数据挖掘

<article class=“article fmt article-content”><h2>原文链接：https://tecdat.cn/?p=35258</h2><h2>原文出处：拓端数据部落公众号</h2><p>在全球化浪潮下，泛滥中国企业纷纷将业务拓展至寰球舞台，使得出海不再只是“可选项”，而是局部企业的策略“必选项”。从自主研发的新能源汽车到踊跃拓展国内市场的医疗器械，再到传递中华文化的短视频，这些企业正减速迈向世界舞台，展示中国企业的寰球竞争力。<strong>浏览原文</strong>，获取专题报告合集全文，解锁文末141份出海相干行业钻研报告。</p><h2>中国出海企业信念强，面临策略与产品翻新挑战，需合规化策略与翻新产品实现本土化。</h2><p>自2020年以来，中国企业的出海潮呈现出与以往截然不同的特点。随着中国品牌在海内市场逐步巩固位置，这些企业开始从边缘畛域转向支流市场，如游戏、汽车、短视频和电商等畛域，显示出强烈的信念。比方，新能源汽车行业的比亚迪和跨境电商行业的拼多多Temu就是其中的佼佼者。</p><p></p><p>依据2023年的一项调研数据，近九成的中国企业对海内业务的倒退充满信心，并期待其海内业务可能稳定增长。而在曾经发展出海业务的企业中，有63%的企业明确示意将进一步拓展海内业务。这种蓬勃发展的势头令人鼓舞，但也带来了不同类型的挑战。</p><p>对于新锐的出海企业而言，制订适合的出海策略成为他们面临的最大挑战。合规化和精细化的策略抉择对于新锐企业出海业务的可继续倒退至关重要。他们须要认真思考如何在寰球市场上定位本人，以及如何与当地的文化和法规相交融。</p><p>而对于曾经绝对成熟的出海企业来说，产品翻新和本土化则成为他们面临的次要艰难（附原数据表）。随着市场竞争的加剧，这些企业须要不断创新产品，以满足海内消费者的需要。同时，他们还须要深刻理解当地市场，实现产品和服务的本土化，以便更好地融入当地社会和经济环境。</p><p>总之，中国企业在出海过程中面临着各种挑战，但他们广泛对将来倒退充满信心。通过精心制订策略、不断创新产品和实现本土化，这些企业无望在寰球市场上获得更大的胜利。</p><h2><strong>本专题内的参考报告（PDF）目录</strong></h2><ol><li>飞书深诺：2023中国品牌出海年度报告 报告2024-03-03</li><li>招商银行：医疗器械之医学影像篇-国产影像设施崛起-国产代替与出海正过后 报告2024-03-02</li><li>霞光智库：充电产业出海钻研报告 报告2024-02-26</li><li>Product Ident GmbH：2024出海无方白皮书–跨境有… 报告2024-02-19</li><li>Airwallex&扬帆出海&腾讯云音视频：2024中国手游出海白皮书 报告2024-02-16</li><li>36氪研究院：2023-2024年中国企业出海倒退钻研报告 报告2024-02-02</li><li>霞光智库：2024年中国社交娱乐出海发展趋势洞察报告 报告2024-01-28</li><li>小U出海&UseePay：2023寰球宠物用品电商市场剖析报告 报告2024-01-22</li><li>飞书深诺&益普索：2023MeetBrands中国出海新锐生产品牌榜单… 报告2024-01-22</li><li>亿邦智库&蚂蚁国内：2024中国服装出海洞察报告 报告2024-01-17</li><li>霞光智库：中国消费品出海趋势洞察报告 报告2024-01-15</li><li>超店无数&小U出海&UseePay：2023年Tiktok穆斯林时尚行… 报告2024-01-10</li><li>TikTok for Business：TikTok短剧出海营销策略-… 报告2024-01-09</li><li>Adjust：2023短剧出海营销实操攻略报告-国内走向国内 报告2024-01-07</li><li>凯度：2023年中国母婴品牌出海钻研报告 报告2023-12-28</li><li>adjust：2023中国利用出海报告-畏缩不前 报告2023-12-26</li><li>扬帆出海：俄罗斯&独联体国家增长指南白皮书 报告2023-12-22</li><li>白鲸出海&网易智企：2023泛娱乐出海白皮书 报告2023-12-21</li><li>Adyen&伽马数据：2023中国游戏出海领取钻研报告 报告2023-12-20</li><li>霞光智库：2023中国户用储能出海报告 报告2023-12-14</li><li>飞书点跃：2023生产电子出海白皮书-蓝牙耳机市场深度解读 报告2023-12-14</li><li>赛迪&西门子：2023年“碳”索之路-企业绿色出海白皮书 报告2023-12-13</li><li>OneSight：2024出海营销日历 报告2023-12-13</li><li>汇量科技Mobvista：2023国内手游出海白皮书-东南亚市场篇 报告2023-12-10</li><li>飞书点跃：2023年Q3App行业出海季度趋势报告 报告2023-12-10</li><li>Shoptop：2023智慧生存出海趋势报告 报告2023-12-06</li><li>艾瑞征询：2023年中国企业出海用云实际钻研报告 报告2023-12-05</li><li>品牌方舟：2023家居品牌出海洞察报告 报告2023-12-04</li><li>Shoptop：2023户外露营出海行业白皮书 报告2023-12-04</li><li>特赞：2024中国出海品牌内容数字资产治理白皮书 报告2023-12-03</li><li>守业邦：2023出海营销洞察报告 报告2023-12-01</li><li>用友&至顶科技：企业数智化当先实际-数智化擎下的中企出海 报告2023-11-29</li><li>小U出海：2023社媒营销趋势报告 报告2023-11-28</li><li>德勤：逐浪数字经济合规新世界：中国企业出海倒退倡议白皮书2023版 报告2023-11-28</li><li>达信&美世&奥纬征询：2023中国汽车行业出海白皮书 报告2023-11-25</li><li>OneSight：2023Q3出海品牌社媒影响力榜单 报告2023-11-12</li><li>impact.com：2023出海品牌冲刺黑五网一必备报告 报告2023-11-12</li><li>亿邦智库&Alipay：2023影音娱乐消费品出海洞察报告 报告2023-11-10</li><li>亿邦智库：2023产业带品牌出海洞察报告 报告2023-11-05</li><li>西窗科技：2023中国游戏出海客户调研报告 报告2023-11-01</li><li>浙商证券：餐饮行业&品牌出海系列专题-西餐出海-万亿蓝海 报告2023-10-29</li><li>汇量科技：2023国内挪动利用出海白皮书-社交篇 报告2023-10-23</li><li>垦丁：ACG产业出海合规半年刊 报告2023-10-20</li><li>飞书点跃：2023年教育利用出海市场洞察报告 报告2023-10-20</li><li>益普索&Google：2023国内品牌出海倒退报告 报告2023-10-16</li><li>AppFlyer&TikTok：2023挪动利用出海获客与再营销实操指… 报告2023-10-15</li><li>霞光智库：2023中国新能源出海趋势洞察 报告2023-09-27</li><li>科特勒：2023-2024品牌出海绿皮书 报告2023-09-27</li><li>飞书深诺：DTC出海白皮书2.0：品牌经营宝典 报告2023-09-23</li><li>西窗科技：2023翻新教育产品出海营销指南 报告2023-09-22</li><li>亿邦智库：2023新兴市场出海生态洞察报告 报告2023-09-21</li><li>Atlas & HRflag：2023中企出海白皮书：名义雇主EOR生… 报告2023-09-21</li><li>普华永道：出海全渠道订单协同解决方案白皮书2023 报告2023-09-16</li><li>Trendin：游戏&泛娱乐出海跨境领取报告 报告2023-09-15</li><li>西窗科技：2023年3D打印机出海钻研报告 报告2023-09-12</li><li>瑞云服务云：2023企业出海售后服务数字化白皮书 报告2023-09-09</li><li>Adyen：2023海内批发报告-针对中国批发出海企业，分享寰球电商趋… 报告2023-09-06</li><li>招商银行：建筑行业之基建篇④-“增存并举”路在何方-进城、出海与市场化 报告2023-08-26</li><li>怡安：中企“走进来”系列察看-指挥若定扬帆出海 报告2023-08-21</li><li>钛动科技：2023挪动储能出海洞察白皮书 报告2023-08-21</li><li>SHOPLINE：2023美发工具出海趋势白皮书 报告2023-08-19</li><li>飞书点跃：2023年中国企业出海信念报告 报告2023-08-16</li><li>新加坡经济倒退：2023新加坡出海指南 报告2023-08-14</li><li>Twitter（X）：超过品效畅“游”新蓝海：2023年X游戏出海寰球… 报告2023-08-14</li><li>Nativex：出海ing：2023新兴市场增长白皮书-南美 东南亚 … 报告2023-08-07</li><li>英特利普：2023企业出海成立公司白皮书-美国篇 报告2023-08-06</li><li>萃弈（TTD）：2023年中国企业出海智能电视大屏 CTV 营销指南-… 报告2023-08-06</li><li>OneSight：2023Q2 BrandOS TOP100出海品牌社… 报告2023-08-04</li><li>西窗科技：2023宠物箱包出海趋势洞察报告 报告2023-07-31</li><li>美通社：出海正过后，品牌PR需get新技能 报告2023-07-31</li><li>汇量科技：2023H1国内手游出海白皮书 报告2023-07-24</li><li>百炼智能：中国出海企业现状洞察报告 报告2023-07-22</li><li>领英：2023北美出海指南（美国与加拿大篇） 报告2023-07-20</li><li>敦煌网团体&港大经管学院：2023年跨境出海社交电商白皮书 报告2023-07-10</li><li>益普索：2023出海赛道新机遇洞察-户外运动篇 报告2023-07-09</li><li>飞书深诺：2023生产电子出海白皮书 报告2023-07-02</li><li>头豹：2023年中国手机出海行业概览- 深海泛舟-中国厂商如何穿梭荆天… 报告2023-06-29</li><li>德勤&思爱普：2023新型中国企业高质量出海白皮书 报告2023-06-27</li><li>艾瑞征询：2023年中国汽车出海钻研报告 报告2023-06-27</li><li>声网：2023音视频社交出海白皮书 报告2023-06-20</li><li>Checkout：2023游戏与泛娱乐出海领取白皮书 报告2023-06-19</li><li>卧兔：2023假发出海·独立站增长白皮书 报告2023-06-15</li><li>Nativex&Topon直播：找好增长形式社交出海2023-戗风翻盘 报告2023-06-11</li><li>西窗科技：2023美妆个护企业出海营销计划 报告2023-06-11</li><li>e-works：2023中国制作企业出海现状调研报告 报告2023-06-11</li><li>富途团体：金融科技品牌出海的挑战和时机 报告2023-06-08</li><li>小U出海：2023跨境电商独立站营销日历 报告2023-06-06</li><li>万里汇&支付宝：2023新兴市场出海白皮书 报告2023-06-03</li><li>易点天下：中国新能源品牌出海行业察看 报告2023-06-02</li><li>Nox聚星：2023新出海：抢滩拉美新战场 报告2023-06-01</li><li>飞书点跃：2023年绿色出行出海趋势报告 报告2023-05-31</li><li>声网：2023音视频社交出海白皮书 报告2023-05-25</li><li>飞书深诺：2023年Q1App行业出海季度趋势报告 报告2023-05-21</li><li>OneSight：2023Q1 BrandOS TOP100出海品牌社… 报告2023-05-21</li><li>安永：中国企业出海并购后的数字化治理计划 报告2023-05-18</li><li>亚马逊&普华永道：2023衰弱及生命科学行业出海合规实用指南 报告2023-05-16</li><li>飞书点跃：2023小家电出海趋势洞察白皮书 报告2023-04-30</li><li>亿欧智库：扬帆远航-服务助力-中国企业出海白皮书 报告2023-04-26</li><li>OneSight：2023清洁家电品牌出海市场营销趋势洞察报告 报告2023-04-24</li><li>领英：2023东南亚出海指南-新加坡篇 报告2023-04-21</li><li>impact：2023出海营销手册-战略版 报告2023-04-19</li><li>尼尔森IQ：2023年中国跨境电商平台出海白皮书 报告2023-04-17</li><li>ADVANCE.AI：中国企业出海印度尼西亚倒退数字经济市场开辟指南 报告2023-04-09</li><li>小U出海：2023社媒营销趋势报告 报告2023-04-08</li><li>ADVANCE.AI：金融科技出海倒退报告汇编（第一辑） 报告2023-04-08</li><li>飞书深诺：2023年中国企业出海信念报告 报告2023-04-05</li><li>小U出海：2022美国电商市场报告 报告2023-04-02</li><li>粤贸寰球：中国农产品跨境出海调研报告 报告2023-04-01</li><li>SHOPLINE：2022 电动自行车行业DTC独立站出海攻略 报告2023-03-27</li><li>凯度&TikTok for Business：2023年SLG游戏出海… 报告2023-03-26</li><li>SHOPLINE：2022户外行业品牌出海营销报告 报告2023-03-22</li><li>SHOPLINE：2022美妆出海独立站营销报告 报告2023-03-21</li><li>Nox聚星：2023跨境出海品牌海内网红营销白皮书 报告2023-03-20</li><li>领英：2023东南亚出海指南-印度尼西亚篇 报告2023-03-19</li><li>益普索：2023出海赛道趋势洞察-新锐生产篇 报告2023-03-17</li><li>SHOPLINE：2023出海节日营销流量白皮书 报告2023-03-16</li><li>头豹：出海营销0000 报告2023-03-15</li><li>白鲸出海：2023日本游戏出海白皮书 报告2023-03-14</li><li>飞书深诺：2023美妆护肤行业出海白皮书 报告2023-03-13</li><li>维卓：2022东南亚网文漫画市场出海洞察报告 报告2023-03-10</li><li>Daxue Consulting：中国品牌出海的10个常见误区 报告2023-03-07</li><li>飞书深诺：2022年游戏出海年度趋势报告 报告2023-03-06</li><li>西窗科技：宠物用品企业出海营销计划（2023） 报告2023-03-02</li><li>SHOPLINE：出海新市场：一站售寰球解决方案 报告2023-03-01</li><li>BBI&雷报：2023中国动漫出海前瞻报告 报告2023-02-24</li><li>HRflag：2023从出海到大航海：跨境扩张带来的新一轮，人力资源挑… 报告2023-02-13</li><li>爱剖析：2022出海数字化系列报告之“出海实时互动与通信”厂商全景报告 报告2023-02-11</li><li>爱剖析：2022出海数字化系列报告之“出海实时互动与通信”厂商全景报告 报告2023-02-11</li><li>品牌方舟：2022年度DTC品牌出海报告 报告2023-02-08</li><li>OneSight：2022Q4BrandOSTOP100出海品牌社媒影… 报告2023-02-07</li><li>神策数据：2022跨境出海数字化营销白皮书 报告2023-02-06</li><li>飞书深诺：2022工具App出海市场钻研 报告2023-02-02</li><li>速途车酷研究院：2023中国新能源汽车出海趋势剖析报告 报告2023-01-30</li><li>维卓：2023出海营销日历 报告2023-01-28</li><li>品牌方舟：2022年度DTC品牌出海报告 报告2023-01-28</li><li>霞光社：2022年音视频社交出海市场钻研报告 报告2023-01-27</li><li>赛文思：2022智能家居出海行业报告 报告2023-01-25</li><li>罗兰贝格：中国车企出海白皮书-千帆过尽新征程，百舸争流新战场 报告2023-01-25</li><li>飞书深诺：2022年金融科技出海白皮书 报告2023-01-17</li><li>万里汇&增长黑盒：2023年中小微外贸企业出海白皮书 报告2023-01-07</li><li>白鲸出海：2022中国手游出海白皮书 报告2023-01-04</li></ol></article> ...

<article class=“article fmt article-content”><h2>原文链接：https://tecdat.cn/?p=35253</h2><h2>原文出处：拓端数据部落公众号</h2><p>消费者展现出了既有不变的保持也有变动的需要。他们始终冀望企业或品牌可能通过可继续产品与他们进行价值对话，例如产品配方的环境友好性、包装更新对生态利益的关照以及循环再造的可能性等。这些具备可继续价值的产品对消费者具备更强的吸引力。同时，消费者对于ESG概念的了解也在不断进步，从最后的生疏到当初对ESG和可持续性的独特见解。<strong>浏览原文</strong>，获取专题报告合集全文，解锁文末82份ESG相干行业钻研报告。</p><p>这些变动对于品牌来说至关重要。过来，企业可能认为这是一个小众话题，但当初数据表明，关注可持续性的消费者规模正在扩充，散布区域也在变广。ESG不再仅仅是一线城市或超一线城市人的专属话题，中西部的年老消费者也开始积极参与。新一代消费者，特地是在校园或初入职场的人群，始终在谋求价值彰显。女性消费者对价值生产的敏感度尤为突出。因而，致力于可继续价值推广的品牌应该抓住这些消费者画像特点，刷新对区域差别的认知，偏重与女性群体的共鸣，并从企业的ESG实际中提取可继续叙事内容，与年老消费者进行继续的对话。</p><h2>在ESG框架下，消费者偏好企业踊跃履行社会责任、关注环境保护和可继续倒退等议题。</h2><p>在ESG框架的指引下，议题抉择成为要害。中国新世代消费者在面对重大劫难时，动摇地认为企业应责无旁贷地承担责任。</p><p></p><p>他们期待企业不仅捐款，还需提供高效的救助计划，关注紧急情况下的细节需要，全面关照受助者和施助者的福祉。同时，他们心愿企业在防灾、救灾、重建以及前期的心理健康干涉方面可能更加系统化和透明化。在日常经营中，消费者对企业本身治理的关注度也在逐步晋升，各板块议题出现显著的动态变化，这体现了消费者对企业全方位的责任期待。</p><h2><strong>本专题内的参考报告（PDF）目录</strong></h2><ol><li>BNAI & ACCA：2024年ESG之路行则将至报告-财会人员可持… 报告2024-02-16</li><li>IMA：2024中国制造业的可继续生存之道-ESG行业实际钻研报告 报告2024-01-31</li><li>PRI：2023股票ESG整合技术指南报告 报告2024-01-27</li><li>德勤：房地产行业环境、社会及管治ESG洞察第二卷-发明可继续价值 报告2024-01-21</li><li>华夏理财：2023年度中国资管行业ESG投资倒退钻研报告 报告2024-01-19</li><li>普华永道：2023中国私募股权基金热点调研报告-ESG篇 报告2024-01-15</li><li>艾瑞征询：2023年中国商贸批发企业ESG察看报告 报告2024-01-15</li><li>MKTforGOOD：2024中国ESG生产报告 报告2024-01-09</li><li>清科钻研核心：2023年中国股权投资机构ESG钻研报告 报告2024-01-07</li><li>财经商业治理研究院：2023财经中国ESG翻新洞察报告 报告2024-01-05</li><li>计然碳见：2023中国ESG实际白皮书 报告2023-12-30</li><li>华夏基金：2023中国ESG投资倒退翻新白皮书 报告2023-12-21</li><li>德勤：2023房地产行业环境、社会及管治ESG洞察第二卷 报告2023-12-19</li><li>商道征询：有色金属采选及加工行业ESG绩效榜单暨治理晋升手册 报告2023-12-12</li><li>财新智库：2023中国ESG倒退白皮书 报告2023-12-11</li><li>毕博&妙盈科技&极星汽车：2023中欧贸易次要行业ESG倒退洞察白皮书 报告2023-11-23</li><li>财产：2023中国企业ESG领航者白皮书 报告2023-11-16</li><li>上海数据交易所&德勤风驭：2022年ESG有色金属行业白皮书 报告2023-11-14</li><li>上海数据交易所&德勤风驭：2022年ESG商业服务行业白皮书 报告2023-11-12</li><li>上海数据交易所&德勤风驭：2022年ESG物流运输行业白皮书 报告2023-11-08</li><li>上海数据交易所&德勤风驭：2022年ESG文化传媒行业白皮书 报告2023-11-05</li><li>上海数据交易所&德勤风驭：2022年ESG农林牧渔行业白皮书 报告2023-11-03</li><li>上海数据交易所&德勤风驭：2022年ESG交通运输设施行业白皮书 报告2023-11-01</li><li>上海数据交易所&德勤风驭：2022年ESG通信行业白皮书 报告2023-10-31</li><li>莱坊：房地产行业的ESG量化-迄今为止的六项经验总结 报告2023-10-27</li><li>SocialBeta：2023ESG营销趋势报告（5-8月版） 报告2023-10-21</li><li>上海数据交易所：德勤风驭2022年ESG生物医药行业白皮书 报告2023-10-20</li><li>中央财经大学：2023国内汽车行业ESG钻研报告 报告2023-10-16</li><li>世邦魏理仕：2023年ESG中国商业地产新实际与新趋势报告 报告2023-10-09</li><li>上海数据交易所&德勤风驭：2022年ESG建筑工程行业白皮书 报告2023-09-26</li><li>毕马威：ESG保险：策略与转型 报告2023-09-25</li><li>上海数据交易所&德勤风驭：2022年ESG建材家具行业白皮书 报告2023-09-10</li><li>Fidelity：中国企业的ESG实际 报告2023-09-09</li><li>德勤：2023年ESG并购投资白皮书 报告2023-09-08</li><li>MSC征询：2023中国特色ESG议题企业流传趋势 报告2023-08-30</li><li>MSC征询：2023中国特色ESG议题企业流传趋势-农村振兴篇 报告2023-08-29</li><li>戴德梁行：构建基础设施ESG评估体系 报告2023-08-25</li><li>中国上市公司协会：中国上市公司ESG口头报告2022-2023 报告2023-08-23</li><li>德勤风驭：2022年ESG零售批发行业白皮书 报告2023-08-22</li><li>上海数据交易所&德勤风驭：2022年ESG国防航天行业白皮书 报告2023-08-21</li><li>中央财经大学&每日经济新闻：中国上市公司ESG口头报告 报告2023-08-17</li><li>36氪&着陆TouchBase：2023中国游戏行业ESG报告 报告2023-08-15</li><li>IMA：2023中国制造业的可继续生存之道-中国企业ESG实际调研问卷… 报告2023-08-14</li><li>毅达资本：2022-2023年度ESG投资报告 报告2023-08-03</li><li>上海数据交易所&德勤风驭：2022年ESG软件及信息技术服务业白皮书 报告2023-08-01</li><li>上海数据交易所&德勤风驭：2022年ESG电子电器行业白皮书-第二产业 报告2023-07-31</li><li>Cision：2023海内ESG流传趋势报告 报告2023-07-26</li><li>上海数据交易所&德勤风驭：2022年ESG公用事业行业白皮书-第二产业 报告2023-07-23</li><li>彭博Bloomberg：2023年瞻望：寰球ESG报告 报告2023-07-20</li><li>国投创益：2022年度ESG+影响力报告 报告2023-07-20</li><li>IBM：ESG数据难题 报告2023-07-20</li><li>上海数据交易所&德勤风驭：德勤风驭2022年ESG采掘行业白皮书 报告2023-07-20</li><li>上海数据交易所&德勤风驭：2022年ESG食品饮料行业白皮书 报告2023-07-13</li><li>MSC：ESG人才吸引力洞察报告2023 报告2023-07-10</li><li>怡安：2022年亚太地区公司治理和ESG调研后果报告 报告2023-07-05</li><li>益普索：如何让消费者为ESG买单：洞见ESG在食品饮料行业机会 报告2023-07-02</li><li>波士顿征询：中国基金会行业助力ESG倒退白皮书2023 报告2023-07-01</li><li>蚂蚁团体：2023金融科技(科技)行业ESG实际与倒退框架钻研报告 报告2023-06-19</li><li>一面数据：2022年精髓品类ESG成分护肤专题 报告2023-06-14</li><li>MSC征询：中国特色ESG议题企业流传趋势报告-农村振兴篇 报告2023-06-02</li><li>MSCI：2023年ESG与气象趋势瞻望 报告2023-05-23</li><li>Morketing：ESG案例手册（2023） 报告2023-05-13</li><li>Meltwater融文：ESG专题研究-浅析农业绿色低碳转型之路 报告2023-05-03</li><li>中欧国际工商学院：2023ESG白皮书 报告2023-04-16</li><li>中国保险资产治理业协会：养老金畛域ESG投资机会与挑战 报告2023-04-03</li><li>Morketing研究院：ESG案例白皮书2022 报告2023-03-24</li><li>猎聘：绿色金融及ESG人才趋势报告 报告2023-03-23</li><li>腾讯研究院：2023新型城市竞争力策略钻研白皮书-ESG引领下的西部城… 报告2023-03-12</li><li>商道纵横：畜牧业ESG绩效榜单暨治理晋升手册（2022年版） 报告2023-03-08</li><li>商道纵横：有色金属采选及加工行业ESG绩效榜单暨治理晋升手册（2022… 报告2023-03-07</li><li>Meta&艾华迪：2023年ESG环境社会治理策略白皮书 报告2023-03-05</li><li>Meta：ESG环境社会治理策略白皮书（2023） 报告2023-03-03</li><li>仲量联行：中国房地产开发企业ESG体现报告 报告2023-03-01</li><li>财新智库：2022中国ESG倒退白皮书 报告2023-02-25</li><li>中国绿金委：2022年ESG及绿色金融停顿与趋势 报告2023-02-12</li><li>商道纵横：房地产行业ESG绩效榜暨治理晋升手册（2022年版） 报告2023-02-05</li><li>中国信通院：互联网行业社会责任ESG信息披露察看报告（2022年） 报告2023-01-30</li><li>妙盈研究院：代表绿色的新能源车是否是名正言顺的ESG领导者？ 报告2023-01-27</li><li>第一财经研究院：2022中国A股公司ESG评级剖析报告 报告2023-01-17</li><li>富达国内：2022年可继续倒退（ESG）投资白皮书 报告2023-01-14</li><li>CCDC&ICMA：中国ESG实际白皮书 ——基于发债企业和上市公司的… 报告2023-01-12</li><li>中国信通院：互联网行业社会责任、ESG信息披露察看报告（2022年） 报告2023-01-09</li></ol></article> ...

