模型修正演算法

㈠ 埃德蒙·貝拉米像右下角的數學公式是什麼

這幅畫作簽名是公式：
「min max Ex[log（D（x））] +Ez[log（1-D（G（z）））]，用來顯示創作它的實際演算法。

《埃德蒙·貝芹冊隱拉米肖像》，是由巴黎一個藝術團體利用深度學習的AI方法創作而成。這種深度學習是一種生成對抗網路（GAN）模型，通過姿褲「生成模型」和「判別模型」互相博弈產生相的嫌廳結果。創作團體先拍攝了15,000張14世紀到20世紀之間的經典肖像，用來「訓練」計算機，讓計算機「理解」肖像畫的「創作規則」，建立的演算法公式，形成「生成模型」產生圖像；再利用計算機的「判別模型」，發現計算機創作的圖像與真實畫作之間的差異，並作出判斷。「生成模型」不斷修正演算法，直至生成的圖像難以讓「判別模型」判斷是否是真實畫作時，即可以「以假亂真」時，計算機就「學有所成」，利用此時的「生成模型」演算法公式「創作」了。

㈡ 急問~~怎樣修正此計量經濟學模型請計量方面的高手進來指導一下！

樓上的回答不是差分法，實際上，這是我們常用的剔出法……這個方法配上testdrop檢驗是我們用得最多的，笑差但是如果你要用差分法，說實話我也沒用過……因為這真的是看上去簡單，做起來好難！我只能給顫缺你圖，這個是茄升辯易丹輝的書上的方法，應該不會錯，你試試吧。如果現在圖片沒上來我只能晚點補給你，現在在單位網速不行。

㈢ 向量誤差修正模型

誤差修正模型（Error Correction Model）

[編輯]誤差修正模型的產生原因
對於非穩定時間序列，可通過差分的方法將其化為穩定序列，然後才可建立經典的回歸分析模型。

如：建立人均消費水平（Y）與人均可支配收入（X）之間的回歸模型：

Yt = α0 + α1Xt + μt

如果Y與X具有共同的向上或向下的變化趨勢,進行差分，X,Y成為平穩序列，建立差分回歸模型得：

ΔYt = α1ΔXt + vt 式中，vt = μt − μt − 1

然而，這種做法會引起兩個問題： (1)如果X與Y間存在著長期穩定的均衡關系 Yt = α0 + α1Xt + μt 且誤差項μt不存在態賀塵序列相關，則差分式 ΔYt = α1ΔXt + vt 中的vt是一個一階移動平均時間序列，因而是序列相關的；(2)如果採用差分形式進行估計，則關於變數水平值的重要信息將被忽略，這時模型只表達了X與Y間的短期關系，而沒有揭示它們間的長期關系。

因為，從長期均衡的觀點看，Y在第t期的變化不僅取決於X本身的變化，還取決於X與Y在t-1期末的狀態，尤其是X與Y在t-1期的不平衡程度。 另外，使用差分變數也往往會得出不能令人滿意回歸方程。

例如，使用ΔY1 = ΔXt + vt 回歸時，很少出現截距項顯著為零的情況，即我們常常會得到如下形式的方程： 式中， （*）

在X保持不變時，如果模型存在靜態均衡（帆禪static equilibrium），Y也會保持它的長期均衡值不變。

但如果使用（*）式，即使X保持不變，Y也會處於長期上升或下降的過程中，這拍殲意味著X與Y間不存在靜態均衡。這與大多數具有靜態均衡的經濟理論假說不相符。可見，簡單差分不一定能解決非平穩時間序列所遇到的全部問題，因此，誤差修正模型便應運而生。

[編輯]誤差修正模型的概述
誤差修正模型（Error Correction Model，簡記為ECM）是一種具有特定形式的計量經濟學模型，它的主要形式是由Davidson、 Hendry、Srba和Yeo於1978年提出的，稱為DHSY模型。

為了便於理解，我們通過一個具體的模型來介紹它的結構。

假設兩變數X與Y的長期均衡關系為:

Yt = α0 + α1Xt + μt

由於現實經濟中X與Y很少處在均衡點上，因此實際觀測到的只是X與Y間的短期的或非均衡的關系，假設具有如下(1,1)階分布滯後形式

該模型顯示出第t期的Y值，不僅與X的變化有關，而且與t-1期X與Y的狀態值有關。

由於變數可能是非平穩的，因此不能直接運用OLS法。對上述分布滯後模型適當變形得： (**) , 式中，λ = 1 − μ，，

如果將（**）中的參數，與Yt = α0 + α1Xt + μt中的相應參數視為相等，則（**）式中括弧內的項就是t-1期的非均衡誤差項。

（**）式表明：Y的變化決定於X的變化以及前一時期的非均衡程度。同時，（**）式也彌補了簡單差分模型ΔY1 = ΔXt + vt的不足，因為該式含有用X、Y水平值表示的前期非均衡程度。因此，Y的值已對前期的非均衡程度作出了修正。

(**)

稱為一階誤差修正模型(first-order error correction model)。

（**）式可以寫成：

其中:ecm表示誤差修正項。由分布滯後模型知：一般情況下|μ|<1 ，由關系式μ得0<λ<1。可以據此分析ecm的修正作用：

(1)若(t-1)時刻Y大於其長期均衡解α0 + α1X，ecm為正，則(-λecm)為負，使得ΔYt減少；

(2)若(t-1)時刻Y小於其長期均衡解α0 + α1X，ecm為負，則(-λecm)為正，使得ΔYt增大。

（***）體現了長期非均衡誤差對的控制。

需要注意的是：在實際分析中，變數常以對數的形式出現。

其主要原因在於變數對數的差分近似地等於該變數的變化率，而經濟變數的變化率常常是穩定序列，因此適合於包含在經典回歸方程中。

於是:

(1)長期均衡模型

Yt = α0 + α1Xt + μt

中的α1可視為Y關於X的長期彈性（long-run elasticity）

(2)短期非均衡模型

中的β1可視為Y關於X的短期彈性（short-run elasticity）。

更復雜的誤差修正模型可依照一階誤差修正模型類似地建立。

[編輯]誤差修正模型的建立
（1）Granger 表述定理

誤差修正模型有許多明顯的優點：如 a）一階差分項的使用消除了變數可能存在的趨勢因素，從而避免了虛假回歸問題； b）一階差分項的使用也消除模型可能存在的多重共線性問題； c）誤差修正項的引入保證了變數水平值的信息沒有被忽視； d）由於誤差修正項本身的平穩性，使得該模型可以用經典的回歸方法進行估計，尤其是模型中差分項可以使用通常的t檢驗與F檢驗來進行選取。

因此，一個重要的問題就是：是否變數間的關系都可以通過誤差修正模型來表述？

就此問題，Engle 與 Granger 1987年提出了著名的Grange表述定理（Granger representaion theorem）：

如果變數X與Y是協整的，則它們間的短期非均衡關系總能由一個誤差修正模型表述：

ΔYt = lagged(ΔY,ΔX) − λμt − 1 + εt

式中，μt − 1是非均衡誤差項或者說成是長期均衡偏差項， λ是短期調整參數。

對於(1,1)階自回歸分布滯後模型

如果 Yt~I(1), Xt~I(1) ; 那麼 的左邊ΔYt~I(0) ，右邊的ΔXt ~I(0) ，因此，只有Y與X協整，才能保證右邊也是I(0)。

因此，建立誤差修正模型，需要

首先對變數進行協整分析，以發現變數之間的協整關系，即長期均衡關系，並以這種關系構成誤差修正項。然後建立短期模型，將誤差修正項看作一個解釋變數，連同其它反映短期波動的解釋變數一起，建立短期模型，即誤差修正模型。

（2）Engle-Granger兩步法

由協整與誤差修正模型的的關系，可以得到誤差修正模型建立的E-G兩步法： 第一步，進行協整回歸（OLS法），檢驗變數間的協整關系，估計協整向量（長期均衡關系參數）； 第二步，若協整性存在，則以第一步求到的殘差作為非均衡誤差項加入到誤差修正模型中，並用OLS法估計相應參數。 需要注意的是：在進行變數間的協整檢驗時，如有必要可在協整回歸式中加入趨勢項，這時，對殘差項的穩定性檢驗就無須再設趨勢項。 另外，第二步中變數差分滯後項的多少，可以殘差項序列是否存在自相關性來判斷，如果存在自相關，則應加入變數差分的滯後項。

