气侯时间序列变点的推断

本文研究时间序列的变点问题。所给出的统计方法可用来推断一个时间序列是否存在变点，存在几个变点以及变点在什么位置。这种统计推断方法可用于气候阶段的划分。     

回归模型拟合不足的显著性检验及其在气象预报中的应用

一、引 言 设因变量Y和自变量X_1,X_2,…,X_k有如下的关系:(1.1) Y=β_0+β_1X_1…+β_kX_k+e其中e是随机误差,满足条件:E(e)=0,D(e)=σ~2。 称Y=β_0+β_1X_1+…+β_kX_k为Y关于X_1……,X_k的回归方程.     

回归预报方程优良性的判断

本文列举了基于回归剩余平方和Q的几个自变量选择准则，重点讨论了一种着重预报精度的变量选择准测，并从预报角度对其进行了讨论和比较。     

非参数分类方法在天气预报中的应用

本文给出两个非参数分类方法,用来预报黄淮气旋的发生。第一节介绍的k-最近邻方法是在文[1]的基础上展开的;第二节介绍的对样本空间逐步划分的方法,基本上是文[2]中所提到的Friedman的方法;第三节说明前两节的方法在黄淮气旋发生预报中的应用。关于黄淮气旋发生问题的物理模型及资料取自文[3]。     

气候时间序列变点的推断

本文研究时间序列的变点问题。所给出的统计方法可用来推断一个时间序列是否存在变点，存在几个变点以及变点在什么位置。这种统计推断方法可用于气候阶段的划分。     

回归方程优良性的判断

逐步回归计算方法是求多元回归方程的一种有效方法。它是按照一定的显著水平F_a,从大量的预报因子(自变量)中逐步地挑选对预报量(因变量)有显著影响的,即使对观测数据拟合较好的几个建立回归方程,用于预报未来。但F_a究竟取多大为好?取大了,得到的回归方程含因子个数少,拟合率不高;取小了,得到的回归方程含因子个数太多,往往预报效果不佳。因此在组建逐步回归方程时,经常对同一个问题选取几个F_a值,从而得到几个可供选用的方程。但仍然没有较好的办法确定使用哪一个方程好。