<article class=“article fmt article-content”><h2>报告链接：https://tecdat.cn/?p=33203</h2><h2>原文出处：拓端数据部落公众号</h2><p>近年来，“养老”、“三胎政策”、“医疗老本"等一系列备受关注的民生话题，使得保险服务备受瞩目，并逐步渗透到每个人的生存中。自2020年以来，因为多种因素的影响，人们对衰弱的意识一直进步，这正在从新塑造中国消费者对保险的认知。</p><p><strong>浏览原文</strong>，获取专题报告合集全文，解锁文末118份保险数字化相干行业钻研报告。</p><p>随着中产阶层群体的增长、人口构造的变动以及年老生产群体的成熟，消费者市场中对保险的需要曾经产生了变动。过来，人们对保险的需要仅仅是根本的保障，而当初则更加重视保险的品质、差异化和专业化。与此同时，购买保险的决策过程也产生了扭转。过来，人们是通过销售员面对面的举荐来购买保险，而当初则更加偏向于被动收集信息、被动生产、在线交互以及全链路体验评估的保险生产新形式。</p><p>在近几年，银保监会陆续公布了多项监管政策，以利用古代科学技术改良和优化传统保险业务流程，推动线上化。特地值得注意的是，随着线上生产习惯的养成和互联网金融行业的迅速倒退，传统保险企业、新兴互联网企业和保险中介平台纷纷抓住了"互联网+“的时机，使得保险行业的互联网渠道布局达到了前所未有的热度。</p><p>保险行业正在经验线上化的转变，这也在推动其营销形式产生重大改革。同时，保险企业也受到数字化基础设施能力的鼓励，致力于让保险营销更加关注个体细分需要，更贴近生产交易场景，更合乎投保体验。在转型的过程中，时机与挑战并存。</p><h2>近年来，互联网保险的支出稳步增长，成为行业的新的增长能源。</h2><p>o随着互联网保险的疾速倒退，数字化营销已成为不可逆转的趋势。</p><p></p><p>只管互联网保险赛道备受瞩目，但行业的规范化趋势正在缩小不合理的竞争。</p><h2><strong>本专题内的参考报告（PDF）目录</strong></h2><ol><li><ul><li>BCG&腾讯：保险行业数字化洞察白皮书 报告2021-12-16</li></ul></li><li><ul><li>易观剖析：数字经济全景白皮书-保险数字化篇 报告2022-07-18</li></ul></li><li><ul><li>复旦大学&众安保险：2021保险数字化营销白皮书 报告2022-01-10</li></ul></li><li><ul><li>艾媒征询：2021上半年中国互联网保险数字化热点报告 报告2021-07-26</li></ul></li><li>*</li><li><ul><li>21世纪经济报道：2023中国保险代理人职业发展趋势报告 报告2023-07-12</li></ul></li><li><ul><li>毕马威：2022年度上市保险团体寿险业务对标剖析报告 报告2023-07-08</li></ul></li><li><ul><li>中国人寿&北京大学：中高净值家庭资产配置和保险保障白皮书 报告2023-07-04</li></ul></li><li><ul><li>NIFD：农业保险助力农业强国建设-2023Q1保险业运行报告 报告2023-07-02</li></ul></li><li><ul><li>绿色江南：保险公司绿色保险业务钻研 报告2023-06-23</li></ul></li><li><ul><li>中国银行保险报&普华永道：2022保险业数字化客户经营白皮书 报告2023-06-22</li></ul></li><li><ul><li>ReMark：2022-2023年度寰球保险消费者钻研报告 报告2023-06-17</li></ul></li><li><ul><li>麦肯锡：寰球保险业年度报告（2023）：与时俱进，晋升商业财产险的市场… 报告2023-06-16</li></ul></li><li><ul><li>众安科技：新保险合同准则白皮书 报告2023-06-14</li></ul></li><li><ul><li>中南大风险管理钻研核心：2023中国保险倒退报告 报告2023-06-09</li></ul></li><li><ul><li>中国保险资产治理业协会：中国养老财产储备调查报告（2023） 报告2023-06-05</li></ul></li><li><ul><li>中国社科院：2023年互联网保险理赔翻新服务钻研报告 报告2023-06-04</li></ul></li><li><ul><li>麦肯锡：麦肯锡寰球保险业年度报告（2023）：与时俱进，晋升商业财产险… 报告2023-06-03</li></ul></li><li><ul><li>清华五道口：金融保险网络安全合规技术白皮书（2022) 报告2023-05-28</li></ul></li><li><ul><li>众安科技：2023 AIGC&amp;ChatGPT保险行业利用白皮书 报告2023-05-26</li></ul></li><li><ul><li>头豹：行业概览_2023年中国宠物保险行业专题报告-“毛孩子医保”一片… 报告2023-05-10</li></ul></li><li><ul><li>联结资信：保险业季度观察报（2023年第1期） 报告2023-05-05</li></ul></li><li><ul><li>麦肯锡：行稳致远打造中国数智化保险企业制胜策略（2023） 报告2023-04-28</li></ul></li><li><ul><li>清华大学五道口金融学院&元保：2022年中国互联网保险消费者洞察报告 报告2023-04-20</li></ul></li><li><ul><li>煜寒征询：2023上海银行保险业满意度白皮书 报告2023-04-19</li></ul></li><li><ul><li>中国保险资产治理业协会：养老金畛域ESG投资机会与挑战 报告2023-04-03</li></ul></li><li><ul><li>毕马威：寰球保险业首席执行官瞻望 报告2023-03-27</li></ul></li><li><ul><li>普华永道：寰球危险调研2022：保险业报告 报告2023-03-26</li></ul></li><li><ul><li>工信平安核心：网络安全保险钻研报告 报告2023-03-26</li></ul></li><li><ul><li>德勤：2023年保险监管瞻望报告 报告2023-03-26</li></ul></li><li><ul><li>麦肯锡：寰球保险业报告（2023）-重塑人寿保险 报告2023-03-16</li></ul></li><li><ul><li>安永：2023年寰球保险业瞻望报告 报告2023-03-11</li></ul></li><li><ul><li>国家知识产权局：中国知识产权保险倒退白皮书（2022） 报告2023-02-27</li></ul></li><li><ul><li>普华永道：2022年度保险行业监管处罚与政策动静 报告2023-02-25</li></ul></li><li><ul><li>NIFD：摸索转型之路-2022年保险业回顾与瞻望 报告2023-02-24</li></ul></li><li><ul><li>麦肯锡：2023年寰球保险报告：重构思考人寿保险_VF-压缩版 报告2023-02-23</li></ul></li><li><ul><li>安永：2023银行保险机构碳中和策略白皮书 报告2023-02-23</li></ul></li><li><ul><li>中国进口信用保险公司：中国信保2022年国别开发指引 报告2023-02-19</li></ul></li><li><ul><li>美世：2023年寰球员工保险福利打算趋势钻研报告 报告2023-02-17</li></ul></li><li><ul><li>复旦大学：保险App用户隐衷与个人信息爱护的若干隐患钻研报告 报告2023-02-13</li></ul></li><li><ul><li>复旦大学：2022年城市定制型商业医疗保险（惠民保）常识图谱 报告2023-02-11</li></ul></li><li><ul><li>众安科技：保险科技翻新指数2022-科技翻新赋能保险业高质量倒退 报告2023-02-03</li></ul></li><li><ul><li>毕马威：2022年上市保险团体寿险业务报告 报告2023-01-25</li></ul></li><li><ul><li>复旦倒退研究院：2022年城市定制型商业医疗保险（惠民保）常识图谱 报告2023-01-16</li></ul></li><li><ul><li>安永：在中国式现代化路线上，保险业的定位与空间 报告2023-01-15</li></ul></li><li><ul><li>友泰：保险业数字化客户经营能力体系建设规范报告暨蓝皮书 报告2023-01-14</li></ul></li><li><ul><li>复旦大学：保险App用户隐衷与个人信息爱护的若干隐患钻研报告 报告2023-01-07</li></ul></li><li><ul><li>瑞士再保险：合抱之木 始于微末-中国中小企业风险管理与保险倒退报告 报告2023-01-01</li></ul></li><li><ul><li>联结资信：2022年保险行业剖析及2023年瞻望 报告2022-12-30</li></ul></li><li><ul><li>瑞士再保险：中国人身险行业核保风控白皮书 报告2022-12-26</li></ul></li><li><ul><li>毕马威：2022年上半年上市保险团体寿险业务对标剖析及行业热点话题探讨… 报告2022-12-21</li></ul></li><li><ul><li>太平洋：保险行业深度-如何布局集体养老金落地？ 报告2022-12-20</li></ul></li><li><ul><li>爱剖析：2022保险科技实际报告 报告2022-12-16</li></ul></li><li><ul><li>艾社康：衰弱中国图景下商业衰弱保险的转型与翻新白皮书 报告2022-11-28</li></ul></li><li><ul><li>爱剖析：2022保险科技厂商全景报告 报告2022-11-26</li></ul></li><li><ul><li>德勤：2023年保险行业瞻望 报告2022-11-21</li></ul></li><li><ul><li>普华永道：保险机构养老金融竞争 报告2022-11-20</li></ul></li><li><ul><li>RAND：主动驾驶和汽车保险的将来 报告2022-11-20</li></ul></li><li><ul><li>普华永道：保险机构养老金融竞争策略钻研 报告2022-11-17</li></ul></li><li><ul><li>安永：2021年宠物保险报告 报告2022-11-13</li></ul></li><li><ul><li>普华永道：2022年三季度保险行业监管处罚及政策动态分析 报告2022-11-07</li></ul></li><li><ul><li>罗兰贝格&百度：中国保险行业数智化瞻望及寰球案例剖析白皮书 报告2022-11-07</li></ul></li><li><ul><li>2022最新保险相干法规汇编 报告2022-11-02</li></ul></li><li><ul><li>泰康保险：2022年保险合伙人白皮书 报告2022-10-26</li></ul></li><li><ul><li>联结资信：保险业季度观察报（2022年第3期） 报告2022-10-21</li></ul></li><li><ul><li>北京大学：2022中国保险中介市场生态白皮书 报告2022-10-20</li></ul></li><li><ul><li>埃森哲：数字化保险商：以客户为核心迈入数字时代 报告2022-09-23</li></ul></li><li><ul><li>爱选&北京大学：中国保险行业重大疾病保险产品病种钻研报告2022 报告2022-09-20</li></ul></li><li><ul><li>赛博&众安科技：2022网络安全保险科技白皮书 报告2022-09-18</li></ul></li><li><ul><li>毕马威：保险行业-将来的大商业保险 报告2022-09-16</li></ul></li><li><ul><li>中国保险行业协会：中国商业护理保险倒退时机-中国城镇地区长期护理服务保… 报告2022-09-14</li></ul></li><li><ul><li>波士顿征询：2022年保险价值创造者报告(英文版) 报告2022-09-13</li></ul></li><li><ul><li>联结资信：保险业季度观察报（2022年第2期） 报告2022-08-24</li></ul></li><li><ul><li>易观数科：保险业数字化营销洞察与策略白皮书 报告2022-08-23</li></ul></li><li><ul><li>中国人民大学：2022中国保险代理人洞察报告 报告2022-08-21</li></ul></li><li><ul><li>头豹：2022年保险数字化厂商全景图（上）-从产业链维度深度解析保险公… 报告2022-08-05</li></ul></li><li><ul><li>凯度：2022凯度银行保险行业品牌建设报告：以差异化博弈变局，洞察银行… 报告2022-08-04</li></ul></li><li><ul><li>中银人寿&德勤：粤港澳大湾区瞻望：保险业时机 报告2022-07-25</li></ul></li><li><ul><li>易观剖析：数字经济全景白皮书-保险数字化篇 报告2022-07-18</li></ul></li><li><ul><li>普华永道：2022年2季度保险行业监管处罚剖析 报告2022-07-18</li></ul></li><li><ul><li>康泰&益普索：2022保险合伙人白皮书 报告2022-07-15</li></ul></li><li><ul><li>慧择：中国保险细分生产人群洞察白皮书 报告2022-07-15</li></ul></li><li><ul><li>动脉橙：寰球互联网医疗保险价值趋势报告2022年Q1 报告2022-06-16</li></ul></li><li><ul><li>麦肯锡：降级翻新，互联网保险倒退策略 报告2022-05-18</li></ul></li><li><ul><li>安永：新能源汽车保险经纪是车企的下一个突破口 2022 报告2022-05-16</li></ul></li><li><ul><li>麦肯锡：2022守正出奇，保险中介机构倒退策略 报告2022-05-12</li></ul></li><li><ul><li>中南财大&燕道：2022中国保险倒退报告 报告2022-05-03</li></ul></li><li><ul><li>CAFI：倒退农业气象指数保险：优化农村金融服务体系调研报告 报告2022-04-17</li></ul></li><li><ul><li>普华永道：《银行保险机构关联交易治理方法》1号令的解读 报告2022-04-10</li></ul></li><li><ul><li>普华永道：2022年一季度保险行业监管处罚剖析 报告2022-04-10</li></ul></li><li><ul><li>德勤：渡过难关：亚太地区保险偿付能力资本要求动静更新 报告2022-04-06</li></ul></li><li><ul><li>安永：2022年寰球保险业瞻望 报告2022-04-01</li></ul></li><li><ul><li>众安：保险碳中和系列报告之二：低碳时代的绿色保险产品 报告2022-03-31</li></ul></li><li><ul><li>安永：气候变化危险压力测试助力中国保险业绿色可继续倒退 报告2022-03-29</li></ul></li><li><ul><li>零壹智库：保险科技案例报告-微保科技__数字化赋能保司交易治理 报告2022-03-25</li></ul></li><li><ul><li>德勤：小型企业保险的将来：洞悉客户需要 报告2022-03-15</li></ul></li><li><ul><li>NIFD：2021年保险业回顾与2022年瞻望 报告2022-03-08</li></ul></li><li><ul><li>德勤：2022年保险行业瞻望 报告2022-02-25</li></ul></li><li><ul><li>复旦大学&众安保险：2021保险数字化营销白皮书 报告2022-01-10</li></ul></li><li><ul><li>阳光保险&胡润：2021中国高净值人群财产风险管理白皮书 报告2021-12-22</li></ul></li><li><ul><li>零壹财经：海内翻新案例-保险科技篇 报告2021-12-22</li></ul></li><li><ul><li>BCG&腾讯：保险行业数字化洞察白皮书 报告2021-12-16</li></ul></li><li><ul><li>北大汇丰：2021中国保险中介市场生态白皮书 报告2021-12-08</li></ul></li><li><ul><li>社科院&太平洋保险：2021年居民养老布局与风险管理白皮书 报告2021-11-28</li></ul></li><li><ul><li>清华五道口：2021互联网保险消费者洞察报告 20211123 报告2021-11-26</li></ul></li><li><ul><li>毕马威：中小企商业保险瞻望 报告2021-11-23</li></ul></li><li><ul><li>友邦保险：2021大中城市中产人群养老危险蓝皮书 报告2021-11-14</li></ul></li><li><ul><li>毕马威：保险业ESG重大行业趋势 报告2021-11-08</li></ul></li><li><ul><li>复旦&瑞再：中国保险科技趋势报告 报告2021-11-03</li></ul></li><li><ul><li>众安：保险碳中和系列报告之一：低碳时代的保险口头门路 报告2021-10-22</li></ul></li><li><ul><li>德勤：人口老龄化下的养老保险倒退之道 报告2021-09-29</li></ul></li><li><ul><li>艾媒征询：2021上半年中国互联网保险数字化热点报告 报告2021-07-26</li></ul></li><li><ul><li>艾瑞征询：2021年中国保险用户需要趋势洞察报告 报告2021-05-28</li></ul></li><li><ul><li>艾瑞征询：2021年中国保险用户需要趋势洞察报告 报告2021-05-21</li></ul></li><li><ul><li>亿欧智库：萌宠的健康成长保障—美国宠物保险公司Trupanion案例研… 报告2021-04-27</li></ul></li><li><ul><li>普华永道：2021年一季度保险行业监管处罚剖析 报告2021-04-21</li></ul></li><li><ul><li>德勤：2021年保险行业瞻望 报告2021-03-30</li></ul></li><li><ul><li>德勤：家居保险与车险市场钻研报告 报告2021-01-18</li></ul></li></ol></article> ...

<article class=“article fmt article-content”><h2>原文链接：http://tecdat.cn/?p=5277</h2><p>最近咱们被客户要求撰写对于递归神经网络的钻研报告，包含一些图形和统计输入。</p><p>本文剖析了S＆P500指数和SPY ETF，VIX指数和VXX ETN的稳定率的可预测性和可交易性。只管已有大量对于预测高频稳定的文献，但大多数仅依据统计误差评估预测 </p><p>实际上，这种剖析只是对预测的理论经济意义的一个小的批示。因而，在咱们的办法中，咱们还通过交易适当的稳定率衍生品来测试咱们的预测。</p><h2>简介</h2><p>波动性在资产定价和调配以及风险管理中起着核心作用，例如危险价值(VaR)与冀望损失(ES)。对计量经济学家，统计学家和从业者来说，建模和预测波动性十分重要。然而，传统的狭义自回归条件异方差（GARCH）和随机稳定率（SV）模型的利用并不适宜用于应用高频数据的利用。</p><p>本文将HAR-RV-J与递归神经网络（RNN）和混合 HAR-RV-J- RNN模型进行比拟，以预测波动性，从而剖析预测性。</p><h2>循环神经网络</h2><p>人工神经网络是一种功能强大的非参数工具，用于信号滤波，模式识别和插值，也能够容忍有误差的数据，并找到模型参数之间的非线性关联 。大多数计量经济模型是通过捕捉工夫序列的特定特色（例如长记忆）或假如变量之间的函数关系而开发的，人工神经网络的次要长处是它们蕴含非线性并蕴含所有变量。</p><h2>具备一个暗藏层的单输入RNN模型 </h2><p></p><h2>混合模型</h2><p>混合模型也被设计为RNN。然而，作为附加输出，咱们将线性模型的预测提供给RNN。咱们还保留了四个基</p><p>输出。因而，在混合模型的状况下，输出的总数减少到5。</p><p>所有其余模型参数放弃不变。具体地，如上确定暗藏神经元的数量。此外，模型架构放弃雷同。</p><p>应用混合模型的动机源于心愿利用每个模型。通过将线性预测提供给RNN，咱们能够从预测工作中删除任何线性重量。这应该为更好地匹配线性预测误差的非线性残差留出更多空间。</p><h2>数据</h2><p>咱们的根底数据集包含来自于1996年1月2日至2016年6月2日开始的规范普尔500指数。</p><h2>后果</h2><p>每日S＆P500 RV。留神：顶部面板别离显示每日实现的稳定率及其对数变换，和。上面的图表显示了跳转成分，和</p><p></p><h2>论断</h2><p>本文剖析了异质自回归模型的后劲，包含跳跃预测实现稳定率（RV）。对于这种办法，咱们依据规范普尔500指数的5年日内数据的20年历史计算RV。咱们的结果表明，根底HAR-RV-J模型的确可能提供令人满意的RV预测。</p><h2>有问题欢送分割咱们！</h2><p></p><p>本文摘选 <strong>《</strong> <strong>R语言HAR-RV-J与递归神经网络（RNN）混合模型预测和交易大型股票指数的高频稳定率</strong> <strong>》</strong> ，点击“<strong>浏览原文</strong>”获取全文残缺材料。</p><hr/><p><strong>点击题目查阅往期内容</strong></p><p>R语言预测期货稳定率的实现：ARCH与HAR-RV与GARCH，ARFIMA模型比拟 <br/>PYTHON用GARCH、离散随机稳定率模型DSV模仿预计股票收益工夫序列与蒙特卡洛可视化 <br/>极值实践 EVT、POT超阈值、GARCH 模型剖析股票指数VaR、条件CVaR：多元化投资组合预测危险测度剖析 <br/>Garch稳定率预测的区制转移交易策略 <br/>金融工夫序列模型ARIMA 和GARCH 在股票市场预测利用 <br/>工夫序列分析模型：ARIMA-ARCH / GARCH模型剖析股票价格 <br/>R语言危险价值：ARIMA，GARCH，Delta-normal法滚动预计VaR（Value at Risk）和回测剖析股票数据 <br/>R语言GARCH建模罕用软件包比拟、拟合规范普尔SP 500指数稳定率工夫序列和预测可视化 <br/>Python金融工夫序列模型ARIMA 和GARCH 在股票市场预测利用 <br/>MATLAB用GARCH模型对股票市场收益率工夫序列稳定的拟合与预测R语言GARCH-DCC模型和DCC（MVT）建模预计 <br/>Python 用ARIMA、GARCH模型预测剖析股票市场收益率工夫序列 <br/>R语言中的工夫序列分析模型：ARIMA-ARCH / GARCH模型剖析股票价格 <br/>R语言ARIMA-GARCH稳定率模型预测股票市场苹果公司日收益率工夫序列 <br/>Python应用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模仿进行股价预测 <br/>R语言工夫序列GARCH模型剖析股市稳定率 <br/>R语言ARMA-EGARCH模型、集成预测算法对SPX理论稳定率进行预测 <br/>matlab实现MCMC的马尔可夫转换ARMA - GARCH模型预计 <br/>Python应用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模仿进行股价预测 <br/>应用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略 <br/>R语言用多元ARMA,GARCH ,EWMA, ETS,随机稳定率SV模型对金融工夫序列数据建模 <br/>R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性剖析 <br/>R语言多元Copula GARCH 模型工夫序列预测 <br/>R语言应用多元AR-GARCH模型掂量市场危险 <br/>R语言中的工夫序列分析模型：ARIMA-ARCH / GARCH模型剖析股票价格 <br/>R语言用Garch模型和回归模型对股票价格剖析 <br/>GARCH（1,1），MA以及历史模拟法的VaR比拟 <br/>matlab预计arma garch 条件均值和方差模型R语言POT超阈值模型和极值实践EVT剖析 <br/>R语言极值推断：狭义帕累托散布GPD应用极大似然预计、轮廓似然预计、Delta法 <br/>R语言极值实践EVT：基于GPD模型的火灾损失散布剖析 <br/>R语言有极值（EVT）依赖构造的马尔可夫链(MC)对洪水极值剖析 <br/>R语言POT超阈值模型和极值实践EVT剖析 <br/>R语言混合正态分布极大似然预计和EM算法 <br/>R语言多项式线性模型：最大似然预计二次曲线 <br/>R语言Wald测验 vs 似然比测验 <br/>R语言GARCH-DCC模型和DCC（MVT）建模预计 <br/>R语言非参数办法：应用核回归平滑预计和K-NN(K近邻算法)分类预测心脏病数据 <br/>matlab实现MCMC的马尔可夫转换ARMA - GARCH模型预计 <br/>R语言基于Bootstrap的线性回归预测置信区间预计办法 <br/>R语言随机搜寻变量抉择SSVS预计贝叶斯向量自回归（BVAR）模型 <br/>Matlab马尔可夫链蒙特卡罗法（MCMC）预计随机稳定率（SV，Stochastic Volatility） 模型 <br/>Matlab马尔可夫区制转换动静回归模型预计GDP增长率R语言极值推断：狭义帕累托散布GPD应用极大似然预计、轮廓似然预计、Delta法</p></article> ...

<article class=“article fmt article-content”><h3>原文链接 http://tecdat.cn/?p=2623</h3><h3>原文出处：拓端数据部落公众号</h3><p> 最近咱们被要求撰写对于Copula GARCH的钻研报告，包含一些图形和统计输入。</p><p>和宏观经济数据不同，金融市场上多为高频数据，比方股票收益率序列。直观的来说 ，后者是比前者“稳定”更多且随机稳定的序列，在一元或多元的状况下，构建Copula函数模型和GARCH模型是最好的抉择。</p><p>多元GARCH家族中，品种十分多，须要本人多推导了解，抉择最优模型。本文应用R软件对3家上市公司近十年的每周收益率为例建设模型。 </p><p>首先咱们能够绘制这三个工夫序列。</p><p></p><p>在这里应用多变量的ARMA-GARCH模型。 </p><p> 本文思考了两种模型&lt;br/>&lt;br/> 1 ARMA模型残差的多变量GARCH过程</p><p>2 ARMA-GARCH过程残差的多变量模型（基于Copula）&lt;br/> </p><h2>1 ARMA-GARCH模型</h2><pre><code>> fit1 = garchFit（formula = ~arma（2,1）+ garch（1,1），data = dat [，1]，cond.dist =“std”）</code></pre><p>可视化稳定 </p><p></p><p>隐含的相关性 </p><pre><code>> emwa_series_cor = function（i = 1，j = 2）{+ if（（min（i，j）== 1）＆（max（i，j）== 2））{+ a = 1; B = 5; AB = 2}+}</code></pre><p></p><h2>2 BEKK（1,1）模型：</h2><p> BEKK11（dat_arma）</p><p></p><p>隐含的相关性</p><p> </p><p>对单变量GARCH模型残差建模</p><p>第一步可能是思考残差的动态（联结）散布。单变量边际散布是</p><p></p><p>而联结密度为</p><p></p><p>可视化 密度 </p><p> </p><p></p><p>查看相关性是否随着工夫的推移而稳固。</p><p> </p><h2>斯皮尔曼相关性</h2><p></p><h2>肯德尔相关性</h2><p></p><p>对相关性建模，思考DCC模型</p><p> </p><p>对数据进行预测 </p><pre><code> > fcst = dccforecast（dcc.fit，n.ahead = 200）</code></pre><p> &lt;br/></p><p> </p><p>咱们曾经齐全把握了多元GARCH模型的应用，接下来就能够撒手去用R解决工夫序列了！</p><p> </p><hr/><p></p><p>最受欢迎的见解</p><p>1.<strong>R语言ARMA-EGARCH模型、集成预测算法对SPX理论稳定率进行预测</strong></p><p>2.<strong>R语言基于ARMA-GARCH-VaR模型拟合和预测实证</strong></p><p>3.<strong>R语言基于ARMA-GARCH过程的VAR拟合和预测</strong></p><p>4.<strong>GARCH（1,1），MA以及历史模拟法的VaR比拟</strong></p><p>5.<strong>R语言多元COPULA GARCH 模型工夫序列预测</strong></p><p>6.<strong>matlab预测ARMA-GARCH 条件均值和方差模型</strong></p><p>7.<strong>R语言对S＆P500股票指数进行ARIMA + GARCH交易策略</strong></p><p>8.<strong>R语言： GARCH模型股票交易量的钻研道琼斯股票市场指数</strong></p><p>9.<strong>R语言GARCH-DCC模型和DCC（MVT）建模预计</strong></p><p> </p></article> ...

<article class=“article fmt article-content”><h2>全文链接：https://tecdat.cn/?p=35263</h2><h2>原文出处：拓端数据部落公众号</h2><p>本钻研旨在帮忙客户利用房价数据集进行数据分析，该数据集蕴含82个变量和2930个数据点。钻研指标是通过分类算法将房价分为两个类别。在数据预处理阶段，排除了Order、PID和SalesPrice等变量，对数据进行整合和转换以适应非线性关系。随后使用逻辑回归、GAM、LDA和KNN等算法进行建模和评估。</p><p>此外，通过PCA剖析和不同分类模型的建模及穿插验证，评估模型的性能并抉择最佳模型进行进一步剖析和预测。综合钻研后果，逻辑回归和LDA模型体现较好，GAM模型在穿插验证中体现最佳，而KNN模型体现较差。钻研后果为数据分析和模型抉择提供了领导，有助于优化预测准确率和泛化能力。</p><p>本钻研旨在应用Ames Housing数据进行数据分析，该数据集蕴含82个变量和2930个数据点。</p><p></p><p>剖析指标：</p><p>使用分类算法将Sales分成2个class，一个class是大于USD 200，000， 另一类小于USD 20,000。</p><p>剖析要求：</p><p>1. 在变量中，去除以下变量：Order, PID, 以及SalesPrice</p><p>2. 用以下代码来定义本次剖析的训练数据，余下的数据做验证数据</p><p>3. 整合相干的变量，比如说把square feet加起来</p><p>4. 对数据进行变换（transformation），如果存在非线性关系</p><p>5. 进行least logistic regression(逻辑回归), GAM, LDA, 和KNN</p><p>在变量中要去除Order, PID, 当然SalesPrice也要去掉。</p><pre><code>AmesHousing=AmesHousing[,-c(1,2 )]</code></pre><p>一个class是大于USD 200，000， 另一类小于USD 20,000</p><pre><code>AmesHousing$SalePrice <- ifelse(AmesHousing$SalePrice>200000,1,0)</code></pre><p>查看线性关系，如果不现实，则思考进行转换。</p><pre><code>head(AmesHousing2)</code></pre><p> </p><h2>合并关键词</h2><p>一些变量可能须要整合，如蕴含关键词“Flr”、“Porch”、“Bath”、“Overall”、“Sold”、“SF”、“Year”、“AbvGr”、“Garage”和“Area”。</p><pre><code>AmesHousing2$Flr=apply(AmesHousing2[,grep(“Flr” ,colnames(AmesHousing2))],1,sum)AmesHousing2=AmesHousing2[,-grep(“Flr” ,colnames(AmesHousing2))[-length(grep(“Flr” ,colnames(AmesHousing2)))]]</code></pre><p></p><pre><code>plot(AmesHousi2)</code></pre><p></p><h2>跑logistic regression, GAM, LDA, KNN这几个模型</h2><p>在数据筹备实现后，能够通过运行不同的模型来进行剖析。以下是对logistic regression、GAM、LDA和KNN模型的准确率评估：</p><h3>1. 逻辑回归（Logistic Regression）模型：</h3><p>对数据进行逻辑回归建模，代码如下：</p><pre><code>model.glm <- glm(as.factor(SalePrice) ~ ., data = AmesHousing, family = “binomial”)</code></pre><p>通过逻辑回归模型的训练和验证，失去的准确率为0.932166301969365，表明模型在对销售额进行分类预测时较为精确。</p><h3>2. 狭义加性模型（Generalized Additive Model，GAM）：</h3><p>进行GAM建模，计算准确率如下：</p><pre><code>misClasificError <- mean(fitted.results != Ames.test$SalePrice, na.rm = TRUE) print(paste(‘Accuracy’, 1 - misClasificError))</code></pre><p>GAM模型的准确率为0.911062906724512，显示其在销售额分类预测方面的体现。</p><h3>3. K最近邻（K-Nearest Neighbors，KNN）模型：</h3><p>引入kknn库进行KNN模型的建模和评估：</p><pre><code>library(kknn)print(paste(‘Accuracy’, 1 - misClasificError))</code></pre><p>KNN模型的准确率为0.585284280936455，绝对较低，可能须要进一步调整模型参数或数据处理形式以进步准确性。</p><h3>4. 线性判别分析（Linear Discriminant Analysis，LDA）模型：</h3><p>对LDA模型的准确率进行评估：</p><pre><code>misClasificError <- mean(fitted.results != Ames.test$SalePrice, na.rm = TRUE) print(paste(‘Accuracy’, 1 - misClasificError))</code></pre><p>LDA模型的准确率为0.923413566739606，显示其在销售额分类预测方面体现较好。</p><p>通过以上模型的评估后果，能够得悉不同算法在对销售额进行分类预测时的体现。逻辑回归和LDA模型体现较为优异，而KNN模型的准确率绝对较低，可能须要进一步优化。综合思考不同模型的准确率后果，能够抉择最适宜数据集和剖析目标的模型进行进一步钻研和利用。</p><ul><li>逻辑回归模型的准确率为0.932166301969365。</li><li>狭义加性模型（GAM）的准确率为0.911062906724512。</li><li>K最近邻（KNN）模型的准确率为0.585284280936455。</li><li>线性判别分析（LDA）模型的准确率为0.923413566739606。</li></ul><p>通过以上剖析，能够得出不同模型在预测销售额类别上的准确率，进一步理解销售额与其余变量之间的关系，为将来的预测和决策提供参考。</p><h2>穿插验证 （规范看最小的test error 验证误差）</h2><p>穿插验证是一种罕用的机器学习办法，用于评估模型的性能并抉择最佳的超参数。在本文中，咱们将应用穿插验证来评估Logistic回归、LDA、KNN和GAM四种分类模型的性能。</p><h3>logistic regression</h3><p>首先，咱们应用Logistic回归模型进行穿插验证。咱们将数据集分成10个不同的子集，每次应用其中9个子集进行训练，而后在残余的一个子集上进行测试。反复这个过程10次，计算每次测试的准确率，并将所有准确率的平均值作为最终的准确率。通过计算，Logistic回归模型的均匀准确率为0.9410194。</p><pre><code class=“js”> precisek=0 k=10 for(kk in 1:k){ …. precisek=precisek+1-misClasificError }</code></pre><p> </p><pre><code class=“js”> 1 th accuracy of logistic regression is 0.9491525 2 th accuracy of logistic regression is 0.9321267 3 th accuracy of logistic regression is 0.9434783 4 th accuracy of logistic regression is 0.9244444 5 th accuracy of logistic regression is 0.9480519 6 th accuracy of logistic regression is 0.9480519 7 th accuracy of logistic regression is 0.9356223 8 th accuracy of logistic regression is 0.9516129 9 th accuracy of logistic regression is 0.94067810 th accuracy of logistic regression is 0.9369748</code></pre><pre><code>precisek/kcaculate precision</code></pre><pre><code> [1] 0.9410194</code></pre><p> </p><h2>LDA</h2><p>接下来，咱们应用LDA模型进行穿插验证。同样地，咱们将数据集分成10个子集，每次训练时应用9个子集，而后在残余的一个子集上进行测试。反复这个过程10次，计算每次测试的准确率，并计算均匀准确率。通过计算，LDA模型的均匀准确率为0.937719。</p><pre><code>precisek=0 k=10 for(kk in 1:k){ … cat(kk," th accuracy of LDA is “,1-misClasificError,"\n”) precisek=precisek+1-misClasificError }</code></pre><p> </p><pre><code> 1 th accuracy of LDA is 0.9537815 2 th accuracy of LDA is 0.9324324 3 th accuracy of LDA is 0.9497908 4 th accuracy of LDA is 0.9141631 5 th accuracy of LDA is 0.9304348 6 th accuracy of LDA is 0.9240506 7 th accuracy of LDA is 0.9396552 8 th accuracy of LDA is 0.9471366 9 th accuracy of LDA is 0.9672897 10 th accuracy of LDA is 0.9184549</code></pre><p> </p><pre><code>precisek/kcaculate precision [1] 0.937719</code></pre><p> </p><p> </p><h2>knn</h2><p> <br/> 而后，咱们应用KNN模型进行穿插验证。同样地，咱们将数据集分成10个子集，每次训练时应用9个子集，而后在残余的一个子集上进行测试。反复这个过程10次，计算每次测试的准确率，并计算均匀准确率。通过计算，KNN模型的均匀准确率为0.5928328。</p><pre><code>precisek=0 k=10 for(kk in 1:k){ cat(kk," th accuracy of KNN is “,1-misClasificError,"\n”) precisek=precisek+1-misClasificError } </code></pre><pre><code> 1 th accuracy of KNN is 0.6382253 2 th accuracy of KNN is 0.5870307 3 th accuracy of KNN is 0.5631399 4 th accuracy of KNN is 0.556314 5 th accuracy of KNN is 0.6143345 6 th accuracy of KNN is 0.6075085 7 th accuracy of KNN is 0.5733788 8 th accuracy of KNN is 0.556314 9 th accuracy of KNN is 0.6143345 10 th accuracy of KNN is 0.6177474</code></pre><pre><code>precisek/kcaculate precision [1] 0.5928328</code></pre><p> </p><h2>GAM</h2><p>最初，咱们应用GAM模型进行穿插验证。同样地，咱们将数据集分成10个子集，每次训练时应用9个子集，而后在残余的一个子集上进行测试。反复这个过程10次，计算每次测试的准确率，并计算均匀准确率。通过计算，GAM模型的均匀准确率为0.9217754。</p><pre><code>precisek=0 k=10 for(kk in 1:k){ index=sample(1:dim(AmesHousing2)[1],floor(dim(AmesHousing2)[1]*(1/k)), cat(kk," th accuracy of GAM is “,1-misClasificError,"\n”) precisek=precisek+1-misClasificError }</code></pre><pre><code> 1 th accuracy of GAM is 0.9429825 2 th accuracy of GAM is 0.8974359 3 th accuracy of GAM is 0.9116279 4 th accuracy of GAM is 0.9230769 5 th accuracy of GAM is 0.9173913 6 th accuracy of GAM is 0.8826087 7 th accuracy of GAM is 0.9531915 8 th accuracy of GAM is 0.9282511 9 th accuracy of GAM is 0.9469027 10 th accuracy of GAM is 0.9142857</code></pre><p> </p><pre><code>precisek/kcaculate precision [1] 0.9217754 </code></pre><p> 综合来看，咱们能够看到LDA和GAM模型在这个数据集上体现较好，而Logistic回归和KNN模型的体现绝对较差。因而，在抉择模型时，咱们应该参考穿插验证的后果，抉择体现最好的模型来进行进一步的剖析和预测。</p><p> </p><h2>PCA</h2><p>主成分剖析（PCA）是一种罕用的降维技术，能够帮忙咱们发现数据中的模式并缩小特色的数量。在本文中，咱们首先对PCA进行了剖析，通过主成分的方差和累积方差来评估主成分的重要性。依据PCA的后果，咱们能够看到前几个主成分的方差和累积方差，以及它们对数据的奉献水平。</p><pre><code>summary(pr.out)</code></pre><pre><code> Importance of components: PC1 PC2 PC3 PC4 PC5 PC6 Standard deviation 2.1963 1.3088 1.14690 1.01946 0.99468 0.98157 Proportion of Variance 0.3216 0.1142 0.08769 0.06929 0.06596 0.06423 Cumulative Proportion 0.3216 0.4358 0.52348 0.59277 0.65873 0.72296 PC7 PC8 PC9 PC10 PC11 PC12 Standard deviation 0.88807 0.83298 0.7520 0.70579 0.6686 0.63593 Proportion of Variance 0.05258 0.04626 0.0377 0.03321 0.0298 0.02696 Cumulative Proportion 0.77554 0.82179 0.8595 0.89270 0.9225 0.94946 PC13 PC14 PC15 Standard deviation 0.58684 0.5254 0.37095 Proportion of Variance 0.02296 0.0184 0.00917 Cumulative Proportion 0.97242 0.9908 1.00000</code></pre><p></p><p></p><pre><code>pve=pr.var/sum(pr.var)</code></pre><p></p><p></p><p>接下来，咱们对PCA降维后的数据应用Logistic回归、LDA、KNN和GAM四种分类模型进行建模，并评估它们的准确率。</p><h2>logistic regression</h2><pre><code> misClasificError <- mean(fitted.results != Ames.test$SalePrice,na.rm=T) print(paste(‘Accuracy’,1-misClasificError))</code></pre><pre><code> [1] “Accuracy 0.984210526315789”</code></pre><h2>gam建模</h2><pre><code>library(“mgcv”) model.gam=gam() print(paste(‘Accuracy’,1-misClasificError))</code></pre><p> </p><pre><code> [1] “Accuracy 0.975438596491228”</code></pre><p> </p><h2>knn</h2><p> </p><pre><code>library(kknn) model.kknn <- train.kknn( print(paste(‘Accuracy’,1-misClasificError))</code></pre><pre><code> [1] “Accuracy 0.554385964912281”</code></pre><p> </p><p> </p><h2>LDA</h2><p> </p><pre><code>misClasificError <- mean(fitted.results != Ames.test$SalePrice,na.rm=T) print(paste(‘Accuracy’,1-misClasificError))</code></pre><pre><code> [1] “Accuracy 0.978947368421053” </code></pre><p>在Logistic回归模型中，咱们计算了模型的准确率为0.984210526315789；在GAM模型中，准确率为0.975438596491228；在KNN模型中，准确率为0.554385964912281；在LDA模型中，准确率为0.978947368421053。通过比拟这些准确率，咱们能够看到Logistic回归和LDA模型体现较好，而KNN模型体现较差。<br/> </p><p> </p><h2>穿插验证 （规范看最小的test error 验证误差）</h2><p>接着，咱们进行了穿插验证，通过计算十次验证的准确率并求平均值来评估模型的性能。</p><h2>logistic regression</h2><pre><code>precisek=0 k=10 for(kk in 1:k){ cat(kk," th accuracy of logistic regression is “,1-misClasificError,"\n”) precisek=precisek+1-misClasificError }precisek/kcaculate precision</code></pre><pre><code> [1] 0.9779736</code></pre><p> </p><p> </p><h2>LDA</h2><pre><code>precisek=0 k=10 for(kk in 1:k){ cat(kk," th accuracy of LDA is “,1-misClasificError,"\n”) precisek=precisek+1-misClasificError }</code></pre><pre><code>precisek/kcaculate precision</code></pre><pre><code> [1] 0.9792952</code></pre><p> </p><p> </p><h2>knn</h2><pre><code>precisek=0 k=10 for(kk in 1:k){ cat(kk," th accuracy of KNN is “,1-misClasificError,"\n”) precisek=precisek+1-misClasificError }</code></pre><p> </p><pre><code>precisek/kcaculate precision</code></pre><pre><code> [1] 0.9656388</code></pre><p> </p><p> </p><h2>GAM</h2><pre><code>precisek=0 k=10 for(kk in 1:k){ cat(kk," th accuracy of GAM is “,1-misClasificError,"\n”) precisek=precisek+1-misClasificError }</code></pre><p> </p><pre><code>precisek/kcaculate precision</code></pre><pre><code> [1] 0.9814978</code></pre><p>在Logistic回归模型中，十次验证的均匀准确率为0.9779736；在LDA模型中，均匀准确率为0.9792952；在KNN模型中，均匀准确率为0.9656388；在GAM模型中，均匀准确率为0.9814978。通过穿插验证的后果，咱们能够看到GAM模型在这个数据集上体现最好，而KNN模型体现绝对较差。</p><p>综上所述，通过PCA的剖析和不同分类模型的建模及穿插验证，咱们能够评估模型的性能并抉择最佳的模型来进行进一步的剖析和预测。在理论利用中，咱们应该依据理论状况和需要抉择适合的模型，并一直优化和调整模型以进步预测准确率和泛化能力。</p><p></p></article> ...

