析

Huang, Meng 加州大學圣地亞哥分校

2009.2.17

條件獨立情況下的一個彈性檢驗

Yu, Ping

威斯康辛大學麥迪遜分校

2009.2.17

門限回歸中的參數有效估計

李瑩瑩

普林斯頓大學

2009.2.18

波動率估計的穩(wěn)健性

Vankeilegom, 比利時魯汶大學

2009.2.23 Ingrid 半參數模型和回歸中分散函數的估計

Roth, David WPP歐洲總裁

2009.3.4

在零售中價值對品牌和顧客而言的本質

王漢生

光華管理學院

2009.3.9

極端金融數據分析的回歸模型

陳松蹊

光華管理學院

2009.3.23 高維數據中兩個樣本集的檢驗及其在基因組檢驗中的應用

商務統(tǒng)計與經濟計量系2009報告

王啟華

嚴加安

安鴻志

Parr, Bill

何書元

童行偉

黃卓

中國科學研究院數學與系統(tǒng)科學研究院

缺失協方差數據中的偽半經驗似然 中國科學研究院數學與系統(tǒng)科學研究院

Markowitz策略修正

中國科學研究院數學與系統(tǒng)科學研究院

“紅學”中的數學思考

中歐商學院

中國的6-Sigma: 現狀和對未來的展望

2009.3.20

2009.4.6

2009.4.16

2009.4.27 北京大學數學科學學院概率統(tǒng)計系

點擊排名: 讓網民為網頁的重要性投票 北京師范大學

截斷數據中的不同系數的比例優(yōu)勢模型

2009.5.11

2009.6.17 李辰旭

斯坦福大學

2009.12.14 已實現的GARCH: 收益率和以實現的波動率測量的聯合模型

哥倫比亞大學

2009.12.23 控制波動率風險: 金融衍生品的創(chuàng)新，模型和實現

7.參加會議

陳松蹊, Using Option Prices to enhance estimation efficiency for underlying financial dynamics, at a session Financial Econometrics, Joint Statistical Meeting 2009, Washington DC.張俊妮.金融統(tǒng)計與金融計量國際研討會，西南財經大學統(tǒng)計學院.張俊妮.The 57th Session of the International Statistical Institute, 南非統(tǒng)計局

8.研究生

a)畢業(yè)生 博士生

名字

黃達

畢業(yè)去向和論文題目

指導老師

姚琦偉

芝加哥大學

GARCH模型估計選擇與兩種高維數據模型選擇法

商務統(tǒng)計與經濟計量系2009報告

羅榮華

西南財經大學

王漢生

碩士生

名字

黃思思

黃卓妍

任盼盼

萬釗

張瓊

畢業(yè)去向和論文題目

指導老師

王漢生 中國農業(yè)銀行

股價波動性的極差估計量在中國股票市場的實證研究 泰康資產管理公司

基于VaR理論評價多元波動率模型 北京市統(tǒng)計局

我國房地產價格影響因素分析 中國工商銀行

動態(tài)CAPM模型的估計和比較

王明進

王明進

王明進

威斯康辛大學麥迪遜分校

BIC準則的選擇相合性在判別分析中的討論

王漢生

b)在讀研究生 博士生

名字

2004級 2009級 孫便霞

劉威儀

碩士生

名字

柴俊

劉俠璐 潘蕊 邱宇謀 趙昕馨 周李超 常晉源 蘭偉 馬盈盈 汪帆

2007級

2008級

2008級

2008級

2008級

2008級

2009級

2009級

2009級

2009級