论文部分内容阅读
预测就是根据其历史数据,运用一定的预测方法,定量的非定量的对某一指标的未来数值或走势的推断。预测在社会的各个领域已经有了广泛的应用,伴随着预测的广泛应用和各种技术的发展,预测模型也有了无论形式与内容的深入发展,像回归模型预测法、协同学预测法、灰色模型预测法、相空间重构、神经网络预测法、马尔可夫预测技术、时间序列分析方法以及组合预测法等预测法逐渐被人们广泛的接受和应用。在这种情况下预测模型的评价问题就成了很关键的问题。目前对上述模型的评价是从结果的角度考虑的即是从历史数据与模型预测值的偏差角度考虑的。这种考虑存在着一些不足,本文所做的工作就是试图解决这些不足。熵在数学中的定义即为随机变量的不确定性。熵在自然科学和社会科学的很多领域已经有了广泛的应用。本文在模型评价中引入熵的概念。用解释变量经过预测模型的回归函数传导后的熵值来度量被解释变量的熵。本文写作的结构为首先提出问题并对相关研究进行综述,说明了本文的研究方法及思路;接着本文介绍了研究涉及到一些相关的基本概念包括一些预测模型的介绍、熵的介绍、随机变量的函数等;然后分析了解释变量为离散分布时熵在模型评价中的应用及解释变量为连续型时熵在模型评价中的应用;得出在各种模型下影响熵值的因素及各自的特点,对选择模型进行回归提出了建议。并对选择解释变量提供了另一种要求。最后对本文的研究进行了总结对将来的进一步研究提出了展望。本文的研究与分析有助于从熵的角度理解预测及预测模型。提出了评价预测模型的另一个角度,其他条件不变的情况下,被解释变量熵值较小的模型更优。同时提出了选择解释变量应该注意其对被解释变量熵值的影响,其他条件不变下,应选择使被解释变量熵值较小的解释变量。