全文下载链接：http://tecdat.cn/?p=20631最近咱们被客户要求撰写对于混合效应模型的钻研报告，包含一些图形和统计输入 咱们曾经学习了如何解决混合效应模型。本文的重点是如何建设和_可视化_ 混合效应模型的后果 设置本文应用数据集，用于摸索草食动物种群对珊瑚笼罩的影响。 knitr::opts_chunk$set(echo = TRUE)library(tidyverse) # 数据处理library(lme4) # lmer glmer 模型me_data <- read_csv("mixede.csv")创立一个根本的混合效应模型：该模型以珊瑚覆盖层为因变量（elkhorn_LAI），草食动物种群和深度为固定效应（c。urchinden，c.fishmass，c.maxD）和考察地点作为随机效应（地点）。 。 留神：因为食草动物种群的测量规模存在差别，因而咱们应用标准化的值，否则模型将无奈收敛。咱们还应用了因变量的对数。我正在依据这项特定钻研对数据进行分组。 summary(mod)## Linear mixed model fit by maximum likelihood ['lmerMod']## ## AIC BIC logLik deviance df.resid ## 116.3 125.1 -52.1 104.3 26 ## ## Scaled residuals: ## Min 1Q Median 3Q Max ## -1.7501 -0.6725 -0.1219 0.6223 1.7882 ## ## Random effects:## Groups Name Variance Std.Dev.## site (Intercept) 0.000 0.000 ## Residual 1.522 1.234 ## Number of obs: 32, groups: site, 9## ## Fixed effects:## Estimate Std. Error t value## (Intercept) 10.1272 0.2670 37.929## c.urchinden 0.5414 0.2303 2.351## c.fishmass 0.4624 0.4090 1.130## c.axD 0.3989 0.4286 0.931## ## Correlation of Fixed Effects:## (Intr) c.rchn c.fshm## c.urchinden 0.036 ## c.fishmass -0.193 0.020 ## c.maxD 0.511 0.491 -0.431## convergence code: 0## boundary (singular) fit: see ?isSingular绘制效应大小图：如果您有很多固定效应，这很有用。 ...

原文链接：https://tecdat.cn/?p=34111随着新一轮技术反动和产业改革的推动，以及国家政策的鼎力搀扶，电动化、智能化、网联化曾经成为汽车行业倒退的新趋势。在这种背景下，各大企业纷纷抢夺数字化人才，以推动产品的规模化落地和商业化翻新利用。浏览原文，获取专题报告合集全文，解锁文末53份智能汽车相干行业钻研报告。 “智能汽车行业数字化人才白皮书”的报告合集，其中指出，传统车企、造车新权势、头部互联网公司之间的数字化人才竞争愈演愈烈，技术人才需求景气指数也随之增高。此外，因为行业的勃兴，不同行业之间的人才流动也越来越频繁，IT技术服务、征询、电商行业的数字人才纷纷跨界退出“造车”行业。 能够看出，智能汽车行业的疾速倒退对数字化人才的需要也在一直增长，而人才的抢夺和流动也在一直推动着行业的提高和倒退。 随着汽车行业的疾速倒退，数字化人才短缺问题逐步凸显。车企争抢数字化人才，以应答新技术和新趋势的挑战。 依据调研数据，咱们能够看到大部分求职者偏向于抉择进入造车新权势，其中蔚来汽车受到55%的求职者青眼，小鹏汽车紧随其后，占比19%，现实汽车占比15%，而其余车企仅占11%。 在入职汽车行业后，65%的求职者认为专业技能是晋升本身竞争力的重要资本，而54%的求职者则更重视主动驾驶相干原理的晋升。 从以上数据能够显著看出，求职者对造车新权势的偏好高于传统车企，这可能与造车新权势在技术创新、企业文化和发展前景等方面的劣势无关。同时，对于进入汽车行业的求职者来说，专业技能和主动驾驶相干原理的晋升是他们关注的重点，这也反映了汽车行业对业余技术和创新能力的器重。 智能网联汽车驶入倒退快车道。 依据中泰证券钻研公布的《汽车电子周跟踪》显示，2022年9月国内智能乘用车销量达47.5万辆，同比增长76%，渗透率晋升至25.28%。 依照工信部公布的《智能网联汽车技术路线图2.0》布局，2025年国产L2级、L3级主动驾驶的智能网联汽车渗透率将进步到50%，2030年该占比将进一步晋升至70%，L4级主动驾驶车型市场占有率达到20%。 当下，智能汽车行业参与者次要分为互联网科技公司及造车新权势企业、传统车企两大阵营，前者在数字化技术方面具备先天劣势，后者领有成熟量产教训，把握汽车底层技术，供应链治理经验丰富，流程欠缺。 本专题内的参考报告（PDF）目录国金证券：汽车及汽车零部件行业钻研-智能汽车行业终端深度系列（一）-华... 报告2023-10-29头豹：2023年中国线管制动行业概览-线控化需要下-智能汽车的平安保障... 报告2023-09-21高工智能汽车：车载毫米波雷达行业倒退蓝皮书(2021-2025) 报告2023-09-18中国汽车工程学会：中国智能汽车产业倒退与瞻望 报告2023-09-13艾普思：2023智能汽车市场及品牌倒退洞察报告 报告2023-05-26汽车之家：2023智能汽车发展趋势洞察报告 报告2023-05-21罗兰贝格：智能汽车软件白皮书-单车价值翻倍，软件集成服务或成支流 报告2023-04-17赛博汽车：2023年3月智能汽车月报 报告2023-04-01罗兰贝格：智能汽车软件白皮书 报告2023-03-28高工智能汽车：高阶智能驾驶行业倒退蓝皮书(2021-2025) 报告2023-02-21拉勾招聘：2022年智能汽车行业数字化人才白皮书 报告2023-01-08头豹：2022年中国新能源汽车产业系列钻研报告-从问界窥探华为智能汽车... 报告2022-10-28赛博汽车：2022年9月智能汽车月度报告 报告2022-10-15头豹：智能汽车致力打造用户 “挪动智能空间” -汽车气氛灯重要性一直攀... 报告2022-09-27头豹：2022年中国新能源汽车行业系列钻研――EE架构降级-智能汽车之... 报告2022-09-21头豹：市场简报-数据安全新规公布-智能汽车将何去何？ 报告2022-09-15高工智能汽车：主动泊车（APA&AVP）行业倒退蓝皮书（2021-20... 报告2022-08-22安永：2022年智能汽车云服务白皮书 报告2022-08-16IDC：2022年智能汽车市场钻研 报告2022-08-01头豹：2022年新能源智能汽车及主动驾驶竞争剖析白皮书-新四化浪潮来袭... 报告2022-07-15安永&华为：智能汽车云服务白皮书 报告2022-07-15中经报智库：2021年中国智能汽车竞争力指数白皮书 报告2022-06-10头豹：2022年新能源智能汽车及主动驾驶竞争剖析报告系列（四）：跨界造... 报告2022-05-20汽车之家：2022中国智能汽车发展趋势洞察报告 报告2022-04-27亿欧智库：算力驱动汽车——2021中国智能汽车算力倒退钻研报告_202... 报告2021-12-15华为：智能汽车解决方案2030 报告2021-09-24亿欧智库：华为智能汽车业务洞察报告 报告2021-01-27普华永道：2023汽车数字化转型下的数据经营白皮书 报告2023-09-09头豹：2023年中国汽车数字化转型生产制作行业词条报告 报告2023-04-19申橙征询：2023汽车工业数字化与XR技术白皮书 报告2023-09-03IBM&e-works：2023汽车行业数字化转型报告 报告2023-08-19思略特：2023汽车行业营销数字化行业察看报告 报告2023-07-31普华永道：2023年数字化汽车报告 报告2023-07-24思略特：2023年数字化汽车报告 报告2023-04-26头豹：2023年中国汽车数字化转型生产制作行业词条报告 报告2023-04-19艾瑞征询：中国汽车行业数字化转型解决方案白皮书 报告2023-03-31艾瑞征询：2023年中国汽车行业数字化转型解决方案白皮书 报告2023-03-30神策数据：2022汽车行业数字化经营白皮书 报告2023-02-27毕马威：汽车营销与研发数字化交换 报告2023-01-14拉勾招聘：2022年智能汽车行业数字化人才白皮书 报告2023-01-08月狐数据：2022年汽车行业数字化营销趋势洞察报告 报告2023-01-01T钻研：培养增长新动能：中国汽车后市场数字化能力降级与翻新洞察 报告2022-11-27艾瑞征询：中国汽车行业数字化营销白皮书 报告2022-09-15亿欧智库：2022中国汽车产业数字化翻新钻研报告 报告2022-09-09亿欧智库：2022中国汽车产业数字化翻新钻研报告——操作系统篇-082... 报告2022-08-29阿里云：AI时代下的汽车业数字化改革 报告2022-08-07云徙&爱剖析：2022汽车行业数字化转型白皮书 报告2022-07-21爱剖析：2022爱剖析･汽车行业数字化实际报告 报告2022-05-16爱剖析：2022爱剖析· 汽车行业数字化厂商全景报告 报告2022-05-16中汽研：国有汽车企业数字化转型路线图白皮书 报告2021-12-21普华永道：2021年数字化汽车报告（首篇）：洞察寰球挪动出行市场 报告2021-11-21普华永道&华为：汽车行业数字化用户经营解决方案白皮书 报告2021-11-11亿欧智库：中国汽车产业数字化服务商钻研报告及TOP50榜单 报告2021-05-10

原文链接：http://tecdat.cn/?p=11664最近咱们被客户要求撰写对于贝叶斯回归的钻研报告，包含一些图形和统计输入。 我想钻研如何应用pymc3在贝叶斯框架内进行线性回归。依据从数据中学到的常识进行推断  贝叶斯规定是什么？  实质上，咱们必须将曾经晓得的常识与世界上的事实相结合。 这里有一个例子。 假如存在这种常见疾病，每10,000人中就有1人随机感化这种疾病。换句话说，有0.01％的机会患上这种疾病。侥幸的是，有一项测试能够99％的正确辨认出患有这种疾病的人，如果没有这种疾病，它也能够正确地说出您99％没有患这种疾病。您加入了测试，后果为阳性。您有多少几率理论患上该病？ 好吧，让咱们从逻辑上考虑一下。咱们晓得，每10,000人中就有1人患此病。假如有10,000人。他们中的9,999人没有疾病，但其中1％的人会失去阳性后果。因而，即便只有1人理论患有这种疾病，也有约101人取得了阳性后果。这意味着即便后果为阳性，您也只有101分之一的几率理论患上该病（或大概1％的几率）。 数学形容  ： 看起来很简略。实际上，这很简略。该公式仅须要一些概率分布的常识。然而实际上，左边的分母通常意味着咱们将要计算很多真正的计算重积分。因而，贝叶斯统计被放弃了很多年。从某种意义上讲，它自然而然地脱离了概率论。如果咱们只有善于计算大量数字的货色，那么这类问题就能够解决。 计算机的确十分快地进行计算贝叶斯回归。 代码这是进行贝叶斯回归所需的常识。通常，咱们想到这样的回归： e是正态分布的误差。  因而，咱们假如： 与先验： 因而，如果咱们领有X和Y的数据，则能够进行贝叶斯线性回归。  代码 咱们要应用的数据集是《  住房考察：2013年住房累赘能力数据 》数据集。  咱们感兴趣的是住房累赘如何随着年龄而变动。AGE1蕴含户主的年龄。BURDEN是一个变量，它通知咱们住房费用绝对于支出有多大。为简略起见，咱们仅关注这两个变量。咱们想晓得的是，随着年龄的增长，住房累赘会变得更容易吗？特地是，咱们想晓得斜率系数是否为负，并且因为咱们处于贝叶斯框架中，因而该概率为负的概率是多少？ 因而，咱们将导入所需的库和数据。进行一些数据清理。 df=pd.read_csv('2013n.txt',sep=',')df=df[df['BURDEN']>0]df=df[df['AGE1']>0]当初，让咱们构建下面探讨的模型。让咱们做一个散点图，看看数据是什么样子。 plt.scatter(df['AGE1'],df['BURDEN'])plt.show()后果如下： 点击题目查阅往期内容 R语言用贝叶斯层次模型进行空间数据分析 左右滑动查看更多 01 02 03 04 住房累赘很容易超过支出的10倍。 这是构建和运行模型的代码： pm.traceplot(trace)plt.show()**看起来与咱们下面的模型齐全一样，不同之处在于咱们还有一个正态分布的截距beta。当初咱们的模型曾经训练好了，咱们能够持续做一些推论工作。 ** 实现运行后，会看到相似以下内容： 能够看到，咱们有斜率和截距的后验散布以及回归的标准偏差。 **住房累赘会随着年龄的增长而缩小吗？ ** 是的。随着人们的建设，他们的住房老本将绝对于支出降落。这将等于年龄变量的负斜率系数。运行以下代码，则能够找出斜率系数为负的确切概率。 print(np.mean([1 if obj<0 else 0 for obj in trace['x']]))该系数为负的概率约为13.8％。 点击文末 “浏览原文” 获取全文残缺代码数据资料。 本文选自《Python贝叶斯回归剖析住房累赘能力数据集》。 点击题目查阅往期内容 课程视频|R语言bnlearn包：贝叶斯网络的结构及参数学习的原理和实例 R语言Gibbs抽样的贝叶斯简略线性回归仿真剖析 python贝叶斯随机过程：马尔可夫链Markov-Chain，MC和Metropolis-Hastings，MH采样算法可视化 Python贝叶斯推断Metropolis-Hastings（M-H）MCMC采样算法的实现 Metropolis Hastings采样和贝叶斯泊松回归Poisson模型 Matlab用BUGS马尔可夫区制转换Markov switching随机稳定率模型、序列蒙特卡罗SMC、M H采样剖析工夫序列R语言RSTAN MCMC：NUTS采样算法用LASSO 构建贝叶斯线性回归模型剖析职业声望数据 R语言BUGS序列蒙特卡罗SMC、马尔可夫转换随机稳定率SV模型、粒子滤波、Metropolis Hasting采样工夫序列剖析 R语言Metropolis Hastings采样和贝叶斯泊松回归Poisson模型 R语言贝叶斯MCMC：用rstan建设线性回归模型剖析汽车数据和可视化诊断 R语言贝叶斯MCMC：GLM逻辑回归、Rstan线性回归、Metropolis Hastings与Gibbs采样算法实例 R语言贝叶斯Poisson泊松-正态分布模型剖析职业足球比赛进球数 R语言用Rcpp减速Metropolis-Hastings抽样预计贝叶斯逻辑回归模型的参数 R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病 R语言中贝叶斯网络（BN）、动静贝叶斯网络、线性模型剖析错颌畸形数据 R语言中的block Gibbs吉布斯采样贝叶斯多元线性回归 Python贝叶斯回归剖析住房累赘能力数据集 R语言实现贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归剖析 Python用PyMC3实现贝叶斯线性回归模型 R语言用WinBUGS 软件对学术能力测验建设档次（分层）贝叶斯模型 R语言Gibbs抽样的贝叶斯简略线性回归仿真剖析 R语言和STAN,JAGS：用RSTAN,RJAG建设贝叶斯多元线性回归预测选举数据 R语言基于copula的贝叶斯分层混合模型的诊断准确性钻研 R语言贝叶斯线性回归和多元线性回归构建工资预测模型 R语言贝叶斯推断与MCMC：实现Metropolis-Hastings 采样算法示例 R语言stan进行基于贝叶斯推断的回归模型 R语言中RStan贝叶斯层次模型剖析示例 R语言应用Metropolis-Hastings采样算法自适应贝叶斯预计与可视化 R语言随机搜寻变量抉择SSVS预计贝叶斯向量自回归（BVAR）模型 WinBUGS对多元随机稳定率模型：贝叶斯预计与模型比拟 R语言实现MCMC中的Metropolis–Hastings算法与吉布斯采样 R语言贝叶斯推断与MCMC：实现Metropolis-Hastings 采样算法示例 R语言应用Metropolis-Hastings采样算法自适应贝叶斯预计与可视化 视频：R语言中的Stan概率编程MCMC采样的贝叶斯模型 R语言MCMC:Metropolis-Hastings采样用于回归的贝叶斯预计 ...

<article class=“article fmt article-content”><h3>全文下载链接：http://tecdat.cn/?p=2857</h3><p>最近咱们被客户要求撰写对于贝叶斯的钻研报告，包含一些图形和统计输入。</p><h3>本文是通过对area,perimeter,campactness几个变量的贝叶斯建模,来查看他们对groovelength这个变量的影响，并且比照rjags R2jags和内置贝叶斯预测函数的后果</h3><h2>读取数据</h2><pre><code>seed=read.csv(“seeds_dataset.csv”)seed=seed[,1:7]</code></pre><h2> 查看数据的构造</h2><pre><code> str(seed) ‘data.frame’: 209 obs. of 7 variables: $ area : num 14.9 14.3 13.8 16.1 14.4 … $ perimeter : num 14.6 14.1 13.9 15 14.2 … $ campactness : num 0.881 0.905 0.895 0.903 0.895 … $ length : num 5.55 5.29 5.32 5.66 5.39 … $ width : num 3.33 3.34 3.38 3.56 3.31 … $ asymmetry : num 1.02 2.7 2.26 1.35 2.46 … $ groovelength: num 4.96 4.83 4.8 5.17 4.96 …</code></pre><h2>建设回归模型</h2><pre><code> Residuals: Min 1Q Median 3Q Max -0.66375 -0.10094 0.00175 0.11081 0.45132 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 19.46173 2.45031 7.943 1.29e-13 area 0.49724 0.08721 5.701 4.10e-08 perimeter -0.63162 0.18179 -3.474 0.000624 campactness -14.05218 1.34325 -10.461 < 2e-16 — Signif. codes: 0 ’’ 0.001 ’’ 0.01 ’’ 0.05 ’.’ 0.1 ’ ’ 1 Residual standard error: 0.1608 on 205 degrees of freedom Multiple R-squared: 0.895, Adjusted R-squared: 0.8934 F-statistic: 582.4 on 3 and 205 DF, p-value: < 2.2e-16</code></pre><p>从回归模型的后果来看，三个自变量对因变量都有显著的意义。其中，area有正向的影响。而其余两个变量是负向的影响。从r方的后果来看，达到了0.895，模型具备较好的解释度。</p><h2>建设贝叶斯回归模型</h2><pre><code>Bayesian analysis With bayesglm Deviance Residuals: Min 1Q Median 3Q Max -0.66331 -0.09974 -0.00002 0.11110 0.44841 Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 18.90538 2.41549 7.827 2.63e-13 area 0.47826 0.08604 5.559 8.40e-08 perimeter -0.59252 0.17937 -3.303 0.00113 campactness -13.74353 1.32463 -10.375 < 2e-16 — Signif. codes: 0 ’’ 0.001 ’’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1 (Dispersion parameter for gaussian family taken to be 0.02584982) Null deviance: 50.4491 on 208 degrees of freedom Residual deviance: 5.2992 on 205 degrees of freedom AIC: -164.91 Number of Fisher Scoring iterations: 6</code></pre><p>从内置贝叶斯模型的后果来看，3个变量同样是十分显著，因而模型的后果和回归模型相似。而后咱们应用BUGS/JAGS软件包来建设贝叶斯模型</p><p>应用 BUGS/JAGS软件包来建设贝叶斯模型</p><p>建设贝叶斯模型</p><pre><code> jags(model.file=‘bayes.bug’, parameters=c(“area”,“perimeter”,“campactness”,“int”), data = list(‘a’ = seed$area, ‘b’ = seed$perimete n.cha</code></pre><p>查看模型后果：</p><pre><code>module glm loaded Compiling model graph Resolving undeclared variables Allocating nodes Graph information: Observed stochastic nodes: 209 Unobserved stochastic nodes: 5 Total graph size: 1608 Initializing modelbb <- jags1$BUGSoutput 提取“ BUGS输入” mm <- as.mcmc.bugs(bb) 将其转换为coda能够解决的“ mcmc”对象plot(jags1) 绘制图像</code></pre><p></p><p>从下面的图中，咱们能够看到自变量的中位数和置信区间。从置信区间来看，各个变量的取值和贝叶斯模型的后果相似。贝叶斯后果的值全副落入在了置信区间内。</p><p>而后绘制每次迭代中各个变量参数的轨迹图</p><pre><code>trace + density #轨迹图</code></pre><p></p><p>能够看到每个变量的参数都在肯定区间内稳定。同时能够看到误差在肯定的迭代次数之后趋于收敛。</p><hr/><p><strong>点击题目查阅往期内容</strong></p><p></p><p>R语言和STAN,JAGS：用RSTAN,RJAG建设贝叶斯多元线性回归预测选举数据</p><p></p><p>左右滑动查看更多</p><p></p><p><strong>01</strong></p><p></p><p><strong>02</strong></p><p></p><p><strong>03</strong></p><p></p><p><strong>04</strong></p><p></p><p>而后绘制每个变量参数的密度图 prettier density plot</p><p></p><p>能够看到每个变量的参数的密度散布近似于正态分布。同时咱们能够看到散布的均值和贝叶斯模型，失去的后果相似。</p><p>而后绘制每个变量参数的置信区间 estimate + credible interval plot</p><p></p><p>从后果来看，能够看到各个变量参数的置信区间，campatness和int的置信区间较大，而其余两个变量的置信区间较小。</p><p>从下面的试验后果比照，咱们能够看到，三个自变量对因变量均有重要的影响。area,perimeter,campactness几个变量他们对groovelength这个变量均有重要的影响。同时咱们能够认为回归模型的后果和贝叶斯模型的后果类似。而后咱们应用rjags&R2jags软件包来对数据进行贝叶斯型的建设，从后果来看，同样和之前失去的模型后果相差不大。并且咱们通过模型的迭代，能够失去每个参数的置信区间。</p><hr/><p></p><p>点击文末 <strong>“浏览原文”</strong></p><p>获取全文残缺材料。</p><p>本文选自《r语言应用rjags R2jags建设贝叶斯模型》。</p><p><strong>点击题目查阅往期内容</strong></p><p>应用贝叶斯层次模型进行空间数据分析 <br/>R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯奢侈贝叶斯、反对向量机SVM剖析营销流动数据|数据分享 <br/>PYTHON用户散失数据挖掘：建设逻辑回归、XGBOOST、随机森林、决策树、反对向量机、奢侈贝叶斯和KMEANS聚类用户画像 <br/>MATLAB随机森林优化贝叶斯预测剖析汽车燃油经济性 <br/>R语言中贝叶斯网络（BN）、动静贝叶斯网络、线性模型剖析错颌畸形数据 <br/>应用贝叶斯层次模型进行空间数据分析MCMC的rstan贝叶斯回归模型和规范线性回归模型比拟 <br/>python贝叶斯随机过程：马尔可夫链Markov-Chain，MC和Metropolis-Hastings，MH采样算法可视化 <br/>Python贝叶斯推断Metropolis-Hastings（M-H）MCMC采样算法的实现 <br/>matlab贝叶斯隐马尔可夫hmm模型实现 <br/>贝叶斯线性回归和多元线性回归构建工资预测模型 <br/>Metropolis Hastings采样和贝叶斯泊松回归Poisson模型 <br/>贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归剖析免疫球蛋白、前列腺癌数据 <br/>R语言RSTAN MCMC：NUTS采样算法用LASSO 构建贝叶斯线性回归模型剖析职业声望数据 <br/>R语言STAN贝叶斯线性回归模型剖析气候变化影响北半球海冰范畴和可视化查看模型收敛性 <br/>PYTHON用户散失数据挖掘：建设逻辑回归、XGBOOST、随机森林、决策树、反对向量机、奢侈贝叶斯和KMEANS聚类用户画像 <br/>贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归剖析免疫球蛋白、前列腺癌数据R语言JAGS贝叶斯回归模型剖析博士生延期毕业实现论文工夫 <br/>R语言Metropolis Hastings采样和贝叶斯泊松回归Poisson模型 <br/>Python决策树、随机森林、奢侈贝叶斯、KNN（K-最近街坊）分类剖析银行拉新流动开掘潜在贷款客户 <br/>R语言贝叶斯MCMC：用rstan建设线性回归模型剖析汽车数据和可视化诊断 <br/>R语言贝叶斯MCMC：GLM逻辑回归、Rstan线性回归、Metropolis Hastings与Gibbs采样算法实例 <br/>R语言贝叶斯Poisson泊松-正态分布模型剖析职业足球比赛进球数 <br/>随机森林优化贝叶斯预测剖析汽车燃油经济性 <br/>R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病 <br/>R语言用Rcpp减速Metropolis-Hastings抽样预计贝叶斯逻辑回归模型的参数 <br/>R语言中的block Gibbs吉布斯采样贝叶斯多元线性回归 <br/>Python贝叶斯回归剖析住房累赘能力数据集 <br/>R语言实现贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归剖析 <br/>Python用PyMC3实现贝叶斯线性回归模型 <br/>R语言用WinBUGS 软件对学术能力测验建设档次（分层）贝叶斯模型 <br/>R语言Gibbs抽样的贝叶斯简略线性回归仿真剖析 <br/>R语言和STAN,JAGS：用RSTAN,RJAG建设贝叶斯多元线性回归预测选举数据 <br/>R语言基于copula的贝叶斯分层混合模型的诊断准确性钻研 <br/>R语言贝叶斯线性回归和多元线性回归构建工资预测模型 <br/>R语言贝叶斯推断与MCMC：实现Metropolis-Hastings 采样算法示例 <br/>R语言stan进行基于贝叶斯推断的回归模型 <br/>R语言中RStan贝叶斯层次模型剖析示例 <br/>R语言应用Metropolis-Hastings采样算法自适应贝叶斯预计与可视化 <br/>R语言随机搜寻变量抉择SSVS预计贝叶斯向量自回归（BVAR）模型 <br/>WinBUGS对多元随机稳定率模型：贝叶斯预计与模型比拟 <br/>R语言实现MCMC中的Metropolis–Hastings算法与吉布斯采样 <br/>R语言贝叶斯推断与MCMC：实现Metropolis-Hastings 采样算法示例 <br/>R语言应用Metropolis-Hastings采样算法自适应贝叶斯预计与可视化 <br/>视频：R语言中的Stan概率编程MCMC采样的贝叶斯模型 <br/>R语言MCMC:Metropolis-Hastings采样用于回归的贝叶斯预计</p></article> ...