（3）直接估計法

也可以採用打開誤差修整模型中非均衡誤差項括弧的方法直接用OLS法估計模型。 但仍需事先對變數間的協整關系進行檢驗。

如對雙變數誤差修正模型

可打開非均衡誤差項的括弧直接估計下式：

這時短期彈性與長期彈性可一並獲得。 需注意的是，用不同方法建立的誤差修正模型結果也往往不一樣。

㈣ 如何修正結構方程模型，Mplus大神看這邊！

修正不是必須的。而且你的程序也有一點問題。（南心網 Mplus）

㈤ 求助：結構方程模型怎麼修正

需要設置專門的修正指數輸出選項，點擊結果查看文件，就可猛老以看到卡方凱知告值和修正指數了。（南盯明心網 Amos結構方程模型）

㈥ 路徑分析如何操作模型如何修正

一、研究場景

路徑分析,也稱通徑分析（有橋如時也稱結構方程模型，一般情況下如果包括測量模型和結構模型，則稱為結構方程模型；如果只包括結構模型，則稱為路徑分析）。路徑分析在於研究模型影響關系，用於對模型假設進行驗證。比如下圖的模型框架：希望研究工作條件，人際關系對於公司滿意度的影響；同時還希望研究公司滿意度和機會感知對於離職傾向的影響。路徑有一共有4條（即4對影響關系），路徑分析可以同時研究此4對影響關系。

二、SPSSAU操作

1.SPSSAU上傳數據

登錄賬號後進入SPSSAU頁面，點擊右上角「上傳數據」，將處理好的數據進行「點擊上傳文件」上傳即可。

2.處理分析項

在「問卷研究」模塊中選擇「路徑分析」方法，調整好自變數與因變數之間的關系，輸點擊「開始分析」即可。

模型舉例如下：

三、SPSSAU分析

背景：在進行實證研究時，建議模型如下。希望研究工作條件，人際關系對於公司滿意度的影響；同時還希望研究公司滿意度和機會感知對於離職傾向的影響。相當於一共建立了四個假設。希望使用路徑分析進行模型驗證，最終進行假設檢驗。

補充說明： 針對路徑分析的步驟上，SPSSAU建議分為以下三個步驟，分別為：

第一步：建立模型。並初步查看模型擬合結構，回歸系數顯著性等；

第二步：調整模敗消中型。如果擬合指標不達標(比如RMSEA值過大)，此時共有兩種模型調整辦法，第一種辦法是結合「回歸影響關系-MI指標表格」結果及專業知識情況，重新調整模型；第二種辦法是設置「模型協方差調整」MI指標參數。多次重復調整模型，直至擬合指標在標准范圍內即可

第三步：分析模型。待模型擬合指標達到標准後，對模型進行詳細分析和說明。

大綱請參考下圖：

SPSSAU整理

1.未修正模型

模型擬合指標表：

模型擬合指標非常多，通常情況下只需要關注卡方自由度比，GFI，RMSEA，RMR，CFI，NFI，NNFI共七個指標即可。並不需要全部指標均達標，有時候甚至只需要關注於RMSEA,RMR,CFI,NFI共4個指標即可。從上圖可以看到，模型明顯不達標，各項指標均不在標准范圍內。因此需要進行模型調整。

模型調整共有兩種方法： 第一種辦法是結合「回歸影響關系-MI指標表格」結果及專業知識情況，重新調整模型；第二種辦法是設置「模型協方差調整」MI指標參數。

對於 「回歸影響關系-MI指標表格」和「模型協方差調整」SPSSAU默認結果就有提及，如果沒有需要下拉調整MI指數。

並且對於自變數與因變數的關系可以選擇「相關」和「影響」，參考如下：

2.模型修正

(一)第1種模型調整方法：「回歸影響關系-MI指標表格」

從上圖可以看到，共有五條路徑察山的MI值均大於15，但並非說此5條路徑均要放入模型中。而是僅放入更符合實際情況的一條即可，這樣穩定重復的調整模型，並且還需要結合專業知識情況綜合而定。從上圖來看，機會感知對於公司滿意度時MI值最大為22.087，而且從實際意義上看，機會感知有可能影響到公司滿意度。所以先加入此條路徑到模型。

