首页期刊导航|统计研究
期刊信息/Journal information
统计研究
统计研究

潘璠

月刊

1002-4565

tjyanjiu@stats.gov.cn

010-68783982

100826

北京市月坛南街75号

统计研究/Journal Statistical ResearchCSSCICHSSCD北大核心CSTPCD
查看更多>>本刊在广大作者、读者的关心支持下，逐渐形成了自己的办刊特色，成为统计领域最具权威性的理论刊物。本刊作为“交流科研成果，繁荣学术研究，创新理论知识，推动实际工作”的窗口，密切反映着统计学术的新动向和新思维，在学术领域的宣传和引导作用显得愈发重要。
正式出版
收录年代

    劳动收入风险测算及其收入分配效应研究——来自机器学习的实证发现

    徐超张晨万相昱马文静...
    135-146页
    查看更多>>摘要：本文以流动人口为研究对象,利用机器学习模型复原劳动者的收入分布,分别使用方差风险刻画收入整体波动性,用偏度风险描述收入增长空间以及峰度风险评估极端收入可能性.研究发现,第一,流动人口承受的劳动收入风险具有显著的时变规律,在人口属性和工作特征维度的分布差距明显.第二,风险是决定工资收入的重要因素,风险补偿在不同时期、不同收入群体和不同风险类别上展现出明显的异质性.第三,风险产生了显著的收入分配效应,总体上拉大了收入差距.方差和偏度风险放大了收入差距,而峰度风险则有助于缩小收入差距.研究结论对于及时化解极端收入风险,稳定收入预期提供了有益的参考.

    劳动收入风险分位数回归森林风险补偿收入不平等

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    基于高斯混合模型的分布因子聚类方法

    朱映秋黄丹阳张波
    147-160页
    查看更多>>摘要：随着信息技术的发展,人类社会产生的数据规模越来越庞大、形式越来越复杂,对聚类分析形成了巨大挑战.在越来越多的应用场景中,观测数据具有相互关联、层次嵌套的结构,使传统聚类方法难以直接适用.通常的解决方案是采用特征工程方法将观测信息压缩为低维特征向量进行聚类,但这将带来不可避免的信息损失.为充分利用观测数据,本文以分布函数表示聚类对象,大幅降低信息损失,进而提出基于高斯混合模型的分布因子模型.该模型将聚类对象的观测数据分解为两部分,一是以高斯成分表示的公共因子,反映数据中具有共性的典型模式;二是载荷矩阵,矩阵中每个载荷向量反映个体的异质性特征.估计得到载荷向量后即可对不同个体实现聚类划分.本文提出的方法具有优良的统计学效率,能够证明在一定假设条件下聚类误差率能够随着观测个体数目的发散而趋近于0.基于模拟数据和股票收益、大气污染实际数据的实验表明,该方法能够区分具有不同特征模式的个体,解决多维数据的分布函数聚类问题,并为金融风险管理、空气质量的差异化治理等现实问题提供决策支持.

    聚类分布函数高斯混合模型复杂数据

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    "新质生产力相关研究"专栏征文启事

    《统计研究》编辑部
    封3页
      原文链接:
    • NETL
    • NSTL
    • 万方数据