<article class=“article fmt article-content”><h2>原文链接：http://tecdat.cn/?p=27042</h2><h3>原文出处：拓端数据部落公众号</h3><p>该数据依据世界各国提供的新病例数据提供。</p><h2>获取工夫序列数据</h2><pre><code>df=pd.read_csv(“C://global.csv”)</code></pre><h2>摸索数据</h2><p>此表中的数据以累积的模式出现，为了找出每天的新病例，咱们须要减去这些值</p><p></p><pre><code>df.head(10)</code></pre><p></p><p>这些数据是依据国家和地区报告新病例的数据，但咱们只想预测国家的新病例，因而咱们应用 groupby 依据国家对它们进行分组</p><p></p><h2>总结数据</h2><p>执行 groupby 以依据一个国家的新病例来汇总数据，而不是依据地区</p><pre><code>d1=df.groupby([‘Country/Region’]).sum()</code></pre><p></p><p></p><h2>形容随机抉择的国家的累计新病例增长</h2><pre><code>from numpy.random import seed plt.plot(F[i], label = RD[i]) plt.show()</code></pre><p></p><p></p><p></p><p></p><pre><code># 咱们不须要前两列d1=d1.iloc[:,2:]</code></pre><p></p><pre><code># # 查看是否有空值d1.isnull().sum().any()</code></pre><p></p><p>咱们能够对每个国家进行预测，也能够对所有国家进行预测，这次咱们对所有国家进行预测</p><pre><code>dlycnmdcas.head()</code></pre><p></p><pre><code>dalycnfreces.index</code></pre><pre><code>dal_cnre_ces.index = pd.to_datetime(dailyonfrmd_as.index)</code></pre><p></p><p></p><pre><code>plt.plot(dalnimedases)</code></pre><p></p><pre><code>ne_ces = daiy_onme_as.diff().dropna().astype(np.int64)newcaes</code></pre><p></p><p></p><pre><code>plt.plot(ne_s[1:])</code></pre><p></p><pre><code>nw_s.shape</code></pre><pre><code>(153,)</code></pre><h2>将数据拆分为训练和测试数据</h2><pre><code>ct=0.75trin_aa,tet_aa = train_test_split(ne_ces, pct)</code></pre><pre><code>(116,)</code></pre><pre><code>plt.plot(tainta)plt.plot(tesata)</code></pre><p></p><h2>数据标准化</h2><pre><code>scaler = MinMaxScaler()</code></pre><pre><code>testa.shape </code></pre><pre><code>(38, 1)</code></pre><h2>创立序列</h2><pre><code>lentTe = len(ts_data)for i in range(timmp, lenhTe): X_st.append(tst_aa[i-tmStap:i]) y_tt.append(tesata[i])X_tet=np.array(X_ts)ytes=np.array(y_tt)</code></pre><pre><code>X_st.shape</code></pre><p></p><p></p><p></p><pre><code>Xtrn.shape</code></pre><p></p><pre><code># 序列的样本 X_trn[0], yran[0]</code></pre><p></p><h2>为股票价格预测设计 RNN 模型</h2><p>模型：</p><ol><li>LSTM</li><li>GRU</li></ol><pre><code>model.summary()</code></pre><p></p><pre><code>model.fit(X_trn y_rin, epochs=50, batch_size=200)</code></pre><p></p><p></p><p></p><pre><code>yprd = (mod.predict(X_test))MSE = mean_squared_error(ytue, y_rd)plt.figure(figsize=(14,6))</code></pre><p></p><pre><code>meRU= Sqtal([ keras.layers.GRU(model_GRU.fit(Xtrn, ytin,epochs=50,batch_size=150)</code></pre><p></p><p></p><pre><code>pe_rut = {}y_ue = (y_et.reshape(-1,1))y_prd = (modlGU.predict(X_test))MSE = mean_squared_error(y_ue, ed)</code></pre><p></p><h2>用于预测新病例的机器学习算法</h2><p>筹备数据</p><pre><code>d__in.shape</code></pre><p></p><pre><code>moel=LinearRegression(nos=-2)</code></pre><p></p><h2>ARIMA</h2><p>COVID-19 新病例预测的自回归综合挪动平均线</p><pre><code>#咱们不须要前两列df1.head()daly_nfrd_cses = df1.sum(axis=0)day_cnir_ase.index = pd.to_datetime(da_onieses.index)</code></pre><pre><code>new_cs = dacofmecss.diff().dropna().astype(np.int64)tri_ta,tet_ata = trintt_it(nw_es, pct)</code></pre><p></p><pre><code>ero = men_squred_eror(ts_ar, pricos)</code></pre><p></p><p></p><p></p><pre><code>plt.figure(figsize=(12,7))plt.plot(tanat)</code></pre><p></p><p></p><p>最受欢迎的见解</p><p>1.在python中应用lstm和pytorch进行工夫序列预测</p><p>2.python中利用长短期记忆模型lstm进行工夫序列预测剖析</p><p>3.应用r语言进行工夫序列（arima，指数平滑）剖析</p><p>4.r语言多元copula-garch-模型工夫序列预测</p><p>5.r语言copulas和金融工夫序列案例</p><p>6.应用r语言随机稳定模型sv解决工夫序列中的随机稳定</p><p>7.r语言工夫序列tar阈值自回归模型</p><p>8.r语言k-shape工夫序列聚类办法对股票价格工夫序列聚类</p><p>9.python3用arima模型进行工夫序列预测</p></article> ...

<article class=“article fmt article-content”><h2>原文链接：https://tecdat.cn/?p=33647</h2><p>这份报告合集是基于中国工业产业降级和智能制作的大背景而开展的。报告合集剖析了工业互联网平台市场的倒退阶段、平台玩家的产品和服务的底层逻辑以及变化趋势，并探讨了补贴缩小、数据归属权之争、标准化与盈利模式、ChatGPT等因素对工业互联网平台企业的影响。<strong>浏览原文</strong>，获取专题报告合集全文，解锁文末77份工业互联网相干行业钻研报告。</p><p>此外，报告合集还展现了工业互联网平台企业的价值图谱，展现了行业典型代表厂商的服务能力，旨在独特发明中国工业互联网平台行业的新篇章。</p><p>整个报告合集涵盖三个局部：</p><ol><li>初期阶段的倒退，包含政策、补贴、需要市场和人才市场等因素的剖析。</li><li>工业互联网平台市场玩家的倒退现状和特色，以及其产品和服务的底层逻辑及变化趋势的剖析。</li><li>基于产品和服务的底层剖析，探讨工业互联网平台市场以后或行将面临的几大问题对工业互联网平台的影响，如补贴缩小甚至隐没、数据归属权的明确、盈利变现的摸索、ChatGPT等新技术。</li></ol><h2>分工也逐步细化，但整体上市场对人才的抢夺绝对感性</h2><p>在人才市场方面，能够察看到市场对产品、研发和解决方案类人才的需要很高，分工也逐步细化，但整体上市场对人才的抢夺绝对感性。目前市场对产品经理的需要最高，因为工业互联网产品须要不断改进和翻新。其次，解决方案和布局类人才的需要也较高，但对算法工程师、数据采集工程师等更业余细分人才的需要绝对较低，这表明市场整体尚未进入精细化分工阶段。就地区需要而言，北京是最次要的人才会聚地。市场对人才的要求更重视专业知识和行业教训，薪资程度绝对正当。总的来说，以后的人才市场需求合乎行业初期的特点。</p><p></p><p>依据数据统计，工业互联网畛域对领有3-10年工作教训的人才需求量约占总需求的64.9%。而在工业互联网人才需求最高的前五个城市中，北京遥遥领先其余城市。薪资程度方面出现正态分布，其中20-40万薪资范畴的人才占比为49.9%。这些数据清晰展现了工业互联网人才在地区、工作教训和薪资等方面的散布状况。</p><h2><strong>本专题内的参考报告（PDF）目录</strong></h2><ol><li>艾瑞征询：2023年中国工业互联网平台行业钻研报告 报告2023-09-05</li><li>中国工业互联网研究院：解读《商用明码利用安全性评估倒退钻研报告（202… 报告2023-08-28</li><li>工业互联网产业联盟：中国工业互联网投融资白皮书（2022年） 报告2023-08-10</li><li>工业互联网产业联盟：工业互联网典型平安解决方案案例汇编（2022） 报告2023-07-31</li><li>工业互联网产业联盟：工业互联网标识解析-冷链物流追溯白皮书 报告2023-07-26</li><li>工业互联网产业联盟：工业互联网标识解析-标识数据模型白皮书 报告2023-07-25</li><li>工业互联网产业联盟：2023工业边缘数据管理与剖析技术白皮书 报告2023-07-25</li><li>工业互联网联盟：2022 年中国工业互联网安全态势报告 报告2023-07-24</li><li>工业互联网产业联盟：工业互联网标识解析规范体系（2022版） 报告2023-07-24</li><li>工业互联网产业联盟：2023高性能工业PON白皮书 报告2023-07-23</li><li>工业互联网产业联盟：2023可信工业数据流通利用案例集 报告2023-07-22</li><li>AII：2022工业互联网标识解析-冷链物流追溯白皮书 报告2023-07-20</li><li>工信部：工业互联网专项工作组2023年工作打算 报告2023-07-20</li><li>中国工业互联网研究院：通用人工智能大模型工业畛域常识问答性能评估 报告2023-07-11</li><li>艾瑞征询：中国工业互联网平台钻研报告-横蛮成长 报告2023-07-08</li><li>金蝶：2023工业互联网平台白皮书 报告2023-06-19</li><li>智次方：2023中国工业互联网产业洞察暨生态图谱报告 报告2023-06-05</li><li>中国联通：5G+工业互联网重点行业白皮书 报告2023-05-29</li><li>工业互联网产业联盟：工业互联网标识产业倒退报告（2022） 报告2023-05-25</li><li>捷配工业互联网研究院：2023工业数字化关键技术及发展趋势报告 报告2023-05-18</li><li>中国工业互联网研究院：石化化工行业数字化转型门路蓝皮书 报告2023-05-07</li><li>工业互联网产业联盟：2023工业元宇宙园区利用白皮书 报告2023-05-04</li><li>工业互联网产业联盟：2023工业元宇宙白皮书 报告2023-05-03</li><li>软通能源：2023工业互联网能力建设白皮书 报告2023-04-10</li><li>中国工业互联网研究院：工业互联网产业人才倒退钻研（2023） 报告2023-04-09</li><li>工信平安核心：2022工业互联网平台倒退指数报告 报告2023-04-05</li><li>IDC：2022工业互联网与工业软件发展趋势 报告2023-02-27</li><li>新华三：工业互联网技术白皮书2022 报告2023-02-05</li><li>中国工业互联网研究院：工业元宇宙五大利用场景-案例集汇编 报告2023-01-30</li><li>IDC&卡奥斯：工业互联网生态2.0白皮书 报告2023-01-19</li><li>中国信通院：工业互联网园区指南（2.0版本） 报告2023-01-16</li><li>TD产业联盟：5G+工业互联网产业倒退白皮书（2022） 报告2023-01-07</li><li>中国工业互联网研究院：面向特定行业的“5G全连贯工厂”组网技术及验证研… 报告2023-01-03</li><li>工业互联网产业联盟：绿色低碳标识白皮书 报告2022-12-26</li><li>中国信通院：江苏省工业互联网标识翻新利用案例集（2022） 报告2022-12-25</li><li>工业互联网：面向融资和订单场景的中小企业根底数字化能力指南 报告2022-12-20</li><li>中国工业互联网研究院：中小企业“链式”数字化转型典型案例集（2022年… 报告2022-11-25</li><li>中国工业互联网研究院：中国工业互联网产业经济倒退白皮书（2022年） 报告2022-11-21</li><li>中国工业互联网研究院：2021-2022能源工业互联网案例集 报告2022-11-18</li><li>中国工业互联网研究院：寰球工业互联网翻新倒退报告（2022年） 报告2022-11-17</li><li>复旦智库：进一步促成数字经济和实体经济深度交融：减速工业互联网建设与产… 报告2022-11-15</li><li>IDC：工业互联网生态白皮书 报告2022-10-28</li><li>中国互联网协会：中国互联网倒退报告（2022）-2021年中国工业互联… 报告2022-10-23</li><li>中泰证券：工业互联网-专题研究之二：虚构电厂 报告2022-09-23</li><li>中泰证券：工业互联网专题研究之二-虚构电厂 报告2022-09-22</li><li>中国工业互联网研究院：工业AI质检标准化钻研报告（2022年） 报告2022-09-14</li><li>工息部信息技术倒退司：深入工业互联网平台利用放慢制造业数字化转型 报告2022-09-13</li><li>中国电子信息产业倒退研究院：工业互联网产业大脑平台（1.0）-工业互联… 报告2022-07-18</li><li>中国信通院：工业互联网晋升产业链供应链现代化程度钻研报告（2022年） 报告2022-06-09</li><li>中国煤炭工业协会：2022基于工业互联网的煤炭企业信息化基础设施建设白… 报告2022-05-19</li><li>爱剖析：2022爱剖析･工业互联网实际报告 报告2022-04-30</li><li>爱剖析：2022爱剖析· 工业互联网厂商全景报告 报告2022-04-24</li><li>工业互联网联盟：可信工业数据空间零碎架构1.0白皮书 报告2022-01-27</li><li>头豹：2021年中国工业互联网智能制作利用概览 报告2022-01-21</li><li>工业互联网联盟：工业互联网标识解析 二级节点建设导则（2021年） 报告2022-01-09</li><li>工业互联网产业联盟：工业互联网碳达峰碳中和园区指南（2021） 报告2022-01-05</li><li>工业互联网产业联盟：工业互联网与钢铁行业交融利用参考指南（2021年） 报告2021-12-29</li><li>工业互联网产业联盟：中国工业互联网倒退功效评估报告 报告2021-12-29</li><li>工业互联网产业联盟：2021 年工业互联网园区解决方案集 报告2021-12-29</li><li>工业互联网产业联盟：工业互联网平台白皮书2021（平台价值篇） 报告2021-12-29</li><li>工业互联网产业联盟：生物医药企业数字化转型白皮书（2021 年） 报告2021-12-29</li><li>工业互联网产业联盟：工业互联网明码利用倒退白皮书（2021年） 报告2021-12-29</li><li>工业互联网产业联盟：工业互联网典型平安解决方案案例汇编 报告2021-12-29</li><li>工业互联网产业联盟：中国工业互联网安全态势报告（2020年） 报告2021-12-29</li><li>工业互联网产业联盟：基于工业互联网的供应链翻新与利用白皮书 报告2021-12-29</li><li>工业互联网产业联盟：工业互联网智慧水务倒退白皮书（供水篇） 报告2021-12-29</li><li>工业互联网产业联盟：工业互联网信息模型园区利用白皮书 报告2021-12-29</li><li>工业互联网产业联盟：工业互联网平台赋能产业链供应链白皮书 报告2021-12-29</li><li>工信部：工业互联网综合标准化体系建设指南（2021 版） 报告2021-12-29</li><li>中国信通院：中国“5G+工业互联网”倒退报告 报告2021-12-28</li><li>工业互联网产业联盟：生物医药企业数字化转型白皮书 报告2021-11-23</li><li>中国工业互联网研究院：中国工业互联网产业经济倒退白皮书（2021） 报告2021-10-26</li><li>工业互联网研究院：工业互联网翻新倒退功效报告（2018-2021年） 报告2021-10-25</li><li>工业互联网产业联盟：中国工业互联网投融资报告（2020年） 报告2021-09-22</li><li>工业互联网产业联盟：工业互联网园区利用场景白皮书 报告2021-09-22</li><li>艾瑞征询：2021年“新基建”背景下中国工业互联网与工业智能钻研报告 报告2021-08-26</li><li>亿欧智库&赛意：电子信息产业工业互联网倒退报告 报告2021-01-27</li></ol></article> ...

<article class=“article fmt article-content”><h2>原文链接：https://tecdat.cn/?p=35240</h2><h2>原文出处：拓端数据部落公众号</h2><p>预制菜行业经验了由石破天惊到备受争议，再到现在逐步取得公众承受的历程。随着《地方一号文件》的推动，元旦节假日的利好安顿，以及行业内对半年内无望出台国家标准的期待，预制菜行业吸引了泛滥头部主播的关注和数亿网友的热议。在逾越了充斥争议的2023年之后，2024年无望成为预制菜日常化的元年，预示着行业行将迎来微小的增长时机。<strong>浏览原文</strong>，获取专题报告合集全文，解锁文末28份预制菜相干行业钻研报告。</p><h2>预制菜电商品成交均价受限，二级类目下拆分货品均价有下限，易引发高价竞争。</h2><p>“预制”的口味是否登上大雅之堂，的确是一个值得探讨的问题。进入家庭是一方面，但如何以适合的身份融入家庭则是另一个重要的问题。随着市场份额的扩充，预制菜行业正朝着冲击高端品类的方向倒退。</p><p>然而，“预制”一词仿佛总是与“高价”严密相连，这成为了行业面临的一大挑战。在2023年的内容电商畛域，价格仿佛成为了一个难以冲破的瓶颈。特地是在某内容电商平台的不便菜类目下，多个二级类目标成交均价都被120元这一价格线所压抑。</p><p>这意味着，预制菜行业如果想要进军高端市场，就必须克服这一价格上的限度。这可能波及到晋升产品质量、改良生产工艺、增强品牌宣传等多个方面。只有这样，预制菜能力真正地解脱“高价”标签，以更高端、更优质的形象进入更多家庭。</p><p></p><p>预制菜内容电商品类的成交均价呈现出肯定的特点，尤其在二级类目下拆分的货品成交均价上，存在肯定的天花板效应。这意味着，当某一类预制菜在二级类目下细分时，其成交均价往往会受到某种下限的制约，这通常是因为市场竞争、产品定位、消费者认知等多种因素独特作用的后果。</p><p>因为这种天花板效应的存在，预制菜行业在二级类目下容易陷入高价竞争的窘境。为了抢夺市场份额和消费者眼球，一些品牌可能会抉择升高价格以吸引顾客，从而引发一轮又一轮的价格战。这种高价竞争不仅可能导致产品质量降落、企业利润受损，还可能对整个行业的衰弱倒退造成不利影响。</p><p>为了应答这一挑战，预制菜企业须要重视产品翻新和差异化，晋升产品的附加值和竞争力。同时，也须要关注消费者的需要和变动，一直优化产品构造和市场策略，以在强烈的市场竞争中怀才不遇。</p><h2><strong>本专题内的参考报告（PDF）目录</strong></h2><ol><li>Nint任拓：2024食品行业预制菜趋势报告 报告2024-02-02</li><li>美妙食品&餐宝典：2023中国预制菜暨小酥肉行业倒退白皮书 报告2024-01-07</li><li>蝉妈妈：抖音电商预制菜行业报告 报告2023-11-22</li><li>勤策生产钻研：2023年预制菜行业发展趋势报告 报告2023-08-22</li><li>西雅国内：预制菜新批发白皮书 报告2023-07-31</li><li>饿了么：中国预制菜数字生产报告2023 报告2023-07-05</li><li>人民网：2023年预制菜产业倒退察看报告 报告2023-05-28</li><li>赛迪智库：2023中国预制菜企业竞争力百强钻研 报告2023-05-06</li><li>前瞻产业研究院：2023年中国预制菜产业白皮书 报告2023-03-17</li><li>新生代市场监测机构：疫后“预”生的解决之道-中国预制菜（HMR）行业探… 报告2023-03-03</li><li>食材供应链分会：2022年预制菜行业现状问题、政策规范及趋势剖析报告 报告2023-02-22</li><li>红餐：中国水产预制菜钻研报告2023 报告2023-02-14</li><li>创客贴：预制菜行业洞察报告 报告2023-01-10</li><li>库润数据：2022年第三季度预制菜市场现状和趋势洞察 报告2022-12-25</li><li>灼识征询：2022中国预制菜行业蓝皮书 报告2022-10-26</li><li>微播易&数说故事：2022年中国预制菜行业发展趋势洞察报告 报告2022-10-20</li><li>克劳锐：2022年预制菜市场倒退及品牌营销洞察报告 报告2022-10-18</li><li>艾媒征询：2022年中国酸菜鱼预制菜消费者洞察报告 报告2022-10-06</li><li>艾媒征询：2022年预制菜产业品质降级专题研究报告 报告2022-08-27</li><li>魔镜市场情报：2022聚焦生产高后劲趋势-露营&预制菜 报告2022-08-20</li><li>町芒：2022预制菜行业钻研报告 报告2022-08-15</li><li>阿里：2022中国预制菜数字生产报告 报告2022-08-03</li><li>德勤：2022年预制菜市场瞻望-乘风而来，群雄逐鹿 报告2022-08-02</li><li>解数：老行业新活力！如何抢占预制菜“第二春” 报告2022-06-16</li><li>艾媒征询：广东省预制菜产业对农村振兴的牵引钻研+——以罗非鱼价格变动监… 报告2022-04-22</li><li>魔镜市场情报：2022预制菜消费市场现状和舆情简析 报告2022-04-20</li><li>艾媒征询：2022年中国预制菜行业发展趋势钻研报告（演讲版） 报告2022-03-17</li><li>生产界&柠檬品牌社：2021年预制菜行业现状与背景钻研报告 报告2022-01-04</li></ol></article>

<article class=“article fmt article-content”><h2>原文链接 :https://tecdat.cn/?p=35243</h2><h2>原文出处：拓端数据部落公众号</h2><p>特发性黄斑视网膜前膜能引起患者视物变形、变小和视力降落等视性能侵害。为钻研特发性黄斑视网膜前膜的危险因素，咱们回顾性剖析202例患者的临床材料，根据诊断分为IMEM组和对照组（非IMEM组）。收集该疾病临床上惯例查看的30个相干因素。咱们帮忙客户通过引入GroupLasso模型办法，筛选出导致疾病产生的最重要的危险因素。结果表明，糖尿病、高血压和高密度脂蛋白是影响IMEM产生的危险因素。</p><p>该钻研后果将对IMEM晚期诊断、晚期预防、晚期医治，升高IMEM的发生率具备重要的临床意义。</p><h2><strong>背景</strong></h2><p>黄斑视网膜前膜（macular epiretinal membrane）：指在黄斑区视网膜内外表成长的纤维无血管的细胞性增殖膜，相似的病名还有：视网膜前纤维增生症（preretinal fibrosis）,黄斑皱缩综合症（macular pickling syndrome）,玻璃纸样黄斑病变(cellophane maculopathy)及黄斑皱褶(macular pucker)等，是老年人影响视力的一个重要起因。</p><h2><strong>意义</strong></h2><p>近年来，一项来自美国6个社区的白人、黑人、西班牙人、中国人在内的流行病考察，以钻研黄斑前膜的产生是否有种族差别，报道IMEM发生率为26.1％，中国人发病率最高，达39.0％。黄斑前膜日益成为威逼我国中老年人视觉品质的重要因素。</p><p>随着医疗技术的逐步完善，IMEM的诊断程度失去了进步，但一些医院因查看设施问题不能及时无效的做出诊断。因为IMEM的病因不明，思考全身疾病和眼部分疾病相关因素等各项指标数据较多，而且各项指标间存在着乐音和数据冗余。</p><h2>国内外文献综述</h2><p>黄斑视网膜前膜（macular epiretinal membrane）：指在黄斑区视网膜内外表成长的纤维无血管的细胞性增殖膜，相似的病名还有：视网膜前纤维增生症（preretinal fibrosis）,黄斑皱缩综合症（macular pickling syndrome）,玻璃纸样黄斑病变(cellophane maculopathy)及黄斑皱褶(macular pucker)等，是影响老年人视力的一个重要起因。大部分患者的黄斑视网膜前膜，造成的起因不明，称为特发性黄斑视网膜前膜(idiopathyic macular epiretinal membrane)。</p><p>国内外多钻研表明，IMEM发病起因不明，患者多是年龄大于50岁的老年人，并且发病率随着年龄的增长有减少的趋势。IMEM确切的发病机制尚不分明，次要是由来自视网膜的各类细胞及其衍生物和代谢产物形成前膜。造成与玻璃体后脱离(posterior vitreous detachment，PVD)和来自视网膜的细胞向黄斑区的迁徙、积累，这些细胞最终造成具备膨胀能力的纤维膜，引起一系列的黄斑区视网膜状态和性能的变动。</p><h2>钻研的问题</h2><p>本文次要钻研的问题是：解决变量抉择问题，综合思考临床工作中惯例检测到的相干因素以及相干因素之间的交互作用，从泛滥变量中筛选出对产生IMEM有显著影响的变量。</p><h2>钻研内容与思路</h2><p></p><h2>相干因素抉择的根本问题</h2><p>咱们罕用的就是分类器的精确度（accuracy），在某些如举荐或信息获取畛域还会组合应用precision-recall作为评估指标。因为你用于训练分类器的样本自身就是总体的一个抽样，所以这些指标的数值也仅仅是一种统计上的反映，如果你做屡次抽样训练，跟别的随机变量一样，它一样会有冀望、方差、置信区间这些概念。实践上说，训练样本量越大，你失去的这些指标的可信度就越高（即它们以某个概率落在的置信区间越窄）。可怜的是，理论中你未必会有那么多的样本，所以机器学习工作者设计出很多种办法来应答数据量有余状况下分类器的训练与评估，如k步穿插测验、留1法、boostrap等等。</p><h2>模型的引入</h2><p>套索(<strong>lasso</strong>)是回归模型的变量抉择办法，最后利用于一般最小二乘法(OLS)回归。套索最好被形容在模型参数，其中具备特定常数作为下限的绝对值和的束缚。相比OLS参数估计，应用Lasso取得的预计通常是更精确，容许该模型的更好的解释。</p><h2>特发性黄斑视网膜前膜产生相干因素实证剖析</h2><p>本文钻研数据选取我院2014年4月- 2016年4月收治的经我院确诊的特发性黄斑视网膜前膜单眼发病患者101 例(101眼) 作为察看组，另选取于我院就诊的无黄斑区病变的其余患者101 例(101眼) 作为对照组。</p><p>失常眼底黄斑OCT图像：</p><p></p><p>同一患者左眼IMEM黑白眼底照：<br/></p><p></p><h2>数据阐明与解决</h2><p>本钻研采取回顾性病例剖析，考察所有病例的眼部病史(白内障、青光眼)、个别状况(年龄、性别、文化水平、职业)，生存形式(如吸烟、饮酒、睡眠情况、用眼状况)，测量体重，腰围。全身系统性疾病( 糖尿病、高血压、LDL、HDL、血管疾病、消化系统、泌尿系统、精力系统疾病)和服用降压药、降糖药、调脂药、慌张催眠药、镇痛药、溶栓药等用药史，并进行数据统计，剖析IMEM的相干因素。特发性黄斑视网膜前膜的相干因素共有30个，包含3个连续变量，5个多分类变量，22个二分类变量。</p><p></p><p></p><h2>数据形容与剖析</h2><p></p><p></p><p></p><p>特发性黄斑视网膜前膜相干因素数据特色：</p><pre><code>ddply(data, .(IMEM), summarise, mean_sex = mean(sex), median_sex = median(sex), mean_age = mean(age),</code></pre><p></p><p>IMEM组与非 IMEM组 3个相干因素指标散布箱图</p><p></p><p></p><h2>变量抉择和参数估计</h2><p>应用 R 中的 glmnet 包进行由成组Lasso选出协变量的Logistic模型，通过10折穿插验证，选出最优的和最佳cutoff 值，使得 MSE最小。再将 cutoff 值代入模型，选出最重要的变量。最终糖尿病（DM2）,高血压（HP2）,低密度脂蛋白（LDL）三个变量被选出。其中带+号的示意 IMEM产生的危险因素，带-号的示意 IMEM产生的爱护因素。此时的为 0.06。三个选出的变量的系数别离为 0.74，0.93， 1.12。</p><pre><code>glmnet(xmat, y, alpha = 1)</code></pre><p>应用岭迹法对岭迹图进行剖析：</p><p>岭迹法的直观思考是，如果最小二乘预计看来有不合理之处，如估计值以及正负号不合乎经济意义，则心愿能通过采纳适当的k值来加以肯定水平的改善，k值得抉择就显得尤为重要。</p><p></p><h2>预测</h2><p>通过由成组Lasso选出协变量的Logistic模型剖析，最终2型糖尿病（DM2）,高血压2期（HP2）,低密度脂蛋白（LDL）三个变量被选出。</p><p></p><p>通过预测后果能够看出,TPR 达到了 96.96%,TNR 达到了 97.1%,FPR 为2.9%,FNR 为 3.03%,阐明本文的Logistic预测模型拟合的很好,对解决理论问题很有意义。</p><h2>模型比拟</h2><p>本文通过穿插验证的办法，抉择最优的参数，使得 AUC指标最大。选出了影响 IMEM产生的三个重要因素。不仅减少了模型的可解释性，也减少了判断准则的灵敏度，使得有更多的 IMEM潜在患者被筛选进去。</p><p>上面思考以下两种情景</p><p>（1）蕴含所有待选协变量的Logistic模型，应用0.5做 cutoff 值。</p><p>（2）仅蕴含由成组Lasso选出协变量的Logistic模型，应用0.5作 cutoff 值。</p><p>将这两种情景与本文提出的办法作比拟，得出的后果如下表所示:</p><p>在本钻研中，研究者利用二分类响应变量和30个待选协变量（间断、二分类、多分类有序）建设模型。为了比拟不同调整参数筛选解释变量的成果，建设如下三个蕴含不同协变量的模型并通过十折穿插验证计算判断误差：</p><p>1）模型I：蕴含所有待选协变量的Logistic模型；</p><p>2）模型II：成组Lasso Logistic模型；</p><p>3）模型III：仅蕴含由成组Lasso选出协变量的Logistic模型。</p><p>图是三个模型误差曲线图，模型I 的误差为20.6%，模型III 的误差为4.9%，模型II的误差介于二者之间,为20.0%。</p><p></p><h2>参考文献</h2><p>［1］. 陈钦元．黄斑部视网膜前膜［M］聂爱光.古代黄斑疾病诊断医治 学．北京: 北京医科大学、中国协和医科大学联结出版社，1996:131-135．</p><p>［2］. Lan-Hsin Chuang , Nan-Kai Wang , Yen-Po Chen b,et al. Comparison of visual outcomes after epiretinal membrane surgery[J].Taiwan Journal of Ophthalmology 2 (2012)：56-59.</p><p>［3］. 邢晓利，梁勇．光学相干断层扫描在玻璃体黄斑界面疾病中的临床利用停顿［J］. 国内眼科杂志,2013,13（8）:1583-1585.</p><p>［4］. Minchiotti S,Stampachiacchiere B,Micera A,et al.Human idiopathic epiretinal membranes express NGF and NGF receptors [J].Retina,208,28（4）：628-637.</p><p>［5］. Kawasaki R，Wang JJ，Mitchell P，et a1．Racial difference in the prevalence of epiretinal membrane between Caucasians and Asians[J]．Br J Ophthalmol，2008，92(10)：1320—1324．</p><hr/><p></p><p>最受欢迎的见解</p><p>1.R语言多元Logistic逻辑回归 利用案例</p><p>2.面板平滑转移回归(PSTR)剖析案例实现</p><p>3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）</p><p>4.R语言泊松Poisson回归模型剖析案例</p><p>5.R语言回归中的Hosmer-Lemeshow拟合优度测验</p><p>6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现</p><p>7.在R语言中实现Logistic逻辑回归</p><p>8.python用线性回归预测股票价格</p><p>9.R语言如何在生存剖析与Cox回归中计算IDI，NRI指标</p></article> ...