至於上圖中還有另外4條路徑，暫不加入模型中，先加入一條後嘗試看模型擬合指標變化情況，如果已經達標就不需要再繼續調整模型。當然也可以繼續結合新的MI指標進行模型調整。加入機會感知與公司滿意度的路徑關系後，模型路徑設置如下圖：

補充說明： 第二種模型修正

除了結合「回歸影響關系-MI指標表格」進行模型調整外，還可以結合「模型協方差調整」，二者可同時進行，也可以分開進行均可。一般情況下，按MI大於10或者按MI大於20進行協方差調整即可。

協方差調整是指建立項之間的相關關系（非影響關系），MI指標越大，說明關聯關系越強越應該建立關系。並且按MI指標調整協方差關系，這一過程被SPSSAU自動進化處理，用戶只需要設置即可。比如此處設置MI>10進行協方差關系調整，如果說構建模型時有MI大於10，則SPSSAU會自動建立協方差關系，並且會將建立後的協方差關系進行呈現（即使協方差關系表格不在我們關注范圍內，並且重要性非常低）。如果構建模型後沒有MI大於10的協方差關系則SPSSAU不會處理。

在完成上述兩步模型調整，包括建立機會感知與公司滿意度的路徑關系，並且按MI大於10進行協方差關系調整後，最終發現模型擬合指標達標，具體下一部分呈現結果並且說明。

3.修正後模型

（1）模型回歸系數匯總表格

公司滿意度對於離職傾向影響時，標准化路徑系數值為-0.642<0，並且此路徑呈現出0.01水平的顯著性(z=-9.369，p=0.000<0.01)，因而說明公司滿意度會對離職傾向產生顯著的負向影響關系。

機會感知對於公司滿意度影響時，標准化路徑系數值為-0.365<0，並且此路徑呈現出0.01水平的顯著性(z=-5.087，p=0.000<0.01)，因而說明機會感知會對公司滿意度產生顯著的負向影響關系。

人際關系對於公司滿意度影響時，標准化路徑系數值為0.234>0，並且此路徑呈現出0.01水平的顯著性(z=2.595，p=0.009<0.01)，因而說明人際關系會對公司滿意度產生顯著的正向影響關系。

工作條件對於公司滿意度影響時，此路徑並沒有呈現出顯著性(z=0.850，p=0.395>0.05)，因而說明工作條件對公司滿意度並不會產生影響關系。

（2） 模型擬合指標

針對模型擬合指標來看，模型χ²/df =1.045< 3，並且RMSEA和RMR值分別是0.017和0.011，均小於0.1，GFI,CFI,NFI和NNFI這四個指標值均大於0.9，意味著模型各項指標均在標准范圍內，模型擬合良好。

補充說明： 模型擬合指標有非常多，建立以文獻為准即可，通常情況下選擇其中幾個常見指標進行分析即可。很難所有的擬合指標均在標准范圍內。

（3）協方差關系-MI指標

（4）影響關系-MI指標

（5）模型擬合度R ²匯總表格

（6）協方差表格

從上表可知：人際關系與機會感知之間的協方差關系（相關關系）上，此路徑並沒有呈現出顯著性(z=-1.502，p=0.133>0.05)，因而說明人際關系與機會感知之間沒有相關關系。

工作條件與機會感知之間的協方差關系（相關關系）上，此路徑並沒有呈現出顯著性(z=-1.610，p=0.107>0.05)，因而說明工作條件與機會感知之間沒有相關關系。

工作條件與人際關系之間的協方差關系（相關關系）上，標准化路徑系數值為0.219>0，並且此路徑呈現出0.01水平的顯著性(z=6.416，p=0.000<0.01)，因而說明工作條件與人際關系之間有著顯著的正向協方差相關關系。

（7）殘差項估計值

（8）模型結果圖

補充說明 ：模型結果圖可拖拽調整如果還是沒有達到預期結果，也可以在PPT中自行。

四、其它問題

1.無論如何擬合指標都不達標如何辦？

如果模型質量較差，進行多次模型調整嘗試後均無法達標，且各指標離標准差距特別大不可容忍，此時可考慮直接使用線性回歸分析即可，將路徑模型拆解後，分別進行多次線性回歸進行假設驗證。