原文链接：https://tecdat.cn/?p=35100原文出处：拓端数据部落公众号2022年，寰球面临疫情和经济放缓的挑战，给消费市场带来了不确定性。消费者的生产理念和生存形式也产生了变动，更加重视产品的实用性和简略性。居民收入增长放缓，生产收入缩小。然而，随着疫情逐步失去管制，中国消费市场正在逐渐复苏。消费者对迷信生产和进步生存品质的需要日益增长。本文将探讨2023年中国的生产趋势和洞察。浏览原文，获取专题报告合集全文，解锁文末475份生产趋势相干行业钻研报告。 近50%受访者示意疫情期间家庭收入降落，仅有11%受访者示意家庭收入减少。与此同时，消费者越来越重视产品的实用性和简略性，而不再谋求潮流。中国消费市场正在逐渐复苏，消费者对迷信生产和进步生存品质的需要日益增长。 2023生产趋势洞察2022年，新冠疫情、经济放缓和寰球局势给消费市场带来了压力和不确定性，导致消费者生产理念、生存形式和对长期布局更加成熟。居民收入增长放缓，生产收入缩小。近50%受访者示意疫情期间家庭收入降落，仅有11%受访者示意家庭收入减少。同时，居民消费收入也出现负增长，起因是疫情导致的物理性限度和居民收入降落导致的生产更加感性，防止不必要生产，并增强资产储蓄。 在疫情的影响下，消费者养成了五大生产习惯：更感性的生产、局部降级生产、更多在线生产、更多囤货生产和更多衰弱生产。这些习惯的变动反映了消费者在应答疫情过程中对便利性和安全性的需要。 在疫情的影响下，线上生产的数量显著减少，而囤货行为则进一步推动了日用品的生产增长。在疫情的影响下，人们的消费观念和行为产生了粗浅变动。其中，“囤货”景象尤为显著，导致日用品生产显著增长。防疫需要推动了口罩、消毒类产品、防疫相干药品及物资等品类的爆发性生产。此外，还有十个细分品类也因疫情实现了生产增长，包含保险、游戏产品、冰箱、不便食品、静止健身产品、空气净化器、空调、保健品、教育产品等。这些品类的生产增长不仅满足了人们在疫情期间的生存需要，还反映了消费者对衰弱、平安和居家生活品质的关注和谋求。 随着疫情的重复，线下生产受到较大限度，促使民众更多地转向线上渠道进行生产。考察数据显示，81%的受访者在疫情期间减少了线上生产，其中五大提及率较高的在线生产习惯包含更多应用网络渠道购物、在线娱乐生产、生鲜到家渠道生产、餐饮外卖生产以及无接触服务。这些生产习惯的变动反映了消费者在应答疫情过程中对便利性和安全性的需要。 中国生产趋势洞察越来越多的消费者通过社交媒体、敌人、家人和网络理解产品的真实情况，例如产品的成分和益处等。依据考察数据显示，有41%和21%的受访者示意经验疫情后更看重产品的实用性和简略性，而28%的受访者认为不再看重潮流。此外，高于看重的比例，有55%的受访者在抉择品牌时更重视品牌的实用性。 考察数据还显示，有30%和28%的受访者经验疫情后更加看重产品的品质和高质量。另外，有25%的受访者在疫情后更看重自在。数据也显示，在抉择品牌时，相比知名品牌，消费者更偏向于抉择“满足共性需要的品牌”。另外，因为在疫情期间习惯了宅家单独生产，个人消费的愉悦体验变得更加重要。例如，对于新能源汽车，消费者更重视其外观设计、个性化配置和智能化水平，对个性化和定制化的需要一直减少。 考察数据还显示，有超过30%的受访者认为经验疫情后更重视产品的性价比、节约和实惠。与此同时，有39%和52%的受访者在抉择品牌时更偏向于抉择实惠和性价比高的品牌。 人们对新科技给本人生存带来全新体验的期待日益迫切消费者期待人工智能、 机器人、 ChatGPT、 医疗科技等相干技术的成熟和利用。 消费者对人工智能、机器人、ChatGPT、医疗科技等相干技术的成熟和利用充斥期待。对于这些新科技，消费者最关怀的依然是这些技术如何可能改善他们的生存。除了推动技术的倒退，品牌还须要提供实用和丰盛的利用计划，向消费者展现科技利用所带来的实在益处，例如进步生产力、提供高质量的内容、带来性价比更高的沉迷体验等。 新生产趋势目前，Z世代曾经成为我国人口中规模最大的群体之一，人数曾经超过2.6亿，占总人口数量的19%。其中，近一半为学生，而另一半曾经步入职场，成为“打工人”，领有稳固的支出。 据数据显示，Z世代月人均可摆布支出高达4673元，约45%的Z世代，月均可摆布支出超过5000元。相较于上有老下有小的Y世代，Z世代的消费行为更为自在，更重视个性化需要，违心为其买单。 通过对线上生产大数据的剖析，咱们将Z世代的线上生产特色划分为轻奢派、潮流圈和粗劣宅。在天猫奢品三大人群的生产体现剖析中，咱们发现GenZ在人数和客单价的增速上远高于白领和中产群体。此外，他们的GMV、人数和人均生产金额的增速体现上也远高于行业整体，其中，GMV增速高于行业28%。由此可见，Z世代对于奢品行业的生产后劲不容忽视。 新生产品牌的中国范式越来越多的消费者通过社交媒体、敌人、家人和网络理解产品的真实情况，例如产品的成分和益处等。依据考察数据显示，有41%和21%的受访者示意经验疫情后更看重产品的实用性和简略性，而28%的受访者认为不再看重潮流。此外，高于看重的比例，有55%的受访者在抉择品牌时更重视品牌的实用性。 考察数据还显示，有30%和28%的受访者经验疫情后更加看重产品的品质和高质量。另外，有25%的受访者在疫情后更看重自在。数据也显示，在抉择品牌时，相比知名品牌，消费者更偏向于抉择“满足共性需要的品牌”。另外，因为在疫情期间习惯了宅家单独生产，个人消费的愉悦体验变得更加重要。例如，对于新能源汽车，消费者更重视其外观设计、个性化配置和智能化水平，对个性化和定制化的需要一直减少。 考察数据还显示，有超过30%的受访者认为经验疫情后更重视产品的性价比、节约和实惠。与此同时，有39%和52%的受访者在抉择品牌时更偏向于抉择实惠和性价比高的品牌。 人们对新科技给本人生存带来全新体验的期待日益迫切消费者期待人工智能、 机器人、 ChatGPT、 医疗科技等相干技术的成熟和利用。 消费者对人工智能、机器人、ChatGPT、医疗科技等相干技术的成熟和利用充斥期待。对于这些新科技，消费者最关怀的依然是这些技术如何可能改善他们的生存。除了推动技术的倒退，品牌还须要提供实用和丰盛的利用计划，向消费者展现科技利用所带来的实在益处，例如进步生产力、提供高质量的内容、带来性价比更高的沉迷体验等。 中国品牌生产趋势洞察品牌是企业乃至国家竞争力的综合体现。在2016年6月20日，国务院办公厅公布了《对于施展品牌引领作用推动供富构造降级的意见》，首次提出了设立“中国品牌日”的倡议。 站在时代改革的风口，中国品牌抓住了翻新倒退的时机，在新一轮产业革命中展现出了强劲的生命力。从中国制作到发明，从追随到在许多畛域超过国际品牌，中国企业敢于冲破，谋求卓越，正在稳固高质量倒退，并一直推动品牌竞争力、美誉度和影响力迈上新的台阶。 依据一项考察显示，2023年中国品牌的生产增长率为79.9%，较2020年的73.3%有所提高。消费者在各个年龄段对中国品牌的生产都有了显著的减少，尤其是90后和乙世代的增长幅度更为突出。 一项考察表明，消费者减少对中国品牌生产的次要起因是品质晋升、高性价比和国潮元素的崛起。 随着中国各行业品牌不断创新并建设品牌文化，自2020年以来，消费者对中国品牌的印象已不再仅局限于“品质好”和“实用性”。现在，消费者对中国品牌的感知还包含“文化底蕴深厚”、“匠心制作”、“值得信赖”和“品质牢靠”等多个方面，这表明消费者认可中国品牌的软实力和硬实力。 中国品牌生产的增长得益于高品质和国潮元素的助力 依据考察显示，消费者减少对中国品牌生产的次要起因包含品质晋升、高性价比以及国潮元素的崛起。 中国消费者洞察在疫情后的时代，中国的消费市场正在逐渐复苏。政策和社会共同努力，全面提振消费者的信念。与此同时，供应侧正在采纳新的内容营销模式，品牌、电商直播和信息平台重视科普专业知识，将品质和翻新作为外围竞争力。居民消费曾经进入迷信生产时代，正确的生产决策和进步生存品质已成为消费者的次要需要。 迷信生产理念对整体生产的意义：生产理念的变迁是我国经济倒退的缩影。在经验了高速经济增长的过程中，我国曾呈现过奢侈浪费的景象。然而，随着政府文化宣传的一直浸透和居民认知程度的晋升，迷信生产思维迅速影响了消费行为。迷信生产思维并不代表自觉谋求最低价，也不代表适度省吃俭用甚至齐全不生产，而是感性、沉着地扫视需要，适度购买。全民贯彻迷信消费观念能够在国家继续刺激生产的背景下，缩小因消费力回升带来的铺张浪费、攀比等负面景象，构建一个更加衰弱、偏心的消费市场，发明一个更环保、更绿色的社会环境。 在消费力一直进步、商品品类越来越丰盛的大生产时代，建立迷信感性的消费观念对消费者至关重要。迷信生产理念可能帮忙消费者在购物时真正实现“以己为本”，正确认识本人的需要，并适度满足本人的欲望。继续贯彻迷信消费观的消费者可能将金钱破费在真正须要、真正喜爱、真正有意义的中央，进步生活品质的同时放弃衰弱的经济情况，缩小物品沉积带来的压力。此外，迷信消费观还能帮忙消费者缩小在选购过程中因纠结而带来的情绪耗费，将精力投入到真正有意义的事物上。 迷信生产理念对品牌和平台的意义在于，消费者更加关注产品自身的品质特点。这为品牌提供了如何无效竞争的启发，即“产品力”和“创新力”将成为更为要害的竞争因素。那些重视研发的品牌将失去更多消费者的青眼，并且可能取得更高的消费者忠诚度。这种关系建设在相互尊重和相互须要的根底上。相同，那些只有吸引人的宣传但产品质量平平的“网红”产品将会被市场迅速淘汰。 对于“什么值得买”这样的平台来说，迷信生产理念也促使其充分发挥本身的数据劣势。一方面，平台须要继续深耕生产内容，帮忙消费者进步决策效率。另一方面，平台须要与真正优质的品牌深度单干，钻研营销新模式，让真正优质的产品被更多消费者看到，从而大幅晋升C端和B端的连贯效率。 被动抉择更高质量生存的过程——迷信生产迷信消费观曾经宽泛承受，并且人们对于“更加理智、更加认真地看待本人”的底层生产逻辑十分推崇。 迷信生产——被动抉择更高质量生存的过程 迷信消费观曾经深入人心，人们纷纷推崇“更聪慧、更认真地看待本人”的底层生产逻辑 考察显示，大多数消费者都认同，生产的一个重要目标是晋升生活品质，大概有一半左右的消费者同时认同生产抉择须要独立思考，按需购买而不攀比。迷信感性的生产形式有许多益处，其中71.9%的消费者认为这样可能放弃衰弱的经济情况。 中国消费市场科技生态依据报告合集显示，中国消费者呈现出三大趋势。首先是从"满足根底需要"向"常态化品质化降级"的转变；其次是从"繁多渠道生产"向"全渠道生产交融"的过渡；最初是从"追赶外资光环"到"国货信念崛起"的变动。该报告合集通过对服饰、智能家居、出行、购物、娱乐、美妆个护等八大场景的洞察，揭示了消费者的需要。 翻新是实现跨越式增长的前提，具备市场价值的翻新将成为企业适应新格局、突破僵局的次要路径。在生产翻新方面，报告合集总结了多种路径，如继续开发新原料、深刻开掘未满足的消费者需要、重振产品生命周期以及在产品翻新中兼具加强和缩小等。而营销翻新则次要体现在通过摸索与消费者无效互动的新形式，清晰传播产品的态度和理念，打造定位清晰的品牌，引发消费者共鸣。 疾速消费品行业当初出现强劲的发展势头，同时优质新型生产品牌仍然放弃着生机依据对中国CEO的采访结果显示，53%的CEO对其所在企业的增长持乐观态度。此外，33%的CEO也对所在行业整体的增长放弃乐观态度。值得一提的是，这些乐观的预期中，约有7%的CEO预计行业将会有超过15%显著的增长。 这些预测后果揭示了少数CEO对于其企业将来的增长前景持有信念，并且置信整个行业也将维持踊跃倒退的态势。这种认识可能源于市场需求的减少、技术创新、政策反对或其余一些积极因素。 须要留神的是，这些CEO的预测仅仅是基于集体主观判断得出的，理论的体现可能会受到寰球经济局势、市场竞争、政策变动等各种不确定因素的影响。因而，对于该行业的理论体现还需进一步察看和评估。 中国新母婴人群在回归母婴行业主题的背景下，咱们发现了一个广泛探讨的热点问题——生育率的降落。随着次要母婴群体和市场环境的变动，母婴行业曾经进入存量竞争阶段。为了应答这一挑战，母婴品牌和服务机构须要调整经营思路，以博得消费者的信赖和抓住商机。 本报告合集旨在钻研新母婴人群的养娃新趋势、新观点，更精密地描述新一代母婴群体的的生产图景，助力母婴行业从业者进一步加深对新母婴群体的了解。 母婴环境的变动渠道的变动：线上渠道占比回升近年来，母婴行业减速进入品质生产时代，以90后、95后为主的年老父母养育理念与生产理念的变革，推动了母婴市场的多元化、细分化和科学化倒退。 依据母婴研究院的数据预测，2023年母婴市场规模将超过5万亿，围绕母婴童各细分人群的吃、穿、用、行、服务、亲子教育、医疗等全维度需要的降级，行业将开展更为强烈的竞争。受疫情、消费力稳定、出生率下滑等多重因素影响，以后市场复原正处在要害爬坡期。 在流量分化、渠道多元的背景下，线上线下渠道交融趋势减速，短期内线上生产复原速度强于线下，同时母婴线上生产规模占比逐年回升。 新母婴人群育娃态度变迁婴童奶粉重视口味、营养成分，其次是配方。这意味着在抉择婴童奶粉时，父母们更重视奶粉的口感和营养价值，而配方则是主要的思考因素。口感好的奶粉更容易被孩子承受，而养分丰盛的奶粉则有助于孩子的健康成长。 婴童零辅食重视营养成分、口味和品牌知名度。这意味着在抉择婴童零辅食时，父母们更重视产品的营养成分、口感和品牌知名度。他们心愿孩子可能摄取到足够的养分，同时享受美食的乐趣。品牌知名度高的产品通常具备更好的品质和信用，因而也更容易受到父母的青眼。 婴童服饰更关注面料材质（如更透气、不伤肤、环保），其次是性价比和其性能科技（如速干吸汗、抗菌抑菌）。这意味着在抉择婴童服饰时，父母们更重视面料的舒适性和安全性，如透气性、不伤肤、环保等。同时，他们也会思考产品的性价比和性能科技，如速干吸汗、抗菌抑菌等。这些性能能够让孩子衣着更加舒服、衰弱，同时也可能进步产品的附加值。 中国母婴营养品市场本报告合集次要钻研和探讨了中国母婴营养品行业近年来的倒退历程、市场现状、消费者行为习惯以及将来的发展趋势。钻研的目标是全面解读母婴营养品行业的倒退状况、市场现状以及要害营养素，并对母婴营养品的生产人群的养分补充态度、购买行为和生产习惯等进行探讨。 中国母婴营养品市场的次要销售渠道随着购买渠道的多样化倒退，线上购买比例正在逐步减少。 据统计数据显示，截至2021年，中国母婴用品的线下生产渠道占比为66.2%，阐明线下渠道依然是母婴用品购买的次要渠道。然而，随着母婴营养品的购买渠道越来越多元化，各类电商平台也对母婴营养品越发器重和布局，线上可购买的品牌和品类也日益丰盛，逐年推动了线上生产渠道的增长。 此外，线上渠道在社交分享方面也有很强的特点。消费者能够分享本人的爱好，品牌商也可能迅速理解用户反馈并进行产品迭代。据预计，将来母婴营养品消费市场的线上渠道占比将进一步晋升，预计到2023年将达到36.0%。 快手母婴行业品牌始终在思考如何更好地理解消费者的需要，特地是在年轻化和线上生产趋势增强的母婴行业。依据《2023母婴行业数据报告合集》，短视频直播平台成为该行业新的增长点。报告合集显示，母婴商品的生产人数在2022年全年和2023年前两个月均呈快速增长趋势。用户的购买力和品单价也在晋升，实现了双增长。 基于这一行业趋势，《2023母婴行业数据报告合集》通过快手磁力引擎等平台的数据，从母婴内容、用户、商品和消费者等多个角度剖析了2021年1月至2023年2月母婴行业的市场现状、细分品类、用户生产特色以及营销前景。该报告旨在帮忙母婴行业理解行业倒退法则和增长趋势，为其提供更多参考。 以后，快手母婴人群在生产方面展现出了新的态度和趋势** ...

原文链接：http://tecdat.cn/?p=10809原文出处：拓端数据部落公众号  简介本文档用于比拟六个不同统计软件程序（SAS，Stata，HLM，R，SPSS和Mplus）的两级多层（也称分层或档次）线性模型的过程和输入。  上面介绍的六个模型都是两级分层模型的变体，也称为多级模型，这是混合模型的非凡状况。此比拟仅对齐全嵌套的数据无效（不适用于穿插或其余设计的数据，能够应用混合模型进行剖析）。只管HLM软件的网站申明能够用于穿插设计，但这尚未失去确认。上面的SAS，Stata，R，SPSS和Mplus中应用的过程是其多层次或混合模型过程的一部分，并且能够扩大为非嵌套数据。 然而出于比拟的目标，咱们将仅钻研齐全嵌套的数据集。除了HLM（齐全由GUI运行）以外，所有程序的上面都蕴含用于每个模型的代码/语法。咱们提供了HLM和SPSS的屏幕截图。此外，每个模型均以分层格局和混合格局指定。只管模型的这两个表达式是等效的，但一些钻研畛域更偏向于可视化层次结构，因为它更容易看到档次之间的拆散，而另一些钻研畛域则更喜爱混合格局，在其中容易辨别固定成果和随机成果。 模型注意事项将预测变量增加到本文档探讨的六个模型中时，咱们抉择以均值居中为核心，这意味着咱们从每个受试者的得分中减去了该变量的总体均值。 正如Enders＆Tofighi（2007）所具体探讨的那样，以总体平均值为核心，而不是以组平均值（每个组的平均值均以该组中受试者的得分为准）为核心，并不适宜所有模型。 。应用哪种居中办法的抉择应由所询问的具体钻研问题决定。另一个思考因素是这些程序应用的预计办法来产生参数估计，即最大似然（ML）或受限最大似然（REML）。每种都有本人的长处和毛病。ML更适宜不均衡的数据，然而会产生偏差的后果。REML是无偏的，然而在将两个嵌套模型与似然比测验进行比拟时，不能应用REML。 两种办法将产生雷同的固定效应预计，但它们对随机效应的预计却有所不同（Albright＆Marinova，2010）。正如咱们将在上面探讨的模型中看到的那样，这两种办法产生的后果十分类似，并且不会极大地影响随机因素的p值。然而，重要的是要意识到，办法的抉择会影响随机因素的预计，标准误差和p值，并且可能会影响发表随机因素是否重要的决策。SAS，HLM，R和SPSS默认应用REML，而Stata和Mplus应用ML。在本文档中的Stata示例中，咱们通知Stata应用REML以便将输入与其余四个程序进行比拟。 类内相关系数  咱们还报告了每种模型的类内相关系数（ICC）。ICC是后果变量中方差的比例，由分层模型的分组构造解释。它是依据组级别误差方差与总误差方差之比来计算的： 其中，是2级残差的方差，是1级残差的方差。换句话说，与总的无法解释的方差（方差之内和之间）相比，ICC报告了模型中任何可归因于分组变量的预测变量无法解释的变动量。 示例数据集风行的数据集由来自不同班级的学生组成，并且因为每个学生都属于一个惟一的班级，因而它是一个嵌套设计。因变量是“风行”，它是一个自评的风行度，范畴为0-10。预测指标包含学生级别的性别（二分法）和Extrav（间断的自我评估的内向得分），以及班级的Texp（多年的老师教训， 是间断的）。   仅截距模型（无条件模型）  无条件混合模型标准相似于单因素方差分析，其总体均值和类效应。然而，咱们将其视为随机效应（均值为零的正态分布变量），而不是像方差分析中那样的固定因子效应。因而，咱们将估计值解释为每个类别的平均数在总体均匀人气得分左近的方差。 估算值是每个班级的“公众”平均值的平均值，而不是钻研中所有学生的平均值。如果数据齐全均衡（即每个班级的学生人数雷同），则无条件模型的后果将与方差分析程序的后果雷同。 SAS后果  须要“ covtest”选项来报告方差重量预计的标准误差。另外， 须要指定非结构化协方差矩阵类型，这是HLM和R默认状况下应用的类型，咱们在这里应用它进行比拟。SAS的输入等于Hox的书表2.1中的后果。咱们能够得出结论，各类别之间的均匀人气得分为5.078，并且各类别之间的差别（1.221）比不同类别之间的差别（0.702）多。当咱们为该模型计算ICC时，将对此进行进一步探讨。 Stata后果  Stata的xtmixed命令须要因变量，后跟“ ||”  指定固定变量和随机变量之间的分隔。咱们必须包含方差选项以查看输入中方差重量的估计值，以及reml选项以应用受限的最大似然预计。还要留神，Stata不会输入随机重量预计的p值，然而能够通过置信区间中是否蕴含零来确定有效值。这些后果与SAS的后果齐全匹配   HLM后果 HLM报告方差组件的标准偏差，而不是标准误差。同样，对于随机效应，他 仅报告截距的卡方统计量和p值。这些后果与其余程序的后果雷同。   R后果 R报告方差成分（例如HLM）的标准偏差，而lme4软件包报告固定效应的t统计量。     SPSS后果 屏幕截图：      须要在“随机”窗口中指定非结构化协方差类型。这些后果与其余程序和本文得出的后果雷同。请留神，像SAS和Mplus一样，SPSS报告方差重量的标准误差，而HLM和R报告标准差。咱们无奈得出结论，哪个更适宜报告，然而差别不会影响这些参数的p值。  因为这是一个无条件模型，所以咱们不须要指定任何WITHIN或BETWEEN变量。上面列出了在MODEL语句中列出变量的规范。在以下各节中，咱们将看到前三个示例： 1.％WITHIN％– 1级固定因子（非随机斜率）2.具备潜在斜率变量的％WITHIN％– 1级随机因子3.％BETWEEN％– 2级固定因子4.在任一个陈说–在学生程度上测得的变量，但具备1级和2级方差预计 。 上表显示了Mplus输入底部的“模型后果”局部的后果。Mplus的确会报告每个预计的p值，并且所有预计都与其余程序的p值匹配，但随机截距的方差预计相差约0.007。这种差别是因为Mplus应用ML预计这一事实造成的。只管存在这种差别，但咱们看不到任何变量的重要性发生变化。  汇总总体而言，这六个程序对于仅截取模型产生了十分类似的后果（惟一的差别产生在随机效应的Mplus预计中）。惟一的区别是他们如何报告随机方差预计的精度。此模型的ICC等于： 这通知咱们，“风行”课程总变动的大概三分之一能够由每个学生所在的班级解释。   具备一个固定的Level-1因子的随机截距（非随机斜率）模型  该模型减少了一个学生级别的固定因子Extrav，即自我报告的内向得分。混合模型看起来像是基于带有协变量Extrav的类的ANCOVA，但请记住，咱们依然认为这是随机效应，而不是固定效应。因而， 估算值与ANCOVA程序所得出的估算值不同。   在此数据的理论利用中，Extrav应该具备固定的成果而不是随机的成果是没有意义的，因为学生内向性的程度应随班级而变动。然而，出于比拟这四个程序的目标，咱们依然心愿考察一个具备一个学生级别固定因子的案例。 SAS后果 当初，咱们对Extrav的固定成果进行了估算。学生报告的内向得分每减少一个单位，他们的受欢迎度得分就会减少0.486。这些后果等于应用REML的其余程序的后果。   Stata后果  当咱们向Stata中的模型增加预测变量时，咱们增加了cov（un）选项，指定了非结构化协方差矩阵。咱们将 Extraversion变量放在“ ||”之前 示意它是一个固定因子（具备非随机斜率）。这些后果与其余程序的后果雷同。 ...

原文链接：http://tecdat.cn/?p=14997越来越多的人违心精力生产。游览不仅能够晋升人们对外地环境和外地人文的认知，也能够放松身心、愉悦情绪，是一种受欢迎的精力生产。 ▼   随 着国内近些年来互联网的倒退，越来越多的人开始线上生产，生产感触的举荐成为了潮流。在各个游览平台上，越来越多的人违心参加游览目的地玩耍感触的分享。   本文试图从马蜂窝游览官网上就新疆这个游览目的地游记进行感知剖析。         游记体现出多元复 杂的 情感    通过情感剖析（也称为意见开掘），用文本开掘和计算机语言学来辨认和提取原始材料中的主观信息，剖析主观信息（例如观点，情感，态度，评估，情感等），以进行提取，剖析，解决，演绎和推理。       图表1     通过数据分析可知，旅客对新疆整体上正向情感还是远高于负向情感，游览群体对新疆游览地区还是呈现出踊跃的必定态度，如舒服、恬静、赏心悦目、冲动、眷恋等。从词频统计看出，自然风光多，游览对民族特色的较为关注，如：盆地、白云、沙漠、草原、南疆。当然还有吃食，如“奶酪”等等。从后果也能够看到有大量的“悲观”、“惆怅”等情感，通过游记咱们发现风光基本上满足了旅客的需要，然而深层次的体验我的项目较少，新疆旅游景点间空间跨度大、路况条件差、行车时间长、节假日拥挤排队等。新疆游览大部分都是景区内的风光，对于天然风貌记录偏少，布局、人文游览也偏少。情感剖析可知，游客对风光、美食都很称心，有着更高的期待。                     哪些游记帮忙人数最多    通过游记的内容特点和帮忙人数，咱们通过决策树来判断哪些游记的帮忙人数最多，同时也发现大多数驴友的心里出行需要。         图表2     样本游记从游记篇幅、作者等级、人均破费、旅行组合、出行天数等方面反映游记的特点。游记篇幅的大小和作者等级是影响帮忙人数的最重要的因素，内容详尽的游记能帮忙到更多的人，教训老道的驴友的游记个别更有参考价值。旅行组合中家庭组合较少，赴疆游客以集体或敌人背包客徒步、自在行游览为主，人均费用在7k以下，出行天数小于12天。游记的帮忙人数主观地反映了驴友们游览行程布局的心理预期，同时会对其余旅游者的决策和对游览目的地的营销产生重要影响。                         游记话题情感认知形象    接下来咱们通过主题开掘寻找游记话题和表白情感之间的关系。       图表3     从中能够看到有两个主题是景点相干，从关键词中能够用看到驴友们关注比拟多的景点是独库公路、天山、喀纳斯、禾木、布尔津、五彩滩等。“新疆”、“独库公路”、“喀纳斯”、“乌鲁木齐”是游记样本中共现频率最高的词，成为两个重要的核心节点。通常状况下，间隔核心节点越近，示意与两个节点的关联越严密。由此可见，语义网络图呈现出两个较为显著的趋势：一是“新疆”一词辐射出的语义网络除游览景区外，更多地体现了游客对新疆“雪山”、“草原”、“风景”等游览形象的整体情感感知：如“独特”、“平静”等，这与新疆对外游览宣传所采纳的词语相一致; 二是“乌鲁木齐”、“风光”一词辐射出的语义网络汇合了更多与行程和游览攻略相干的信息，如“酒店”、“机场”、“包车”、“自驾”等，从游客感知视角证实了新疆游览的游览攻略行程信息以及乌鲁木齐作为重要的游览集散中心在新疆旅游业倒退中的位置。 ...

全文链接：http://tecdat.cn/?p=31996原文出处：拓端数据部落公众号最近咱们被客户要求撰写对于GAMLSS的钻研报告，包含一些图形和统计输入。 GAMLSS模型是一种半参数回归模型，参数性体现在须要对响应变量作参数化散布的假如，非参数性体现在模型中解释变量的函数能够波及非参数平滑函数，非参数平滑函数不事后设定函数关系，各个解释变量的非线性影响后果齐全取决于样本数据。它克服了GAM模型和狭义线性模型(Generalized Linear Models, GLM)的一些局限性。 对间断散布数据拟合的实例--降雪量数据降雪：63年的年降雪量，每年降雪量数据 目标：帮忙客户证实间断散布对单个变量的拟合。 论断：正态假如是适当的。 模型的拟合和显示数据集是降雪数据，数据显示，63年降雪量。 > names(parzen)在这里，咱们将数据拟合为正态分布(NO)、(GA)、幂指数(PE)散布。正态与伽马的比拟探讨了数据中是否存在正偏性。正态与幂指数的比拟表明了峰度的可能性，而BCPE则显示出数据中是否同时显示了偏度和峰度。GAIC将帮忙咱们在不同的散布之间进行抉择。 >> mBCPE <- histDistsnowfall, "BCPE", density = TRUE, main = "(d)",+ 请留神，选项密度=true申请将非参数核密度估计蕴含在图中 > GAIC GAIC()函数的默认惩办是k=2，Akaike信息准则(留神，咱们能够应用等价函数AIC())。AIC准则表明，正态分布与数据齐全吻合。图显示了四个不同的散布。 测验模型应用R函数ks.test()提供的Kolmogorov-Smirnovness拟合测试测试正态模型(或任何其余模型)的充分性在这里是不可取的，因为咱们必须预计散布参数u和o，所以测试有效。(归一化分位数)残差的测验将提供一种钻研适配适足性的办法。归一化分位数残差是独立的规范正态变量。咱们冀望拟合的(归一化分位数)残差I；近似地体现为正态分布的变量(即便最后的观测值Y不肯定是失常的)，因而残差的归一化Q-Q图在这里是适合的。r软件提供了用于绘制QQ-绘图的函数。 测验散布拟合参数可靠性的办法有两种：1)汇总函数和Vcov函数。一般来说，这两个值应该是雷同的，因为在默认状况下，汇总是vcov取得的标准误差。Vcov()失去的标准误差是通过反演全观测信息矩阵失去的，它们思考了散布参数估计之间的关系。留神，vcov()函数再一次批改最初的模型，以取得Hessian矩阵。 咱们批改了所抉择的最终模型 > moNO <- gamls > summary(moNO) > vcov(modNO, type = "se") 拟合模型由Y~NO(i，a)给出，其中ji=bo=80.3，log()=PO2=3.158，因而6=23.52。留神，j和o是u和o的极大似然预计。 应用vcov()后果，log(O)=Bo2的95%置信区间(CI)为[3.158-(1.960.08922)，3.158+(1.960.08922)]=(2.983，3.333)，由此[exp(2.983)，exp(3.333)]=(19.75，28.02)给出了o的95%CI置信区间。能够与图中的剖面偏差区间(19.96，28.32)进行比拟，失去了用下列R脚本失去的[exp(3.021)，exp(3.33)]=(20.51，27.93)所给出的自举CI。 > library(boot) >> funB <- function(data, i) { + d <- dtaframe(swfall = data[i, ]) + coef(updae(modNO, dat = d), "sigma") + } > boot(paren, funB R 199)) ...

原文链接：https://tecdat.cn/?p=35235原文出处：拓端数据部落公众号前三季度，我国软件业务收入达87610亿元，同比增长13.5%。统计范畴涵盖软件及信息技术服务、集成电路设计、根底软件、工业软件、信息安全、工业互联网平台和数据服务等。软件业务收入由软件产品、信息技术服务、信息安全和嵌入式系统软件支出组成，占比别离为23.4%、66.6%、1.6%和8.4%。物联网平台支出属于软件产品支出，备受关注。此外，我国开源软件开发者超800万，物联网开发者预计也将逐步增多，需关注物联网平台的产品构造和能力体现。浏览原文，获取专题报告合集全文，解锁文末52份物联网、IoT相干行业钻研报告。 设施治理、利用使能与数据分析平台特色在物联网畛域，平台的性能个性和倒退阶段是多元化的。从理论利用来看，纯正的“设施治理”平台并不多见。大多数平台在初期阶段会专一于设施治理性能，随着技术的成熟和市场的扩大，它们会逐渐减少利用使能和数据分析等高级性能。这种逐渐演进的策略使平台可能满足一直变动的市场需求，同时也反映了物联网技术的继续提高。 设施治理作为物联网平台的根底性能，负责监控、配置和管制物联网设施。随着平台的成熟，利用使能性能逐步浮现，使平台可能反对更宽泛的利用场景和解决方案。这包含集成第三方利用、提供API接口以及开发自定义利用等。通过这些性能，平台可能为用户提供更丰盛的服务和更高的灵活性。 同时，数据分析也是物联网平台的重要性能之一。通过对收集到的数据进行剖析，平台可能提取有价值的信息，为用户提供洞察和预测。这有助于用户优化经营、改良产品设计以及开发新的商业模式。 然而，须要留神的是，不同平台在设施治理、利用使能和数据分析等方面的能力程度是各不相同的。一些平台可能在某个方面表现出色，而在其余方面则绝对较弱。因而，在抉择物联网平台时，用户须要依据本人的需要和场景来评估平台的能力和性能是否符合要求。 本专题内的参考报告（PDF）目录物联传媒：2023物联网平台产业钻研报告及案例集 报告2024-01-29中国信通院：挪动物联网业务转售钻研报告 (2023年) 报告2024-01-05中国物联网研究院：2023中国智能传感器产业倒退报告 报告2024-01-05升华平安佳：2023物联网平安产品及服务购买决策参考 报告2023-12-31中移智库：2023无源物联网典型场景白皮书 报告2023-12-20国家电网：低压配电物联网标准化建设实际及利用 报告2023-12-04EMQ：面向物联网的数据基础设施白皮书 报告2023-11-16赛迪：制造业技术创新体系白皮书（物联网·2023版） 报告2023-11-10AIOT星图研究院：蜂窝物联网系列之5G市场跟踪调研报告（2023版） 报告2023-11-06深圳市物联网产业协会：2023年深圳市产业物联网钻研报告 报告2023-09-29中移智库：2023面向6G物联网的端侧计算白皮书 报告2023-09-13中移智库：6G物联网将来利用场景及能力白皮书 报告2023-09-11CUJO：2022-2023年物联网僵尸网络报告 报告2023-09-01中国通信标准化协会：2022年物联网操作系统平安白皮书 报告2023-08-23北京金融科技产业联盟：2023物联网技术金融利用钻研报告 报告2023-07-01中国物联网产业知识产权经营核心：寰球物联网产业知识产权倒退白皮书202... 报告2023-06-22华为：智慧医院辅助医疗物联网解决方案 报告2023-06-04AIoT星图研究院：中国光伏物联网产业剖析报告（2023） 报告2023-06-01深圳市物联网产业协会：深圳市物联网产业白皮书 报告2023-05-29深圳市物联网产业协会：2022年度会刊 报告2023-05-10TIC国内测验检测认证理事会：中国消费类物联网设施白皮书 报告2023-05-07Telenor：2023年物联网趋势预测报告 报告2023-05-07IDC：2023物联网金融倒退白皮书 报告2023-04-16AIOT星图研究院：中国蓝牙物联网产业钻研报告（2023） 报告2023-04-04AIoT星图研究院：非蜂窝低功耗远距离物联网技术市场钻研报告（2022... 报告2023-03-31AIoT星图研究院：北斗室外物联网定位市场调研报告（2023版） 报告2023-03-15Telenor：蓄势待发：亚太地区，从物联网落后者到寰球领跑者的逆袭之... 报告2023-01-15中国信通院：2022年挪动物联网倒退报告 报告2023-01-03智次方研究院：2024年中国AIoT产业全景图谱报告 报告2024-01-14IDC&旷视：AIoT产业智能白皮书2023 报告2023-11-28AIOT星图研究院：蜂窝物联网系列之5G市场跟踪调研报告（2023版） 报告2023-11-06AIOT星图研究院：2023边缘计算市场调研报告 报告2023-10-06AIoT星图研究院：中国毫米波雷达产业剖析报告 报告2023-09-15AIoT星图研究院：《2023中国RFID无源物联网产业白皮书》生态报... 报告2023-09-07AIoT星图研究院：《2023中国RFID无源物联网产业白皮书》生态报... 报告2023-09-06AIoT星图研究院：《2023中国RFID无源物联网产业白皮书》生态报... 报告2023-09-05AIoT星图研究院：《2023中国RFID无源物联网产业白皮书》生态报... 报告2023-09-04AIoT星图研究院：《2023中国RFID无源物联网产业白皮书》生态报... 报告2023-09-03AIoT星图研究院：《2023中国RFID无源物联网产业白皮书》生态报... 报告2023-09-02AIoT星图研究院：《2023中国RFID无源物联网产业白皮书》生态报... 报告2023-08-30AIoT星图研究院：《2023中国RFID无源物联网产业白皮书》生态报... 报告2023-08-29AIoT星图研究院：《2023中国RFID无源物联网产业白皮书》生态报... 报告2023-08-27AIoT星图研究院：《2023中国RFID无源物联网产业白皮书》生态报... 报告2023-08-24AIoT星图&物联传媒：中国Wi-Fi物联网产业钻研报告（2023） 报告2023-08-04智次方：2023 年中国AIoT 产业全景图谱报告 报告2023-07-24AIOT星图研究院：蜂窝物联网系列之LTE Cat.1市场跟踪调研报告 报告2023-07-24AIoT星图研究院：中国光伏物联网产业剖析报告（2023） 报告2023-06-01AIoT星图研究院：2023中国智慧工地行业市场钻研报告 报告2023-05-02AIOT星图研究院：中国蓝牙物联网产业钻研报告（2023） 报告2023-04-04AIoT星图研究院：非蜂窝低功耗远距离物联网技术市场钻研报告（2022... 报告2023-03-31AIoT星图研究院：北斗室外物联网定位市场调研报告（2023版） 报告2023-03-15AIoT星图研究院：中国智能仓储市场调研报告（2023版） 报告2023-03-13