2. SPSSAU路徑分析中如果輸出MI值和如何使用它？

如果希望SPSSAU輸出MI指標值，可在開始分析按鈕右側下拉選擇輸出MI值，比如『輸出MI>10』,其意義是將MI值大於10的全部輸出。在輸出之後，可將MI值非常大的兩兩項之間建立『協方差相關關系』（即相關關系，在『模型關系』處進行設置），用於修正模型。MI值的修正通常會讓卡方自由度值得到減少，其它指標一般不應該有太大的變化，不能過多的依賴於MI值進行模型修改。

3. 提示『數據質量異常』？

當提示「數據質量異常」時，可能有以下原因所致：

第一：如果樣本量過小（比如僅幾個樣本），有可能模型無法擬合；

第二：研究關系中出現因果關系研究（比如X影響Y，同時Y影響X），此時有可能出現「數據質量異常」。

4.擬合度R 方值是什麼意思？

R 方值是指模型擬合情況，X對於Y產生影響時，X對於Y的解釋力度情況，比如為0.2，則說明X對於Y有20%的解釋力度。每個Y都會產生對應的R 方值。通常以研究是否有影響作為研究目的，因此此指標的意義相對較小，關注也較少。

5. 模型擬合度裡面自由度為0？

模型擬合度出現自由度為0是正常現象，並且此時無法計算得到卡方值，卡方自由度值等，此時直接不關注對應的指標即可。出現自由度為0的原因通常是模型過於簡單，或者模型過於『飽和』，可能是非遞歸模型所致（比如A影響B，B影響C，C影響A）。

五、總結

針對路徑分析的步驟上，SPSSAU建議分為以下三個步驟，分別為：

第一步：建立模型。並初步查看模型擬合結構，回歸系數顯著性等；

第二步：調整模型。如果擬合指標不達標(比如RMSEA值過大)，此時共有兩種模型調整辦法，第一種辦法是結合「回歸影響關系-MI指標表格」結果及專業知識情況，重新調整模型；第二種辦法是設置「模型協方差調整」MI指標參數。多次重復調整模型，直至擬合指標在標准范圍內即可。

第三步：分析模型。待模型擬合指標達到標准後，對模型進行詳細分析和說明。

㈦ 計量經濟學模型的修正順序問題

不會用EVIEWS只會用R，不過我可以給你幾個修正的思核簡伍路。
多重共線性常見的修正是刪除相關性高的自變數（我不太了解你說的科克倫-奧克特迭代法），異改或方差常見的修正是Box-Cox變換。
我覺得順序無所謂，只要每次修正過後模型的顯著性提高（或者在不怎麼改變模咐冊型顯著性的前提下自變數減少，即模型簡化了），就是有用的修正方法。
另外我覺得你可以試試逐步回歸。

㈧ 誤差修正模型是什麼

誤差修正模型（error correction model，簡記為ECM）是一種具有特定形式的計量經濟學模型，它的主要形式是由Davidson、 Hendry、Srba和Yeo於1978年提出的，稱為DHSY模型。

建立櫻扮誤差修正模型，首先對變數進行協整分世歷析，以發現變數之間的協整關系，即長期均衡關系，並以這種關系構成誤差修正項。 然後建立短期模型，將誤差修正項看作一個解釋變數，連同其它反映短期波動的解釋變數一起，建立短期模型，即誤差修正模型。

Engle-Granger兩步法

由協整與誤差修正模型的的關系，可以得到誤差修正模型建立的E-G兩步法：

第一步，進行協整回歸（OLS法），檢驗變數間的協整關系，估計協整向量（長期均衡關系參數）；

第二步，若協整性存在，則以第一步求到的殘差作為非均衡誤差項加入到誤差修正模型中，並用OLS法估計相應參數。

需要注意的是：在進行變數間的協整檢驗時，如有必要可在協整回歸式中加入趨勢項，這時，對殘差項的穩定性檢驗就無須脊返灶再設趨勢項。 另外，第二步中變數差分滯後項的多少，可以殘差項序列是否存在自相關性來判斷，如果存在自相關，則應加入變數差分的滯後項。