原文链接：https://tecdat.cn/?p=35149原文出处：拓端数据部落公众号自中国提出双碳指标以来，可继续金融市场呈现出蓬勃发展的态势。这一发展趋势在多年来失去可继续金融策略征询团队的反对和推动。同时，数字化转型的深刻推动推动了新客户的增长，而中国的碳金融翻新也成为市场关注的焦点。本报告合集将探讨中国可继续金融倒退的洞察，瞻望人工智能银行、保险行业数字化洞察、保险合伙人白皮书及优增深度洞察以及再制作倒退下中国车险行业的时机与挑战。 本白皮书报告合集聚焦中国可继续金融畛域的倒退，从数字金融考察、碳金融翻新倒退、人工智能银行、保险行业数字化洞察、保险合伙人白皮书及优增深度洞察、新能源车险到再制作倒退下中国车险行业的时机与挑战等多个角度进行深入探讨。这些洞察将有助于理解中国金融市场的发展趋势和将来倒退方向。浏览原文，获取专题报告合集全文，解锁文末390份金融、保险、银行相干行业钻研报告。 中国可继续金融倒退洞察自我国提出双碳指标以来，可继续金融市场倒退迅速，出现蓬勃发展的态势。多年来，致力于中国可继续金融市场的可继续金融策略征询团队为金融机构提供了相干服务。 中国可继续融资市场规模中国可继续融资市场规模方面，目前国内不足残缺的统计数据，但绿色贷款、绿色债券等绝对成熟的绿色金融产品出现快速增长的趋势。 在绿色贷款方面，依据中国人民银行的数据，截至2022年末，全国绿色贷款余额达到22.03万亿元，同比增长38.5%，增速较上年末进步了5.5个百分点，全年新增6.13万亿元。绿色贷款的存量规模在寰球处于前列，占金融机构人民币贷款余额的比重达到10.05%。 在绿色债券方面，依据中财大绿金院的数据，2022年中国境内外绿色债券的新增发行规模约为9838.99亿元，发行数量为568只。其中，境内绿色债券的新增发行规模为8746.58亿元，发行数量为521只；中资机构境外绿色债券的新增发行规模约为1092.41亿元，发行数量为47只。截至2022年底，中国境内外绿色债券的存量规模约为3万亿元。 截至2022年末，国内不足残缺的可继续融资市场规模统计。不过，绿色贷款、绿色债券等成熟的绿色金融产品的统计数据相对来说较为欠缺，并且整体呈现出快速增长的趋势。依据中国人民银行的数据，截至2022年末，全国的本外币绿色贷款余额达到了22.03万亿元，同比增长了38.5%。增速相比上年末进步了5.5个百分点，全年新增了6.13万亿元。绿色贷款的存量规模在寰球范畴内处于领先地位。绿色贷款占金融机构人民币贷款余额的比重达到了10.05%（较2021年晋升了180个基点）。 与此同时，报告合集还指出，我国的可继续投资正处于起步阶段。具体体现在ESG投资方面获得了较为深刻的倒退，但影响力投资概念尚未广泛遍及。为了推动可继续投资的倒退，须要欠缺顶层设计，并增强包含信息披露在内的一系列市场因素建设。 中国数字金融考察随着数字化转型的深刻推动，新客户的增长速度已达高峰，用户经营成为推动存量增长的要害伎俩。考察数据显示，相比去年，网上银行用户比例有所降落，而手机银行用户比例根本持平。 手机银行和网上银行在渠道重合度上呈现出高度的互补性。越来越多的用户偏向于应用手机银行作为次要渠道，而其余渠道则作为辅助。2023年各渠道的重合度均有所升高，显示用户在抉择渠道上出现集中趋势。 在评估手机银行的长处时，操作流程简略便捷已被视为根本要求，且这一比例与去年相比有所升高。随着服务的轻量化和数字化降级，零碎一直迭代更新，手机银行的稳定性失去了显著晋升。同时，高安全性也成为用户抉择手机银行的重要因素。 超过60%的用户将手机银行视为便民服务办理核心，而不仅仅是传统的金融业务办理平台。资产管理中心和优惠活动参加核心的重要性也日益凸显，表明手机银行正在从繁多的金融业务办理核心向更综合的生态转变。 总体而言，全国性银行在综合测评中取得86.0分，比区域性银行高出10.0分。在各类型银行外部差别的比拟中，国有行的差距最小，表明集体手机银行的倒退程度绝对平衡。然而，城市商业银行及其他类型银行的头尾差距较大，头部中小银行发展势头强劲，其综合评测程度甚至超过了局部全国性银行。 从各项指标来看，手机银行的平安性能广泛良好，但用户经营仍需增强。尤其是区域性银行更需深刻开掘用户需要，晋升用户体验需长期继续的致力。 业务层面的外围发现表明，数字场景和内容体验已成为与商业银行外围金融业务协同共振的关键因素。随着数字化时代的到来，用户对于金融服务的冀望和需要也在一直变动。为了更好地满足用户需要并晋升竞争力，商业银行须要不断创新和优化其业务模式。 数字场景的构建是实现这一指标的重要伎俩之一。通过深刻开掘用户需要，联合大数据、人工智能等技术，商业银行能够打造出更加贴近用户理论生存的数字场景。这些场景能够涵盖各种金融业务，如领取、理财、贷款等，为用户提供更加便捷、智能的金融服务。同时，数字场景的构建也有助于进步用户粘性和活跃度，进一步促成商业银行的业务增长。 内容体验也是与商业银行外围金融业务协同共振的关键因素之一。在数字化时代，用户对于金融信息的获取和生产形式也在产生扭转。为了更好地满足用户对于信息获取的需要，商业银行须要一直晋升其内容体验。这包含提供更加业余、实用的金融常识和产品信息，以及打造更加人性化、交互式的服务体验。通过优化内容体验，商业银行能够进一步晋升用户满意度和忠诚度，从而在强烈的市场竞争中怀才不遇。 中国碳金融翻新倒退本白皮书报告合集是全市场聚焦中国碳金融畛域的洞察白皮书。白皮书报告合集中奇妙联合了中国特色与国内教训、实践钻研与前沿实际、监管导向与市场声音，全面探讨了在中国碳市场蓬勃发展的时代脉络中，金融力量的角色与作用。 本白皮书报告合集着眼于翻新，在充沛了解中国碳市场的特殊性与独特特色根底上，立足碳市场倒退获得的卓越成就，提出了中国碳金融生态的全景视图，摸索出了中国碳金融翻新的六大外围模式，在各个模式中联合现状和市场实际，探讨了符合中国理论的翻新瞻望。 中国的碳金融倒退之路必须有中国的特色。咱们将排汇国内先进经验，但同时，咱们更须要展示翻新精力，开拓一条合乎我国理论和“双碳”指标的特色之路。让咱们携手共进，为建设更绿色、更美妙的将来而致力。 中国碳金融翻新模式利用中国碳金融翻新模式在监管、市场和服务生态三个维度下，辨认出六种翻新模式，包含制度布局翻新、交易机制翻新、主体角色翻新、交互场景翻新、金融产品翻新和服务网络翻新。这些翻新模式的利用有助于推动中国碳金融市场的高质量倒退和标准运作。 在监管维度下，制度布局和交易机制两类翻新模式的利用对于促成市场整体高质量倒退具备重要意义。制度布局翻新提出翻新的顶层设计规划计划，疏导市场倒退方向；交易机制翻新推出翻新的交易管理机制，规范市场交易流动。 在市场维度下，可发展的翻新模式包含主体角色、交互场景和金融产品三类。主体角色翻新使市场参加主体在碳金融中承当新的角色，促成市场多元化倒退；交互场景翻新推动市场参加主体开发出翻新的单干模式或服务场景，进步市场效率；金融产品翻新要求市场参加主体开发出翻新的碳金融产品以解决客户痛点问题，晋升市场竞争力。 在生态维度下，服务网络翻新是次要翻新模式。内部第三方服务机构提供翻新的业余或技术服务，解决市场参与者遇到的倒退业余需要，晋升市场参与者的碳资产治理能力。 依据对六大翻新维度的综合研判，我国碳金融倒退在服务网络翻新和金融产品翻新方面体现较为突出，但在交易机制翻新和主体角色翻新方面仍有晋升空间。这些翻新模式的利用将有助于推动我国碳金融市场的继续倒退和晋升竞争力。 瞻望人工智能银行：当银行遇到AI在2016年， AlphaGo机器人战胜了18届世界棋王李世石，成为了世界棋坛上最平凡的人物。围棋是一种非常复杂的棋类，它要求有很强的直觉，想像力和策略性的思考，而这所有在很长一段时间里都被认为是人类的天才。现在，人工智能技术曾经倒退了很长时间，给很多产业带来了很大的变动。有了 Al技术的设施，这些设施能够为时装零售商提供个性化的数字倡议，甚至能够在癌症查看方面赶上资深医师。据估算，人工智能技术在世界范畴内的银行业务中，每年能够产生一万亿美元的增值。 在过来的数十年中，银行始终在应用最新的科技翻新和对与顾客的交互方式进行从新定义。60年代，银行引入了主动柜员机，70年代引入了以信用卡为根底的付款模式。本世纪初，24/7、24小时不间断的网上银行开始风行，到了本世纪初，以手机为根底的“随时随地做生意”的模式开始流行起来。 毫无疑问，咱们曾经进入了一个以 AI为主导的数字时代，随着数据的存储与解决费用的升高，人们对信息的取得与连贯的普遍提高，人工智能技术失去了疾速的倒退。人工智能技术能够在无效管制危险的同时，进步人工决策的效率和精度。它在所有行业中都具备不可比较的潜在价值，比方AI技术，它能够为银行发明一年1万亿美元的增值价值（图表）。 保险行业数字化洞察近年来，"养老"、"三胎政策"、"医疗老本"等一系列备受关注的民生话题，使得保险服务备受瞩目，并逐步渗透到每个人的生存中。自2020年以来，因为多种因素的影响，人们对衰弱的意识一直进步，这正在从新塑造中国消费者对保险的认知。 随着中产阶层群体的增长、人口构造的变动以及年老生产群体的成熟，消费者市场中对保险的需要曾经产生了变动。过来，人们对保险的需要仅仅是根本的保障，而当初则更加重视保险的品质、差异化和专业化。与此同时，购买保险的决策过程也产生了扭转。过来，人们是通过销售员面对面的举荐来购买保险，而当初则更加偏向于被动收集信息、被动生产、在线交互以及全链路体验评估的保险生产新形式。 在近几年，银保监会陆续公布了多项监管政策，以利用古代科学技术改良和优化传统保险业务流程，推动线上化。特地值得注意的是，随着线上生产习惯的养成和互联网金融行业的迅速倒退，传统保险企业、新兴互联网企业和保险中介平台纷纷抓住了"互联网+"的时机，使得保险行业的互联网渠道布局达到了前所未有的热度。 保险行业正在经验线上化的转变，这也在推动其营销形式产生重大改革。同时，保险企业也受到数字化基础设施能力的鼓励，致力于让保险营销更加关注个体细分需要，更贴近生产交易场景，更合乎投保体验。在转型的过程中，时机与挑战并存。 近年来，互联网保险的支出稳步增长，成为行业的新的增长能源。o随着互联网保险的疾速倒退，数字化营销已成为不可逆转的趋势。 只管互联网保险赛道备受瞩目，但行业的规范化趋势正在缩小不合理的竞争。 保险合伙人白皮书及优增深度洞察2023年，中国经济从高速向高质量转型，泛滥保险公司将队伍转型视为寿险行业供应侧改革的要害。以招募和造就业余、职业绩优人才为外围的策略，成为代理人队伍转型的重要方向。 本报告合集不仅展现了绩优代理人的信念，还通过“销售之王”的视角，将钻研对象拓展至包含保险在内的五个重点行业/群体。通过行业间比拟，充沛展现了保险行业绩优代理人在适应时代倒退、建设高素质团队和提供高质量服务方面的劣势。 只管险企在绩优策略上达成共识，但倒退仍面临挑战。本报告合集深入探讨了2022年发现的绩优代理人增员难的问题，剖析了团队长现状及面临的艰难，解码优良团队长的胜利秘诀，为绩优代理人队伍的继续衰弱倒退提供深度洞察。 专业化、职业化代理人成为行业共识随着“人海战术”的生效，进步代理人品质和效率成为市场主导策略。回顾寿险代理人的倒退历程，经验了两次疾速扩张后，面临一系列问题。通过监管、制度和市场的改革，寿险代理人队伍逐渐走向规范化。2016-2019年的激增导致代理人不足专业知识和职业素养，销售行为不标准，服务质量参差不齐。因而，寿险代理人队伍的“清虚”和“提质”成为必然趋势。 中国大陆保险代理人队伍的倒退经验了几个阶段。随着代理人逐渐清虚转型，绩优策略已成为行业共识。2020年后，因为监管趋严和宏观环境的变动，“人海战术”逐渐失灵，保险代理人数量开始降落，并在之后的几年继续缩小。在2015年，保险法批改勾销了代理人资格考试，改为登记制，导致代理人数量激增，2019年达到高峰。个人保险代理人制度在经验疾速倒退后，呈现了较多问题。随着《保险法》对集体寿险代理人制度的进一步欠缺，个险代理人数量和产能增速开始放缓，寿险代理人进入稳固发展期。在代理人职业的引入和初期扩张阶段，随着代理制的引入和泛滥保险公司的成立，产寿分业经营，寿险代理人数量呈现了快速增长。 从新能源车险看财险经营模式改革报告合集对中国新能源汽车市场的倒退时机、以后行业情况及将来趋势进行了详细分析。同时，从业余角度分享了海内市场的前沿教训以及中国新能源汽车生态的案例。报告合集总结指出，新能源汽车专属车险的倒退和欠缺不仅是新能源汽车产业高质量倒退的外在要求，也是贯彻新倒退理念、推动高质量倒退、构建新倒退格局、施行供应侧结构性改革的必然要求。 新能源汽车因其节能、环保、静音、保护成本低等劣势，其专属车险的开发和倒退欠缺将极大地助力我国生态文化建设，助力实现“双碳”指标。保持可继续倒退，走人与自然谐和共生的中国式现代化路线，为我国的生态环境保护和中华文明永续倒退贡献力量。 因为新能源汽车的高出险率和案均赔款额高，财险公司在承保经营上呈现了亏损。统计数据显示，从车损险来看，新能源汽车的赔付率整体高于传统燃油车。在家用车这一应用性质占比最高的车型中，新能源汽车的赔付率较传统燃油车高出约30个百分点，这是因为出险频率和案均赔款双高所致。在非营业货车中，只管新能源汽车的案均赔款略低于传统燃油车，但其出险率却是传统燃油车的两倍，最终导致赔付率差距达7%左右。在三者险方面，新能源汽车各应用性质的赔付率均高于传统燃油车，其中家用车、非营业客车和非营业货车的赔付率均超过100%。因为新能源汽车各应用性质的出险率均远高于传统燃油车，在案均赔款根本持平的状况下，其赔付率与燃油车的差距较车损险更为显著。 “三电”零碎频繁产生事变。在新能源汽车缺点线索报告中，动力电池、电机、电控零碎问题占据了41.9%。依据中国化学与物理电源行业协会储能利用分会的音讯，锂离子电池的安全性事变包含短路、挤压、振动、碰撞等多种诱因，但从产生机制来看，次要是电压失控和热失控两种。依据中国银保信的数据，家用新能源汽车外围能源的损毁率是燃油车发动机事故率的3倍。 智能零碎带来了驾驶和乘坐的便捷，但同时也存在隐患。新能源汽车自带的智能化便当在给咱们带来高科技享受的同时，也存在一些弊病。2022年，在新能源汽车的品质投诉中，以车机为主的影音系统故障排名第一，占比超过10%，包含黑屏、死机和摄像头反馈不精确等问题，这些大大影响了行车平安，导致出险频率显著进步。 再制作倒退下中国车险行业的时机与挑战本报告合集探讨了汽车再制作产业与车险行业的单干前景，提出了一些要害倡议，以促成两个畛域的交融倒退。以下是一些要害倡议，以促成再制作和保险倒退的交融。 国外汽车再制造业的实践经验对我国至关重要通过借鉴国外先进的实际，咱们能够为我国汽车零部件再制造业建设一套相应的流程和体系，从而晋升其运作效率。同时，通过钻研国外的再制作实际，我国再制作企业能够汲取贵重的经验教训，进一步改良技术水平和产品质量，实现继续翻新。 推动再制作与保险倒退的另一重要方面：遍及再制作常识、提倡绿色低碳理念目前，我国消费者对于再制作产品的理解还绝对有余，因而须要通过增强宣传和教育，向消费者遍及再制作产品的劣势和可行性。这有助于扭转他们的观点，进步再制作产品的接受度，并进一步促使保险行业与再制造业的有机交融。在推动再制作和保险行业单干的过程中，遍及再制作常识、提倡绿色低碳理念起着至关重要的作用。 通过增强宣传和教育，进步消费者对再制作产品的认知度，能够为再制作与保险行业的有机交融创造条件。同时，企业也应踊跃践行绿色低碳理念，缩小生产过程对环境的影响，以履行社会责任，推动可继续倒退的实现。 这样的措施不仅促成了再制作和保险行业的单干，也为可继续倒退提供了无力推动。 汽车再制作产业与车险行业的可继续倒退思路广大的单干前景汽车再制作产业和保险行业的单干具备微小的市场潜力。保险公司能够通过推广再制作零部件的应用范畴，在履行环保社会责任的同时，升高零部件培修赔付老本。以2021年机动车辆相干保险赔付金额为例，近四成的赔付金额与零部件无关。思考到再制作零部件价格仅为OEM件的一半左右，并联合美国市场超过半数培修中应用再制作件的状况，预计再制作零部件的遍及应用将为保险公司带来上百亿元的减损效益，并对再制作产业产生上千亿元的深远影响。 建立健全的回收和认证体系尤为重要确保废旧汽车零部件失去无效回收和再利用，须要建设高效齐备的回收零碎。这样的零碎可能保障废旧部件失去正确处理，以合乎环保要求，并进一步推动再利用。同时，对再制作产品的认证工作也须要增强，以确保产品质量和安全性。这样的动作不仅能进步消费者的信任度，还能激发其购买欲望。 政府应思考制订财税反对政策，为再制作产业提供更多的反对制订相干的财税政策能够激励企业投资于再制作畛域，升高其经营老本，晋升再制作产业的竞争力和盈利能力。这种政策的施行将有助于激发企业的翻新生机，促成再制造业的可继续倒退。 特地须要关注新能源汽车畛域的再制造业随着新能源汽车的遍及，对其零部件的再利用和再制作提出了新的要求和挑战。因而，该当减少对新能源汽车畛域再制造业的研发和反对力度，为其衰弱倒退发明更无利的环境。 借鉴国外经验，咱们能够在车险翻新方面采取一系列动作在车险方面，借鉴国外经验能够采取多项动作来推动再制作产业的倒退。通过建设"事先机制"，为批准应用再制作件的消费者提供费率优惠、一生质保及颐养检测等福利。在"预先机制"方面，应用再制作件的消费者可享受续保绿色折扣与累计绿色积分等优惠。此外，再制作企业购买产品质量责任险，笼罩因产品缺点引发的意外事故，将有助于加强再制作产品的品牌形象与市场竞争力。 本专题内的参考报告（PDF）目录德勤：冲破暗流：影响金融服务业的技术相干系统性危险因素 报告2024-02-04中关村互联网金融研究院：中国金融科技和数字金融倒退报告（2024） 报告2024-02-03小红书：小红书2023年12月金融行业月报 报告2024-02-03泰达：2023领导力效益指数报告-古代金融 报告2024-02-02北京金融科技产业联盟：隐衷爱护技术在金融利用钻研-以集体金融信息爱护和... 报告2024-02-01北京金融科技产业联盟：2023金融业隐衷计算平安验证技术钻研报告 报告2024-01-31德勤：金融服务业数字化转型，从凋谢银行到凋谢数据 报告2024-01-30北京绿金院：2023绿色金融助力共建“一带一路”国家能源绿色低碳转型实... 报告2024-01-29德勤：生态建设势在必行：嵌入式金融：客户关系和价值网络动静 报告2024-01-28北京绿金院：2023转型金融施行参考指南-政府部门、金融机构及企业 报告2024-01-28ADVANCD.AI &亚马逊云科技：2023年菲律宾金融科技报告 报告2024-01-26金融四十人论坛：明珠湾智能金融倒退报告（2022） 报告2024-01-24华为&中国农业银行：2023云原生金融外围零碎白皮书 报告2024-01-24RMI：2023金融驱动重工业行业低碳转型钻研报告 报告2024-01-23上海金融信息行业协会：2023上海金融信息行业倒退报告 报告2024-01-22金融信息化研究所：金融反欺诈与大数据风控钻研报告 报告2024-01-22金融信息化研究所：金融存力基础设施倒退钻研报告 报告2024-01-22北京绿金院：2023助力金融机构发展气象相干环境信息披露-政策与实际报... 报告2024-01-21奥纬征询：2023中国-阿拉伯金融与投资报告 报告2024-01-21灵迹（Dynatrace）：2023金融服务AIOps策略报告 报告2024-01-17IFC：中小微企业可继续金融参考指南 报告2024-01-17中电金信：2023金融数据资产经营白皮书 报告2024-01-15资本市场学院：资本市场金融科技倒退白皮书（2023） 报告2024-01-14波士顿征询：守正翻新、行稳致远-生产金融“智胜”之道 报告2024-01-07中国银行研究院：寰球经济复苏疲软，货币政策取向分化-中国银行寰球经济金... 报告2024-01-06中国养老金融50人论坛：2023中国养老金融调查报告 报告2024-01-06度小满：2023金融大模型技术创新与利用摸索报告 报告2024-01-06CAFF50：中国养老金融调查报告（2023） 报告2024-01-05中国银行研究院：中国银行中国经济金融瞻望报告（2024年年报） 报告2024-01-02中国银行研究院：寰球经济复苏疲软，货币政策取向分化-中国银行寰球经济金... 报告2024-01-01猎聘：2023年度金融行业人才趋势察看报告 报告2023-12-30FITI：2023大模型金融利用实际及倒退倡议报告 报告2023-12-26中国金融认证核心（CFCA）：2023年中国数字金融调查报告 报告2023-12-25Airwallex地面云汇：嵌入式金融：全球化SaaS平台及线上交易平... 报告2023-12-25毕马威：2023上半场年金融科技报告 报告2023-12-24GP Bullhound：2023年第二季度金融报告 报告2023-12-24北大汇丰智库：2023年第三季度中国宏观金融局势与政策剖析报告 报告2023-12-22中国银行研究院：2024年中国经济金融瞻望报告 报告2023-12-19爱剖析：2023金融畛域先进AI存力报告 报告2023-12-19绿色战争：绿色金融与转型金融规范停顿 报告2023-12-18HundSun恒生电子：2024金融科技趋势钻研报告 报告2023-12-18祝世虎：大模型在金融行业的落地摸索 报告2023-12-17中小银行联盟：中小银行金融科技倒退钻研报告（2023） 报告2023-12-17金融数字化倒退联盟：2023生产金融数字化转型主题调研报告 报告2023-12-17中国银行研究院：2024年寰球经济金融瞻望报告 报告2023-12-15知识产权出版社：金融科技行业2023年专利剖析白皮书 报告2023-12-12中国信托业协会：中国信托业金融科技利用倒退报告（2022） 报告2023-12-10中国工商银行&云豹智能：2023年DPU金融行业倒退白皮书 报告2023-12-10毕马威：2023年三季度“监”听则明：金融业监管数据处罚剖析及洞察倡议... 报告2023-12-07普华永道：粤港澳大湾区金融服务业：蓄势腾飞 报告2023-12-06亿欧智库：2023年金融信创倒退钻研报告 报告2023-12-03度小满：人工智能在金融行业中的翻新利用 报告2023-12-03德勤数智研究院：2023生成式人工智能用例汇编-生产与金融行业高影响力... 报告2023-12-03清华五道口：寰球普惠金融发展趋势报告（2023） 报告2023-12-01北京金融科技产业联盟：2023金融机构AI芯片利用状况专题报告 报告2023-11-29SEE基金会：2023中国蓝色金融倒退-现状及挑战报告 报告2023-11-28中国银保传媒&腾讯研究院：2023金融业大模型利用报告 报告2023-11-27北京前沿金融监管科技研究院：2023年中国金融数据安全倒退与钻研报告 报告2023-11-26中国银行研究院：把防控危险作为金融工作的永恒主题 报告2023-11-25中国银行研究院：进步金融服务质效布局绿色倒退与金融高水平凋谢 报告2023-11-23清华五道口：全国城市新市民数字金融服务指数报告（2023） 报告2023-11-23渣打银行：粤港澳大湾区深度减排门路和金融反对低碳经济转型时机 报告2023-11-22QIIA：量子计算金融利用白皮书 报告2023-11-21中国信通院：中国金融科技生态白皮书（2023年） 报告2023-11-18NIFD：2023Q3寰球金融市场报告 报告2023-11-18中财商学院&睿正征询：2023中国金融业人才治理实际白皮书 报告2023-11-17艾瑞征询：2023年中国金融信创行业钻研报告 报告2023-11-14国家金融与倒退实验室：2023Q3股票市场报告 报告2023-11-14凯捷：2024年保险热门趋势报告 报告2024-02-01东莞证券：保险业深度报告-供需推动寿险回暖-“市值考核”催化估值晋升 报告2024-02-01头豹：2023年中国保险行业概览-保险护航-稳步前行-共筑幸福长命时代... 报告2024-01-23埃森哲：2024居家养老平台化生态赋能保险业新机遇钻研报告 报告2024-01-18美世达信员工福利：2023-2024年度高端医疗保险福利市场实际调研报... 报告2024-01-17安永：期待保险行业：数据 + AI开启教训规模化复制时代 报告2024-01-15益普索&寿康：2023年保险合伙人白皮书及优增深度洞察报告 报告2024-01-03阳光保险&清华大学：2023大模型技术深度赋能保险行业白皮书 报告2023-12-2936氛研究院：2022-2023中国财产保险行业翻新钻研报告 报告2023-12-25德勤：2024年寰球保险行业瞻望报告 报告2023-12-24波士顿征询：2023年保险价值创造者报告 报告2023-12-19利马：2023-24寰球保险消费者钻研报告 报告2023-12-17中电金信：2023保险业监管钻研及数字化转型方向摸索白皮书 报告2023-12-08美世：2024年寰球员工保险福利趋势报告 报告2023-12-08RMIRC & IRDC：2023中国保险中介市场生态白皮书 报告2023-11-27元保&分子实验室：2023人工智能大模型保险行业利用评测报告 报告2023-11-23众安科技：2023新保险合同准则白皮书 报告2023-11-21头豹：2023年中国商业保险行业概览- 互联网保险VS传统保险-TO ... 报告2023-11-12普华永道：2023年三季度保险行业监管处罚及政策动静报告 报告2023-11-02Dealroom：2023年寰球保险科技报告 报告2023-10-31Brand Finance：2023年保险品牌100强 报告2023-10-24中国保险行业协会：2022年度商业衰弱保险经营数据分析报告 报告2023-09-29毕马威：ESG保险：策略与转型 报告2023-09-25中国银行保险报&安永：再制作倒退下中国车险行业的时机与挑战 报告2023-09-25NIFD：2023Q2保险业运行报告-住宅小区电梯保险试点：机制与成果 报告2023-09-25小雨伞&南开大学：2022衰弱与养老保险保障指数 报告2023-09-16安永&博智隆：2023银行保险金融机构生成式人工智能（GenAI） 战... 报告2023-09-12北京鑫科金融倒退研究院：2023保险科技洞察报告 报告2023-09-09普华永道：构建保险行业高质量倒退的评估体系 报告2023-09-06众安保险&蚂蚁保：2023宠物数字化保险发展趋势洞察白皮书 报告2023-08-30达信：2022年度寰球交易危险保险回顾报告 报告2023-08-30波士顿征询：思以致远：瞻望中国保险业余中介高质量倒退之道 报告2023-08-30联结资信：保险业季度察看报告（2023年第2期） 报告2023-08-25大家保险团体&尼尔森IQ：2023年中国商业养老服务供需洞察白皮书 报告2023-08-22中国进口信用保险公司：2023短期进口信用保险业务手册 报告2023-08-14保险极客：2023企业高端衰弱福利报告 报告2023-08-14艾瑞征询：2023年中国保险业数字化转型钻研报告 报告2023-08-11华泰资产治理：中小保险机构投资私募股权基金：危险合规要点与实际 报告2023-08-06瑞士再保险：世界保险业：禁受扰动温和增长 报告2023-07-31麦肯锡：寰球保险业报告（2023）：弥合个人财产与意外险保障缺口 报告2023-07-23普华永道：2023年二季度保险行业监管处罚及政策动态分析 报告2023-07-22麦肯锡：麦肯锡寰球保险业报告（2023）：弥合个人财产与意外险保障缺口 报告2023-07-2221世纪经济报道：2023中国保险代理人职业发展趋势报告 报告2023-07-12毕马威：2022年度上市保险团体寿险业务对标剖析报告 报告2023-07-08中国人寿&北京大学：中高净值家庭资产配置和保险保障白皮书 报告2023-07-04NIFD：农业保险助力农业强国建设-2023Q1保险业运行报告 报告2023-07-02绿色江南：保险公司绿色保险业务钻研 报告2023-06-23中国银行保险报&普华永道：2022保险业数字化客户经营白皮书 报告2023-06-22ReMark：2022-2023年度寰球保险消费者钻研报告 报告2023-06-17麦肯锡：寰球保险业年度报告（2023）：与时俱进，晋升商业财产险的市场... 报告2023-06-16众安科技：新保险合同准则白皮书 报告2023-06-14中南大风险管理钻研核心：2023中国保险倒退报告 报告2023-06-09中国保险资产治理业协会：中国养老财产储备调查报告（2023） 报告2023-06-05中国社科院：2023年互联网保险理赔翻新服务钻研报告 报告2023-06-04麦肯锡：麦肯锡寰球保险业年度报告（2023）：与时俱进，晋升商业财产险... 报告2023-06-03清华五道口：金融保险网络安全合规技术白皮书（2022) 报告2023-05-28众安科技：2023 AIGC\&ChatGPT保险行业利用白皮书 报告2023-05-26头豹：行业概览\_2023年中国宠物保险行业专题报告-“毛孩子医保”一片... 报告2023-05-10联结资信：保险业季度观察报（2023年第1期） 报告2023-05-05麦肯锡：行稳致远打造中国数智化保险企业制胜策略（2023） 报告2023-04-28清华大学五道口金融学院&元保：2022年中国互联网保险消费者洞察报告 报告2023-04-20煜寒征询：2023上海银行保险业满意度白皮书 报告2023-04-19中国保险资产治理业协会：养老金畛域ESG投资机会与挑战 报告2023-04-03毕马威：寰球保险业首席执行官瞻望 报告2023-03-27普华永道：寰球危险调研2022：保险业报告 报告2023-03-26工信平安核心：网络安全保险钻研报告 报告2023-03-26德勤：2023年保险监管瞻望报告 报告2023-03-26麦肯锡：寰球保险业报告（2023）-重塑人寿保险 报告2023-03-16安永：2023年寰球保险业瞻望报告 报告2023-03-11国家知识产权局：中国知识产权保险倒退白皮书（2022） 报告2023-02-27普华永道：2022年度保险行业监管处罚与政策动静 报告2023-02-25NIFD：摸索转型之路-2022年保险业回顾与瞻望 报告2023-02-24麦肯锡：2023年寰球保险报告：重构思考人寿保险\_VF-压缩版 报告2023-02-23安永：2023银行保险机构碳中和策略白皮书 报告2023-02-23中国进口信用保险公司：中国信保2022年国别开发指引 报告2023-02-19美世：2023年寰球员工保险福利打算趋势钻研报告 报告2023-02-17复旦大学：保险App用户隐衷与个人信息爱护的若干隐患钻研报告 报告2023-02-13复旦大学：2022年城市定制型商业医疗保险（惠民保）常识图谱 报告2023-02-11众安科技：保险科技翻新指数2022-科技翻新赋能保险业高质量倒退 报告2023-02-03毕马威：2022年上市保险团体寿险业务报告 报告2023-01-25复旦倒退研究院：2022年城市定制型商业医疗保险（惠民保）常识图谱 报告2023-01-16安永：在中国式现代化路线上，保险业的定位与空间 报告2023-01-15友泰：保险业数字化客户经营能力体系建设规范报告暨蓝皮书 报告2023-01-14复旦大学：保险App用户隐衷与个人信息爱护的若干隐患钻研报告 报告2023-01-07瑞士再保险：合抱之木 始于微末-中国中小企业风险管理与保险倒退报告 报告2023-01-01爱剖析：2023银行对公智能风控市场厂商评估报告：拓尔思 报告2024-02-03工商银行&中国信通院：2023银行业数字化转型白皮书 报告2024-02-01中诚信国内：中国银行业瞻望 报告2024-01-30德勤：金融服务业数字化转型，从凋谢银行到凋谢数据 报告2024-01-30毕马威：2024年中国银行业瞻望报告 报告2024-01-30中国工商银行：企业司库体系建设白皮书（2023年版） 报告2024-01-28北大汇丰智库：银行理财VS公募基金：什么制约了理财公司规模增长？ 报告2024-01-27S\&P Global：2024年寰球银行瞻望 报告2024-01-27华为&中国农业银行：2023云原生金融外围零碎白皮书 报告2024-01-24普华永道：2024区域性银行信用卡数字化转型钻研报告 报告2024-01-22交通银行：2023商业银行数据因素共享与流通钻研报告 报告2024-01-21麦肯锡：麦肯锡寰球银行业年度报告2023-银行业大变局 报告2024-01-19毕马威：2023银行业首席执行官瞻望报告 报告2024-01-18中国银行间市场交易协会：中国碳衍生产品交易定义文件（2023） 报告2024-01-15德意志银行：2024年度瞻望报告：寻找增长 报告2024-01-15中国银行业协会：中国私人银行倒退报告（2023）暨私行服务高质量倒退专... 报告2024-01-15钛媒体：房间里的大象：我国中小银行的窘境与解围 报告2024-01-15中原银行：2023数字化转型赋能城商行高质量倒退的翻新与实际报告 报告2024-01-14中仓登&华夏银行&华为：2023动产融资数字化仓储白皮书 报告2024-01-14德勤：2024年银行业及资本市场瞻望报告 报告2024-01-12世界银行：何去何从-驾驭后疫情时代中国经济增长门路 报告2024-01-09中国银行研究院：寰球经济复苏疲软，货币政策取向分化-中国银行寰球经济金... 报告2024-01-06Brand Finance：2023中国银行业品牌调研报告 报告2024-01-05世界银行：2023年第三季度寰球汇款老本 报告2024-01-03中国银行研究院：中国银行中国经济金融瞻望报告（2024年年报） 报告2024-01-02世界银行：2023年世界移民与倒退简报 报告2024-01-02中国银行研究院：寰球经济复苏疲软，货币政策取向分化-中国银行寰球经济金... 报告2024-01-01上海银行&德勤：2023商业银行数据资产体系白皮书 报告2023-12-26中国工商银行：2023商业银行数据因素价值洞察钻研白皮书 报告2023-12-24普华永道：2023年第三季度中国上市银行业绩剖析报告 报告2023-12-22亚洲开发银行：亚洲倒退瞻望报告（2023年12月版） 报告2023-12-21中国银行研究院：2024年中国经济金融瞻望报告 报告2023-12-19中国银行业协会：《近程银行虚构数字人利用报告》解读 报告2023-12-18中国银行研究院：2024年寰球银行业瞻望报告 报告2023-12-18中小银行联盟：中小银行金融科技倒退钻研报告（2023） 报告2023-12-17中国银行研究院：2024年寰球经济金融瞻望报告 报告2023-12-15世界银行：2023年国内债权报告 报告2023-12-15世界银行：2023年第二季寰球汇款老本报告 报告2023-12-14中国人民银行：2023年第三季度中国货币政策执行报告 报告2023-12-13中国工商银行&云豹智能：2023年DPU金融行业倒退白皮书 报告2023-12-10腾讯云：迈入模型反抗时代-2023年商业银行风控趋势调研报告 报告2023-12-10中国科学院&迷信数据银行：中国凋谢数据白皮书2023 报告2023-12-04富滇银行：业务价值驱动银行全面数字化转型实际 报告2023-12-04浦发硅谷银行：2023中国医疗衰弱行业投资与退出趋势年中报告 报告2023-12-03InfoQ：2023银行数字化转型报告-抓住机遇建设差异化劣势 报告2023-12-03亚洲开发银行：2023年11月亚洲债券监测报告 报告2023-11-29中国银行研究院：把防控危险作为金融工作的永恒主题 报告2023-11-25招商银行：建筑行业之基建篇⑤-“PPP新政”的昨天、明天和今天 报告2023-11-25中国银行研究院：进步金融服务质效布局绿色倒退与金融高水平凋谢 报告2023-11-23渣打银行：粤港澳大湾区深度减排门路和金融反对低碳经济转型时机 报告2023-11-22世界银行：从中产阶级到一夜贫困 报告2023-11-21微众银行：2022 FISCO BCOS产业利用白皮书 报告2023-11-18Forrester：2022银行业个性化用户经营思想领导力白皮书 报告2023-11-17万事达卡：2023银行业经营策略报告 报告2023-11-16世界银行：2023年欧洲和中亚地区经济报告 报告2023-11-14中国人民银行：2023年人民币国际化报告 报告2023-11-14亚洲开发银行：2023年亚洲倒退瞻望报告（九月版） 报告2023-11-10德勤\&IIF：生态建设势在必行：金融服务业数字化转型从凋谢银行到凋谢数... 报告2023-11-08中信银行：中国居民养老财产治理倒退报告（2023） 报告2023-11-07中国银行研究院：世界500强企业经营新动静、影响及倡议 报告2023-11-05世界银行：2023年大宗商品市场瞻望报告–十月刊 报告2023-11-02沙丘社区：2023中国银行业人工智能与大数据用例剖析报告 报告2023-10-30中国银行业协会：《中国银行业客服核心与近程银行倒退报告（2022）》解... 报告2023-10-29艾普思征询：2023年09月银行业舆情监测报告 报告2023-10-29招商银行：特钢行业深度钻研之不锈钢篇-产品高端化-翻新驱动倒退 报告2023-10-29安全银行：安全私人银行2023年第四季度投资策略报告 报告2023-10-24中国银行业协会：中国银行业社会责任报告2022 报告2023-10-23中国银行研究院：欠缺金融反对体系推动绿氢产业倒退 报告2023-10-23世界银行报告：迈向更快、更清洁的增长 报告2023-10-19中国银行研究院：中国银行寰球银行业瞻望报告（2023年第4季度）息差分... 报告2023-10-18招商银行：新能源电子之被动元件篇-电动化时代-被动元件的新机遇 报告2023-10-17招商银行：生产行业之数字化——流程革新旷野纵马-金融助行致远千里 报告2023-10-17招商银行：高端配备之航空配备——商业飞机-道阻且长-行则将至 报告2023-10-17腾讯财智\&BCG：2023年中国银行业私域客户经营白皮书 报告2023-10-16德勤：中国银行业2023年上半年倒退回顾与瞻望报告 报告2023-10-13世界银行组织：新兴技术策展系列5-生成型人工智能（英文版） 报告2023-10-12艾瑞征询：2023年中国银行营销数字化行业钻研报告 报告2023-10-12中国银行：2023年第4季度寰球经济金融瞻望报告 报告2023-10-11佩信团体：2023银行业金融科技人才治理趋势报告 报告2023-09-30云南省银行业协会：云南省绿色金融产品指南（银行篇2023版） 报告2023-09-29德勤：闪耀的北极星-第四张报表再观中小银行转型之路 报告2023-09-29世界银行组织：2023年大宗商品市场瞻望报告（英文版） 报告2023-09-25中国银行保险报&安永：再制作倒退下中国车险行业的时机与挑战 报告2023-09-25世界银行：2023年物流绩效指数报告（英文版）- 报告2023-09-25FESCO：2022-2023银行行业及其人才与人力资源服务需要剖析报... 报告2023-09-25亚洲开发银行：2023年亚太地区次要指标经济第五版 报告2023-09-21德勤：商业银行2025 报告2023-09-18亚洲开发银行：2023年亚洲债券监测报告 报告2023-09-15安永&博智隆：2023银行保险金融机构生成式人工智能（GenAI） 战... 报告2023-09-12眺望智库&中国光大银行：2023商业银行数据资产估值白皮书 报告2023-09-10神策数据：多渠道协同，银行业数字化营销实际新范式白皮书 报告2023-09-09富滇银行：银行智能化经营方向的思考 报告2023-09-06招商银行：2023年中国私人财产报告（洞察中国高净值人群） 报告2023-09-04招商银行&贝恩公司：2023中国私人财产报告-中国私人银行业：精进臻善 报告2023-09-04毕马威：2023年上半年银行业监管处罚剖析洞察报告 报告2023-09-04DT商业察看&网商银行&小微观察站：2023小微夜经济察看报告 报告2023-09-04观远数据&亿欧智库：2023年商业银行智能决策能力建设白皮书 报告2023-09-02中国人民银行：2023公共数据金融利用白皮书 报告2023-09-01联结资信：2023年《商业银行资本治理方法（征求意见稿）》解读及案例分... 报告2023-08-29招商银行：建筑行业之基建篇④-“增存并举”路在何方-进城、出海与市场化 报告2023-08-26国内清偿银行：2022年中央银行数字货币和加密货币调查结果 报告2023-08-25德勤：凝心聚力，奋进新征程 中国银行业2022年倒退回顾及2023年展... 报告2023-08-25波士顿征询：银行业生成式AI利用报告（2023） 报告2023-08-21毕马威：银行业气象相干披露（第二阶段） 报告2023-08-21贝塔数据：2023 AIGC时代-手机银行财产治理能力建设白皮书 报告2023-08-18中国理财网：2023年上半年中国银行业理财市场报告 报告2023-08-14北大汇丰智库：从2022年破净风波看银行理财公司倒退问题（2023） 报告2023-08-12易观剖析：中国手机银行年度专题剖析2023 报告2023-08-07贝恩公司：2023年寰球银行业客户行为和忠诚度报告 报告2023-08-02德勤风驭：2023年Q1Q2银行业信贷投向趋势数字化研判报告 报告2023-07-31世界银行团体：2023年世界倒退报告 报告2023-07-28世界银行：2023年中国经济简报-放弃增长超过复苏 报告2023-07-28中国银行：寰球银行业瞻望报告 报告2023-07-24中国农业银行&中国信通院：2023银行业大规模异构边缘节点治理实际指南 报告2023-07-23世界银行团体：中国国别气象与倒退报告 报告2023-07-22中国银行研究院：中国银行寰球经济金融瞻望报告（2023年第3季度） 报告2023-07-21中信银行&华为：2023金融数据可信流通技术白皮书 报告2023-07-20中国银行研究院：近期中国进口变动特点及将来趋势剖析 报告2023-07-20彭博Bloomberg：亚太银行2023年瞻望报告 报告2023-07-20飞驰云联：2023年银行业跨网数据安全替换白皮书 报告2023-07-20国际清算银行：2022年年度经济报告 报告2023-07-20工商银行：2023商业银行业务架构利用的钻研与实际白皮书 报告2023-07-12易观剖析：中国商业银行信用卡业务数字化专题研究2023H1 报告2023-07-11中国银行研究院：中国银行中国经济金融瞻望报告（2023年第3季度）-内... 报告2023-07-10中国银行研究院：中国银行寰球银行业瞻望报告（2023年第3季度）-直面... 报告2023-07-08中国银行研究院：我国城投平台的倒退历史、危险剖析及相干倡议 报告2023-07-07普华永道：2023年第一季度中国上市银行业绩剖析报告-固本培元展骐骥之... 报告2023-07-06中国银行：2023年第3季度中国经济金融瞻望报告 报告2023-07-05清华五道口：2022银行数字化转型指标、门路与动作 报告2023-07-04亚洲开发银行：2023年亚洲债券监测报告 报告2023-07-03德勤\&IBFed：银行业在寰球经济低碳转型中的作用 报告2023-07-03华为：从理念到实战-商业银行混沌工程钻研和实际白皮书 报告2023-07-01安永：银行业月度行业察看 —— 国家金融监督管理总局正式挂牌，银行业如... 报告2023-06-29神州信息：2023年手机银行MAU和AUM双增实操宝典 报告2023-06-28毕马威：2022年度上市银行预期信用风险损失披露状况剖析 报告2023-06-26中国银行：2022年人民币国际化白皮书-RCEP中的人民 报告2023-06-24中国银行研究院：我国进口构造变动新趋势与优化方向 报告2023-06-23中国银行保险报&普华永道：2022保险业数字化客户经营白皮书 报告2023-06-22世界银行：2023年移民与倒退简报 报告2023-06-20招商银行：高端配备之船舶工业油轮专题-油轮新造船市场回暖-中小型油轮订... 报告2023-06-19毕马威：2023年中国银行业调查报告 报告2023-06-19中国人民银行：全国住房公积金2022年年度报告 报告2023-06-18亚洲开发银行：欠缺中国交通换乘枢纽-引入国内最佳实际 倒退多式联运换乘... 报告2023-06-18渣打银行&普华永道：央行数字货币共创将来银行生态体系白皮书 报告2023-06-17世界黄金协会：2023年中央银行黄金储备考察 报告2023-06-13易观剖析：华东手机银行用户经营洞察2023 报告2023-06-11世界银行：2023年6月寰球经济瞻望报告 报告2023-06-08毕马威：2023银行业危险雷达 报告2023-06-08安永：中国上市银行2022年回顾及将来瞻望报告 报告2023-06-07腾讯云：2023年商业银行外围零碎分布式转型白皮书 报告2023-06-03亚洲开发银行：2023年亚洲经济一体化报告 报告2023-06-02腾讯云：2023年商业银行外围零碎分布式转型白皮书 报告2023-05-30德勤：中国银行业2022年倒退回顾及2023年瞻望报告 报告2023-05-26德勤征询：中国银行业2022年倒退回顾及2023年瞻望 报告2023-05-25毕马威：中国银行业施行资本新规的挑战和应答策略 报告2023-05-25世界银行：第三版寰球集装箱港口绩效指数报告 报告2023-05-23中国银行研究院：我国跨境资本流动新态势、瞻望及影响 报告2023-05-20中电金信：基于手机银行APP专区调研的客群精细化经营剖析报告 报告2023-05-20中国人民银行：2023年第一季度中国货币政策执行报告 报告2023-05-18世界银行：2023年大宗商品市场瞻望报告 报告2023-05-17中电金信：2023商业银行大批发数字化转型白皮书 报告2023-05-16麦肯锡：制胜有道：胜利打造AI新生代银行 报告2023-05-10世界银行：2023年物流绩效指数报告 报告2023-05-06金融电子化：银行业公有云建设倒退调研报告（2022） 报告2023-05-06毕马威：2023年第一季度银行业监管处罚剖析洞察报告 报告2023-05-06联结资信：银行业季度观察报（2023年第1期） 报告2023-05-05中国银行业协会&普华永道：中国银行家调查报告（2022） 报告2023-05-03艾瑞征询：2023年中国银行业数字化转型钻研报告 报告2023-04-29普华永道：2022年中国银行业回顾与瞻望 报告2023-04-28普华永道：商业银行团体并表治理的改革洞察（2023） 报告2023-04-26德勤：银行业气象中和过程：银行业在寰球经济低碳转型中的作用 报告2023-04-26普华永道：2023年一季度银行业监管处罚及政策动静报告 报告2023-04-24煜寒征询：2023上海银行保险业满意度白皮书 报告2023-04-19世界银行：2023年4月期东亚与太平洋地区经济半年报 报告2023-04-19中国银行：2023年第2季度中国经济金融瞻望报告 报告2023-04-17中小银行联盟：2022中小银行金融科技倒退钻研报告 报告2023-04-13中国人民银行：2023 年第一季度城镇储户问卷调查报告 报告2023-04-13易观剖析：国家核心城市手机银行倒退洞察 报告2023-04-08中国银行：2023年第2季度寰球经济金融瞻望报告 报告2023-04-06德勤：2022年银行和资本市场并购瞻望 报告2023-04-06NIFD：数字经济背景下科技服务商对商业银行的异质性影响钻研 报告2023-04-06IBM：2023 年寰球银行和金融市场瞻望：在不确定的时代构建数字化优... 报告2023-04-06腾银财智：中国银行业私域客户经营白皮书2023 报告2023-04-02麦肯锡：寰球银行业年度报告（2022） 报告2023-04-02中信银行：大类资产配置蓝皮书（2023）-新时代、新趋势、新办法 报告2023-04-01世界银行：上行的长期增长前景：趋势、冀望和政策报告 报告2023-03-30简立方：2023年国有五大行手机银行适老化设计现状（金融APP体验剖析... 报告2023-03-21安永：第十二次寰球银行风险管理年度考察 报告2023-03-18中国理财网：中国银行业理财市场年度报告（2022年） 报告2023-03-17兴业银行\&Visa：2023年度生产洞察白皮书 报告2023-03-17中国工商银行&北京大学：银行元宇宙翻新利用白皮书 报告2023-03-14百信银行：商业银行“Bank Digital Mesh”数字化成熟度评... 报告2023-03-13硅谷银行：2022衰弱科技的将来报告 美国和欧洲市场2022年度报告 报告2023-03-10德勤：2023年银行和资本市场瞻望 报告2023-03-08德勤：2023年银行监管瞻望报告 报告2023-03-07毕马威：2023年香港银行业瞻望 报告2023-03-06微众银行：区块链从业者图鉴-FISCO BCOS开源社区用户报告（20... 报告2023-03-05埃森哲报告：重塑银行业体验 报告2023-03-05毕马威：2022银行业税务年度报告 报告2023-03-04Brand Finance：2023年银行业500强 报告2023-03-02世界银行：应答外部气象移民 报告2023-02-28百信银行：商业银行“Bank Digital Mesh”数字化成熟度评... 报告2023-02-27中国人民银行：2021年反洗钱报告 报告2023-02-26腾讯研究院：全真互联-银行数字化倒退钻研报告 报告2023-02-26中国人民银行：2022年第四季度中国货币政策执行报告 报告2023-02-25腾银财智：中国银行业私域客户经营白皮书2023 报告2023-02-25普华永道：精益银行财资治理赋能银行数智将来 报告2023-02-23安永：2023银行保险机构碳中和策略白皮书 报告2023-02-23世界银行：贸易和气候变化的关系报告 报告2023-02-22毕马威：鉴过知来 向往而新：2022年度银行业监管处罚剖析洞察 报告2023-02-16易观剖析：100万条数据解读2023银行APP用户体验降级方向 报告2023-02-15中国进出口银行：2022中国进出口银行绿色金融白皮书 报告2023-02-13中小银行联盟：中小银行金融科技倒退钻研报告2022 报告2023-02-12中国银行业协会：中国银行业中间业务倒退报告暨翻新案例选编（2022） 报告2023-02-12毕马威：银行业客户体验白皮书-新意义、新外延、新价值 报告2023-02-11贝恩公司：中国数字化批发银行报告（2023） 报告2023-02-10中国人民银行：中国反洗钱报告2021 报告2023-02-06毕马威：2022年寰球银行业首席执行官瞻望 报告2023-02-05麦肯锡：中国TOP40银行价值发明排行榜（2022）-应答疾速变动的世... 报告2023-02-04IBM：解码无界，发明数字化转型的有限可能：中国银行业企业架构施行现状... 报告2023-02-01中国银行：2023中国银行集体金融寰球资产配置白皮书 报告2023-01-31恒生银行&贝恩公司：粤港澳大湾区中小企业报告：韧性与时机 报告2023-01-29用友&毕马威：2023年银行业治理会计深入利用白皮书 报告2023-01-25Confirmation：2022年及当前寰球银行面临的挑战和解决方案 报告2023-01-25中国银行业协会：中国银行业理财业务倒退报告暨理财公司年鉴（2022） 报告2023-01-18世界银行：2023年寰球经济瞻望报告 报告2023-01-16毕马威：银行策略施行的现状、问题和解决方案 报告2023-01-16德勤：2023年寰球银行业及资本市场瞻望 报告2023-01-15易观剖析：2022年人民满意手机银行服务白皮书 报告2023-01-14联合国开发计划署：中国银行间债券市场社会责任与可继续倒退债券简报 报告2023-01-11世界银行：2022年国内债权报告 报告2023-01-10恒生银行：粤港澳大湾区中小企业报告 报告2023-01-10中国金融认证核心：2022凋谢银行生态金融白皮书 报告2023-01-07中信银行：2022年中国居民养老财产治理倒退报告 报告2023-01-04麦肯锡：中国Top40银行价值发明排行榜2022 报告2023-01-04中国银行：2023年寰球经济金融瞻望报告 报告2023-01-03网商银行：数字银行可信纵深进攻白皮书 报告2023-01-01

原文链接: https://tecdat.cn/?p=35142原文出处：拓端数据部落公众号中国碳金融翻新倒退是一个备受关注的话题。本白皮书报告合集综合了中国特色与国内教训、实践钻研与前沿实际、监管导向与市场声音，全面探讨了金融力量在中国碳市场倒退中的角色与作用。浏览原文，获取专题报告合集全文，解锁文末227份碳市场、净零碳、双碳相干行业钻研报告。 中国可继续金融市场倒退迅速，出现蓬勃发展的态势。多年来，可继续金融策略征询团队为金融机构提供了相干服务。以后，公司面临着来自气候变化、新冠疫情和地缘政治等多重不确定性的挑战。为实现碳达峰、碳中和指标，构建清洁低碳、平安高效的能源体系成为首要任务。在寰球气候变化背景下，建筑行业也在踊跃推动近零碳降级，采纳新能源零碎和碳交易方式来缩小碳排放。 中国碳金融翻新倒退本白皮书报告合集是全市场聚焦中国碳金融畛域的洞察白皮书。白皮书报告合集中奇妙联合了中国特色与国内教训、实践钻研与前沿实际、监管导向与市场声音，全面探讨了在中国碳市场蓬勃发展的时代脉络中，金融力量的角色与作用。 本白皮书报告合集着眼于翻新，在充沛了解中国碳市场的特殊性与独特特色根底上，立足碳市场倒退获得的卓越成就，提出了中国碳金融生态的全景视图，摸索出了中国碳金融翻新的六大外围模式，在各个模式中联合现状和市场实际，探讨了符合中国理论的翻新瞻望。 中国的碳金融倒退之路必须有中国的特色。咱们将排汇国内先进经验，但同时，咱们更须要展示翻新精力，开拓一条合乎我国理论和“双碳”指标的特色之路。让咱们携手共进，为建设更绿色、更美妙的将来而致力。 中国碳金融翻新模式利用中国碳金融翻新模式在监管、市场和服务生态三个维度下，辨认出六种翻新模式，包含制度布局翻新、交易机制翻新、主体角色翻新、交互场景翻新、金融产品翻新和服务网络翻新。这些翻新模式的利用有助于推动中国碳金融市场的高质量倒退和标准运作。 在监管维度下，制度布局和交易机制两类翻新模式的利用对于促成市场整体高质量倒退具备重要意义。制度布局翻新提出翻新的顶层设计规划计划，疏导市场倒退方向；交易机制翻新推出翻新的交易管理机制，规范市场交易流动。 在市场维度下，可发展的翻新模式包含主体角色、交互场景和金融产品三类。主体角色翻新使市场参加主体在碳金融中承当新的角色，促成市场多元化倒退；交互场景翻新推动市场参加主体开发出翻新的单干模式或服务场景，进步市场效率；金融产品翻新要求市场参加主体开发出翻新的碳金融产品以解决客户痛点问题，晋升市场竞争力。 在生态维度下，服务网络翻新是次要翻新模式。内部第三方服务机构提供翻新的业余或技术服务，解决市场参与者遇到的倒退业余需要，晋升市场参与者的碳资产治理能力。 依据对六大翻新维度的综合研判，我国碳金融倒退在服务网络翻新和金融产品翻新方面体现较为突出，但在交易机制翻新和主体角色翻新方面仍有晋升空间。这些翻新模式的利用将有助于推动我国碳金融市场的继续倒退和晋升竞争力。 中国可继续金融倒退自我国提出双碳指标以来，可继续金融市场倒退迅速，出现蓬勃发展的态势。多年来，致力于中国可继续金融市场的可继续金融策略征询团队为金融机构提供了相干服务。 中国可继续融资市场规模中国可继续融资市场规模方面，目前国内不足残缺的统计数据，但绿色贷款、绿色债券等绝对成熟的绿色金融产品出现快速增长的趋势。 在绿色贷款方面，依据中国人民银行的数据，截至2022年末，全国绿色贷款余额达到22.03万亿元，同比增长38.5%，增速较上年末进步了5.5个百分点，全年新增6.13万亿元。绿色贷款的存量规模在寰球处于前列，占金融机构人民币贷款余额的比重达到10.05%。 在绿色债券方面，依据中财大绿金院的数据，2022年中国境内外绿色债券的新增发行规模约为9838.99亿元，发行数量为568只。其中，境内绿色债券的新增发行规模为8746.58亿元，发行数量为521只；中资机构境外绿色债券的新增发行规模约为1092.41亿元，发行数量为47只。截至2022年底，中国境内外绿色债券的存量规模约为3万亿元。 截至2022年末，国内不足残缺的可继续融资市场规模统计。不过，绿色贷款、绿色债券等成熟的绿色金融产品的统计数据相对来说较为欠缺，并且整体呈现出快速增长的趋势。依据中国人民银行的数据，截至2022年末，全国的本外币绿色贷款余额达到了22.03万亿元，同比增长了38.5%。增速相比上年末进步了5.5个百分点，全年新增了6.13万亿元。绿色贷款的存量规模在寰球范畴内处于领先地位。绿色贷款占金融机构人民币贷款余额的比重达到了10.05%（较2021年晋升了180个基点）。 与此同时，报告合集还指出，我国的可继续投资正处于起步阶段。具体体现在ESG投资方面获得了较为深刻的倒退，但影响力投资概念尚未广泛遍及。为了推动可继续投资的倒退，须要欠缺顶层设计，并增强包含信息披露在内的一系列市场因素建设。 中国企业ESG策略与实际以后，随着气候变化、新冠疫情和地缘政治等重大突发事件的冲击，公司所处的宏观环境面临着越来越多的不确定性。在中国，随同着“双碳”指标的施行和“共同富裕”的施行，我国的经济增长形式正在转向一种新的、同时也是一种生态与福利并重的增长形式。在这种状况下， ESG成为了许多公司关注的焦点，也是许多公司关注的焦点。 ESG是一种综合思考经济效益、环境与社会效应、公司治理效应等因素，以可继续倒退为外围的一种企业评估零碎。从财务业绩指标到 ESG指标的变动，其背地的起因是由股东的角度到利益相关者的角度的变动，这是一种商业文化的巨大变化。在公司规模和盈利曾经不能再作为掂量公司优劣的惟一规范的时候，怎样才能让各方面都称心，怎样才能将公司的经营策略与 ESG策略进行有机地联合起来，就变成了一个须要企业庄重地答复的问题。 企业实际ESG最大的艰难在调查过程中，咱们发现很多被考察的公司在 ESG与其经营的关系、如何施行、在其本身的定位等问题上存在着较大的问题，同时也存在着较大的问题。 第一，目前公司对 ESG的含意及重要性还没有造成统一的意识：尽管公司的高管及普通员工对 ESG有了肯定的理解，但对其含意并没有一个明确的意识，因此也就难以进行深刻的探讨。在企业的治理阶层中，对于环境保护的重要性始终有争执。所以，在企业中，尤其是在企业中，进步对环境保护的意识，进步环境保护意识，是企业进行环境保护工作的根底。而高层管理者的 ESG关注程度通常会影响到其关注的最高程度，因而，高层管理者的深度参加是保障 ESG策略顺利施行的要害。 第二，ESG与公司经营环境的分割还没有理顺，公司的经营策略和ESG还没有联合在一起。在承受考察的公司中，大概有30%的人置信环境治理环境意味着公司的盈利将受到影响。一些承受考察的公司示意，在推广环境治理的时候，最大的艰难就是如何兼顾财务与非财务的关系。如何协调好所有人的利益，使公司的盈利和可继续倒退达到一个平衡点，并不是一件容易的事件。只管这一矛盾在短期内依然非常明显，但少数被考察公司认为，从中长期来看， ESG将会与公司的经营流动相结合，而不会与公司的利益发生冲突。 双碳背景下新型电力系统的利用翻新-电网洞察为实现碳达峰、碳中和指标，构建清洁低碳、平安高效的能源体系成为首要任务。清洁电力作为能源转型的要害，对于保障中国能源安全具备重要意义。为适应新能源的大规模接入，新型电力系统应运而生，以确保电力系统的安全可靠运行。 为确保电力系统的稳固运行，晋升其灵活性至关重要，这须要各环节的共同努力。光储直柔技术为修建带来了电能代替与敌对交互的新型修建能源零碎，使修建从传统的能源消费者转变为可再生能源生产、生产和能量调蓄的“三位一体”复合体，为构建将来低碳能源零碎施展重要作用。 能源转型为用户带来了更多经济时机。峰谷电价政策使得用户可能利用电价差别获取更大的利润空间，特地是在峰谷价差达到0.7元/kWh以上的省区。通过优化控制系统和智慧储能策略，用户能够进一步提高经济价值。 随着充电桩等负荷的减少，增容需要也日益进步。传统动态扩容形式老本高、周期长，而通过接入调优控制系统，用户能够实现动静增容，无效降低成本并缩短周期。 电力市场改革和灵便多变的电价机制为用户提供了更多机会。用户能够聚合能源资产，进步能效程度，参加需要响应和市场交易以获取利润。为了更好地应答电力市场的变动，用户须要牢靠的用户侧分布式能源管理解决方案。 柔性负荷调节具备微小的后劲。通过调优控制系统，用户能够进一步聚合和开掘可实时调节的柔性负荷资源，如充电桩、储能零碎和楼宇空调等。这有助于进步新能源的本地消纳率和用电能效。 粤港澳大湾区交通净零碳排放路线图寰球气候变化的次要起因是二氧化碳为主的温室气体排放。只管各国提出更严格的减排指标，但碳减排仍面临微小挑战。2022年寰球地表CO2浓度回升了2.13ppm，远超过去十年增速，比工业化前高出50%。国内能源署数据显示，2022年寰球碳排放量增长0.9%，达到新高368亿吨。 交通部门对温室气体排放的奉献靠近四分之一，是增长最快的畛域。即便现有政策全副兑现，到2050年交通碳排放仍将减少20%。粤港澳大湾区是寰球第四大湾区，也是交通枢纽。深圳市在新能源汽车方面当先，香港打算在2050年前实现碳中和，广东省正在建设氢能产业基地。然而，大湾区城市间倒退差别大，协同治理和政策落实面临挑战。推动交通减排和实现交通净零碳排放是大湾区可继续倒退的重要工作。本钻研将基于数据分析提出大湾区交通净零碳排放门路和政策倡议。 非道路交通碳排放非道路交通形式的碳排放状况较为简单。因为次要采纳低碳或零碳燃料，其减排效果显著。然而，间接碳排放量难以达到净零，因而须要基于燃料生命周期进行评估。 在2050年实现净零碳排放的指标下，非道路交通的间接碳排放量预计在2040年后达到高峰。若思考燃料生产的碳排放，非道路交通的碳排放量在2025年前后将达到峰值，并在2050年比峰值降落60%以上。 在珠三角地区，铁路客运周转量占总客运周转量的13%，而铁路货运周转量的占比仅为0.4%。因为铁路的能耗较低且次要通过电力牵引实现减排，到2050年，铁路的间接碳排放量将仅为20万吨。 在大湾区，水路运输的碳排放量在基准情景下呈上升趋势，预计2050年将达到925万吨，占交通碳排放的10%。在净零碳排放情景下，因为对单位周转量的能耗设定了更严格的指标，并转向应用清洁能源如电力、LNG、甲醇和氢能，水路运输的碳排放量将显著降落。但即使如此，到世纪中叶，大湾区水路运输的间接碳排放量仍不容忽视。从燃料周期评估来看，上述清洁能源的上游固碳量在2050年后能力对消船用燃料生产过程中的碳排放，因而须要继续改良技术以升高燃料的生命周期碳排放强度。 在大湾区，民航运输的碳排放量在基准情景下将持续增长，预计到2050年将超过5000万吨。在净零碳排放情景下，只管单位能耗降幅大且局部民航客运流量转向高铁运输，但整体碳排放量仍需到世纪中叶前后能力达峰。SAF（可继续航空燃料）作为减排的次要伎俩，尽管对间接碳排放的升高无限，但生产过程能够排汇二氧化碳。从生命周期思考，大湾区民航燃料的周期碳排放将在2025年左右达到峰值，至2050年将比2025年降落约60%。 修建近零碳降级近零碳修建的减碳门路涵盖了近零能耗修建的技术理念，包含被动式节能和主动式节能，以及修建整体的智能化和人性化革新。此外，加大新能源零碎的建设力度和采纳购买国家核证被迫减排量等碳交易方式，也是为了达到满足碳排配额的目标。 实现碳中和的指标须要动摇的信心和明确的门路，修建经营是减碳的要害畛域依据IEA的《2019年寰球修建现状报告》数据，建筑行业是所有与能源相干的行业中二氧化碳排放量最大的，占总排放量的39%。将来几年，建筑行业将持续保持高速增长，给实现《巴黎协定》带来微小挑战。在国内，依据2021年公布的《中国修建能耗与碳排放钻研报告》，2019年修建全过程碳排放量为49.97亿吨，占全国碳排放比重的50.6%，其中经营阶段碳排放量为10.3亿吨，占当年全国碳排放的21.2%。在“碳达峰”、“碳中和”的战略目标下，建筑行业须要更加器重节能减排和绿色环保，特地是修建经营阶段的碳排放问题须要重点关注。因而，修建经营是实现碳中和指标的要害畛域。 2019年全国修建全过程碳排放总量为49.97亿tCO2，占全国碳排放的50.6%。其中，建材生产阶段碳排放27.7亿tCO2，建筑施工阶段碳排放1.00亿tCO2，修建运行阶段碳排放21.3亿tCO2。 新能源与ICT的交融技术对近零碳修建的实现起到重要作用。具体包含： 优化节能零碎：智能零碎联合建筑设计和经营计划，生成新能源组网计划和节能倡议。楼宇智能节能零碎通过物联感知构建数字孪生，进步零碎能效比，进步经营效率。新能源技术：AI、云等技术与光伏、储能交融，进步发电和投资效率，简化运维，保障平安。智能化微能网：实现多种能源子系统的协调布局、优化运行等，进步新能源生产和消纳比例。碳能治理平台：把握园区能源和碳排放状况，实现全程可视和智能剖析，主动治理碳资产配额。体验舒适度治理：通过智慧伎俩治理温湿度等寓居体验因素，实现低碳与体验的双赢。本专题内的参考报告（PDF）目录天然气联盟：寰球天然气之声：摸索脱碳报告 报告2024-02-02中国信通院：新倒退阶段工业绿色低碳倒退门路钻研报告（2023年） 报告2024-01-31北京绿金院：2023绿色金融助力共建“一带一路”国家能源绿色低碳转型实... 报告2024-01-292023成都大运会绿色低碳办赛报告 报告2024-01-25龙吟研究室\&CEADS：2024年可继续膳食系列报告：寰球菜谱碳脚印 报告2024-01-23RMI：2023金融驱动重工业行业低碳转型钻研报告 报告2024-01-23深圳数据经济研究院：2023中国100家海内上市公司碳排名剖析报告 报告2024-01-17新京报零碳研究院：2023绿色倒退报告 报告2024-01-16绿色江南：2023建材玻璃行业A股上市公司碳排放信息披露察看报告 报告2024-01-16北京理工大学：中国碳市场建设功效与瞻望（2024） 报告2024-01-16中国银行间市场交易协会：中国碳衍生产品交易定义文件（2023） 报告2024-01-15可继续倒退经济导刊：从口头开始：在华企业低碳转型实际察看报告2023（... 报告2024-01-15硅碳鼠&用户说：2024年中国风行成分和原料生产深度洞察白皮书 报告2024-01-15北京理工大学：中国碳市场回顾与最优行业纳入程序瞻望（2023） 报告2024-01-14北京理工大学：实现碳中和指标的CCUS产业倒退瞻望 报告2024-01-12清华大学：中国碳中和指标下的景色技术瞻望 报告2024-01-11中移智库：2023低碳倒退：数字技术产业的责任与担当-要害门路及驱动机... 报告2024-01-09能源与交通翻新核心：2023粤港澳大湾区交通净零碳排放路线图钻研报告 报告2024-01-03施耐德电气：2023双碳背景下新型电力系统的利用翻新-“光储直柔”电网... 报告2024-01-01计然碳见：2023中国ESG实际白皮书 报告2023-12-30播梦：数智赋能碳见将来-播梦“零碳园区”综合解决方案 报告2023-12-28RMI：2023中国新一代清洁低碳技术瞻望报告 报告2023-12-24绿色战争：2023减排的幻影-寰球油气行业应用林业碳汇危险及案例钻研报... 报告2023-12-18妙盈科技：2023碳普惠倒退白皮书 报告2023-12-14赛迪&西门子：2023年“碳”索之路-企业绿色出海白皮书 报告2023-12-13绿色战争：2023减排的幻影：寰球油气行业应用林业碳汇危险及案例钻研报... 报告2023-12-10松下&中国家电网：2023家居环境空气解决零碎低碳发展趋势报告 报告2023-12-08绿色联盟：2023东南亚地区电力部门绿色低碳转型根底与门路辨认钻研报告 报告2023-12-07财经十一人：中国上市公司碳排放排行榜暨双碳领导力榜 报告2023-12-03贝恩公司\&TNC：摸索中国乳业低碳可继续转型之路报告 报告2023-12-03能投委：2023零碳中国生物天然气报告 报告2023-11-29德勤：2023中国企业低碳转型的趋势、口头方向与实际策略白皮书 报告2023-11-27亚洲清洁空气核心：航运先锋2023：国内航行船舶减污降碳先行者 报告2023-11-26渣打银行：粤港澳大湾区深度减排门路和金融反对低碳经济转型时机 报告2023-11-22ICCT：2023中国新增乘用车趋势报告-大气污染物与二氧化碳排放及相... 报告2023-11-22IPE：钢铁行业上市公司降碳减污指数评估报告2023 报告2023-11-20落基山研究院：2023航空零碳必由之路：下一代可继续航空煤油技术倒退前... 报告2023-11-19IPE：苹果产品碳中和疑云？ 报告2023-11-19ABB：智慧修建碳中和白皮书 报告2023-11-19盖尔修建事务所：低碳城市更新手册-从修建到政策的可继续行为促 报告2023-11-18清华大学碳中和研究院：2023世界能源可持续性评估报告一-聚焦“一带一... 报告2023-11-17北京大学能源研究院：2023湖南省电力行业碳达峰工夫与门路钻研报告 报告2023-11-16生态环境部：中国区域电网二氧化碳排放因子钻研（2023）报告 报告2023-11-14毕马威：2023年中国碳金融翻新倒退白皮书 报告2023-11-10北京大学能源研究院：山东省中小燃煤电厂低碳高质量倒退路径分析 报告2023-11-05北京大学能源研究院：2022中国石化行业碳达峰碳减排门路钻研报告 报告2023-11-03北京大学能源研究院：2022中国塑料行业绿色低碳倒退钻研报告 报告2023-11-02北京绿金院：2023商贸流通业减碳实践钻研与典型场景报告 报告2023-10-30正泰电器：2023碳中和白皮书 报告2023-10-29国家电网：面向现实调度的电网低碳调度辅助决策钻研及利用（2023） 报告2023-10-22头豹：2023年新资料系列-中国低碳水泥行业概览 报告2023-10-18北京市可继续倒退促进会：2022北京市修建低碳高质量倒退的门路和口头报... 报告2023-10-18NRDC：2023碳达峰碳中和指标下内蒙古电力低碳倒退钻研报告 报告2023-10-18清华大学\&NRDC：2023江苏省工业园区绿色低碳倒退门路钻研报告 报告2023-10-15罗戈钻研：供应链零碳转型的趋势和技术 报告2023-10-15德勤：2023中国的可继续航空燃料-航空业碳中和之路报告 报告2023-10-15ODCC：零碳数据中心园区能碳管理系统白皮书 报告2023-10-14中移智库：数字技术助力“双碳”指标的作用机制及奉献评估钻研 报告2023-10-13北京绿金院：2023转型金融反对煤电行业低碳转型的机制钻研报告（第二期... 报告2023-10-11沙利文：2023年寰球蓝氢产业中碳捕集利用的增长机会钻研报告 报告2023-10-10商道征询：批发和消费品行业绿色低碳倒退白皮书 报告2023-10-08商道征询：批发和消费品行业绿色低碳倒退白皮书 报告2023-10-07广东通服钻研总院：2023双碳数字园区全周期治理白皮书 报告2023-10-06沙利文：瞻望2040：寰球二氧化碳捕集利用与封存(CCUS)增长时机 报告2023-10-05能源基金会：2023中国机动车“减污降碳”指标、门路、效益剖析与政策建... 报告2023-10-05北京绿金院：2023转型金融反对煤电行业低碳转型的机制钻研报告（第一期... 报告2023-10-03清华：2023寰球碳中和年度停顿报告 报告2023-09-30数城将来&智汇绿行：2023中国城市绿色出行及其碳排放剖析报告 报告2023-09-29中国修建材料科学钻研总院：2023中国水泥行业碳中和门路钻研报告 报告2023-09-27世界天然基金会：2023中国新能源汽车全生命周期减碳门路与案例钻研报告 报告2023-09-26清华大学碳中和研究院：2023寰球碳中和年度停顿报告 报告2023-09-26RMI：2023需要侧低碳洽购推动原材料转型： 实际与趋势报告 报告2023-09-22RMI：2023农村碳中和偏心转型：现状与瞻望暨农村碳中和倒退指数报告 报告2023-09-21RMI：2023碳中和后行示范区：定义、布局办法与案例钻研报告 报告2023-09-19普华永道：企业低碳转型之路-在华企业可继续倒退口头2022-2023 报告2023-09-18北京绿金院：国内油气公司低碳转型教训及其借鉴 报告2023-09-11商道纵横：2023中国企业低碳转型与高质量倒退报告 报告2023-09-10融文：2023气候变化对细分行业的影响及对策系列报告3：汽车行业低碳转... 报告2023-09-01ITDP：2023低碳排放区的时机：驾驭交通的深度钻研报告 报告2023-08-28清华大学地球零碎科学系：寰球逐日二氧化碳排放报告2023 报告2023-08-24CNESA & NRDC：2023双碳背景下发电侧储能综合价值评估及政... 报告2023-08-23中国人才研究会汽车人才业余委员会：碳中和背景下氢能及燃料电池人才钻研报... 报告2023-08-14东南大学电力系统自动化研究所：基于电碳量化关系的低碳园区建设摸索 报告2023-08-14天然碳汇研究院：2023年寰球逐日二氧化碳排放报告 报告2023-08-14中国环境科学研究院：中国城市双碳指数摘要报告（2021-2022） 报告2023-08-14中电联电力倒退研究院：中国电力企业低碳转型实际钻研报告2022 报告2023-08-10建科环能：2023双碳指标下的热泵供暖路线钻研摘要报告 报告2023-08-10艾瑞征询：2023年中国中小企业绿色低碳倒退门路钻研报告 报告2023-08-09自然资源爱护协会：碳中和指标下山西省焦化产业转型倒退和定位钻研 报告2023-08-04中国联通：数字技术赋能零碳城市建设白皮书 报告2023-08-03第一财经研究院：低碳文旅博鳌白皮书 报告2023-08-02生态环境部：国家低碳城市试点工作停顿评估报告 报告2023-07-31中国建筑节能协会：中国城市绿色低碳建材利用现状评估报告 报告2023-07-31IGDP：“一带一路”六国电力行业绿色低碳化剖析 报告2023-07-28IDC&华为：2022年修建近零碳降级白皮书 报告2023-07-28浙江大学：浙江省减污降碳协同翻新区建设蓝皮书2023 报告2023-07-26凯捷：低碳氢报告：一条通往绿色将来的路线 报告2023-07-22兴证寰球基金：2022年度兴证寰球基金治理有限公司碳中和报告 报告2023-07-20ICF：2022中国碳价调查报告 报告2023-07-20自然资源爱护协会：面向碳中和的氢冶金倒退策略钻研 报告2023-07-20中国能源模型论坛：黄河流域绿色低碳转型指标下的水-能源-食粮-生态系统... 报告2023-07-20第一财经：“碳”路将来-低碳游览指引手册 报告2023-07-20中国21世纪议程管理中心：中国二氧化碳捕集利用与封存(CCUS)年度报... 报告2023-07-13绿色江南：2023长三角地区重点排污单位（医药制造业）碳排放信息披露观... 报告2023-07-13仲量联行：中国中央商务区低碳评估体系 报告2023-07-11NRDC：2023绿色金融反对林业碳汇机制和模式翻新钻研报告 报告2023-07-11MSC：2022低碳办公联盟-10×10可继续新创想企业案例手册 报告2023-07-08绿色战争：中国快递行业的碳排放钻研发现摘要 报告2023-07-07国家能源团体：发电畛域低碳转型新技术 报告2023-07-07火石发明：2023碳中和时代下氢能产业链倒退钻研报告 报告2023-07-05中国信通院：2022年数字技术赋能碳中和案例汇编 报告2023-07-03社会价值投资联盟：2023成都高新区碳中和服务业枢纽策略钻研报告 报告2023-07-03赛迪智库：包装行业绿色低碳倒退蓝皮书2023 报告2023-07-03德勤\&IBFed：银行业在寰球经济低碳转型中的作用 报告2023-07-03清华大学江亿：建设修建畛域迷信的碳排放核算办法 报告2023-07-01绿色战争：中国三大重点区域气候口头力评估：京津冀、长三角、粤港澳最新低... 报告2023-07-01仲量联行：行舟绿水前-物业与资产双碳治理必修课 报告2023-06-30复培新资料：摸索将来低碳绿色建材方向 报告2023-06-26滴滴&商道纵横：2023数字出行助力零碳交通 报告2023-06-26绿色战争：2023“双碳”指标下绿色投融资停顿简报 报告2023-06-25清华大学环境学院：循环经济助力中国碳中和指标实现的后劲-以塑料、纺织及... 报告2023-06-23中国省级双碳指数钻研课题组：中国省级双碳指数摘要报告2021-2022 报告2023-06-22西安交通大学管晓宏：零碳智慧能源零碎与能源反动 报告2023-06-16广东城乡设计研究院：广东省碳排放量与影响因子间的关系钻研及情景预测钻研... 报告2023-06-16中国海内宏洋团体有限公司：2023碳和白皮书放慢能源转型 报告2023-06-14第一太平戴维斯：城市更新白皮书系列：城市可继续经营的双碳之路 报告2023-06-14艾瑞征询：2023年中国碳纤维行业报告 报告2023-06-14MSC征询：环保行业中国民营企业碳中和践行现状调研 报告2023-06-11中国能源模型论坛：减速低碳转型，赋能2035漂亮中国-执行摘要 报告2023-06-11神木将来碳中和研究院：双碳指标下的时机和门路 报告2023-06-08中国建筑节能协会：瑞士2050年脱碳门路及建筑行业的相干政策 报告2023-06-06深圳市计量品质检测研究院：国内外碳脚印规范现状钻研报告粤港澳大湾区碳足... 报告2023-06-06罗戈钻研：供应链物流碳治理数字化与科技翻新 报告2023-06-04国家知识产权局：2023寰球绿色低碳技术专利统计分析报告 报告2023-06-04TfS：化工行业产品碳脚印指南 报告2023-06-04罗戈钻研：企业供应链零（低）碳实际 报告2023-06-02中国环境与倒退国内单干委员会：2023碳达峰、碳中和政策措施与施行门路... 报告2023-05-30逸动科技：2023船艇电动化低碳翻新白皮书 报告2023-05-28东南大学：面向新型电力系统的修建元胞低碳敌对互动技术钻研 报告2023-05-28清华三峡气象与低碳核心：绿电交易机制及绿电消纳保障市场机制报告 报告2023-05-27罗戈钻研：物流园区零（低）碳实际报告 报告2023-05-27清华大学：寰球能源基础设施数据库建设及2019-2021年碳锁定核算 报告2023-05-26头豹：2023年钠离子电池硬碳负极资料行业概览-钠离子电池产业化要害-... 报告2023-05-20中国电力迷信研究院：电力系统碳中和门路与新型电力系统构建关键技术 报告2023-05-17中英绿色金融中心：减速气象口头：机构投资者参加反对企业低碳转型 报告2023-05-14阿里云计算：数智技术为园区节能降碳提供新动能（2023） 报告2023-05-14中国人民大学：中国人口将来消费行为及其碳排放含意钻研 报告2023-05-13清华三峡气象与低碳核心：能源央企服务国家碳达峰碳中和行动指南报告 报告2023-05-10ABB：电气碳中和白皮书2.0-电网行业解决方案 报告2023-05-10浙江大学：电力市场和碳市场的交互作用（2023） 报告2023-05-09头豹：2022年中国碳纤维行业短报告-新兴畛域需要暴发-产业扶摇直上（... 报告2023-05-09清华三峡气象与低碳核心：中国的绿色金融与碳金融体系报告 报告2023-05-09北京绿金院：中国碳中和畛域创投趋势（2022）摘要报告 报告2023-05-07ABB：电气碳中和白皮书2.0-零碳智慧园区规范解决方案 报告2023-05-06Meltwater融文：ESG专题研究-浅析农业绿色低碳转型之路 报告2023-05-03近景科技：风机碳脚印与低碳倒退报告 报告2023-05-02寰球能源互联网倒退单干组织：基于寰球能源互联网的寰球碳中和门路 报告2023-04-30亚洲清洁空气核心：绿卡榜：中国卡车减污降碳停顿钻研 报告2023-04-29德勤：银行业气象中和过程：银行业在寰球经济低碳转型中的作用 报告2023-04-26华南理工大学：促成能源低碳转型的市场机制-从机制设计角度看如何防止“反... 报告2023-04-23国家电网：践行“双碳” 指标 特高压+柔直技术深刻翻新 报告2023-04-23绿色翻新倒退核心：畅想农业碳中和-一场新的绿色革命 报告2023-04-22中国信通院：寰球工业减碳贸易和对外投资政策钻研报告（2023年） 报告2023-04-21宇通轻卡：低碳驱动时代改革，科技承载美妙物流 报告2023-04-21罗戈钻研：2023中国低碳供应链&物流翻新倒退报告 报告2023-04-19路孚特：欧洲电力市场和碳市场最新实际 报告2023-04-19头豹：2023年中国零碳建筑行业词条报告 报告2023-04-18绿色翻新倒退核心：中国非二氧化碳温室气体减排综述报告 报告2023-04-17清华大学：新型电力系统的“碳”与“数”（2023） 报告2023-04-16能源基金会：2023中国碳普惠倒退与实际案例钻研报告 报告2023-04-16安永：2023餐饮企业低碳倒退白皮书 报告2023-04-14阿里巴巴\&WIETOP：2023中国年轻人低碳生存白皮书 报告2023-04-13兴业证券&联合国开发计划署：中国“双碳”投资地图2022 报告2023-04-05联合国寰球契约组织：企业“碳中和”指标设定、口头及寰球单干-践行寰球发... 报告2023-04-03Impact Hub Shanghai：翻新生态驱动零碳转型模式察看（... 报告2023-04-02清华大学：新型电力系统的“碳”与“数” 报告2023-03-28青合新碳：零碳将来-青少年校园社区行动指南 报告2023-03-27电力规划设计总院：“双碳”策略下我国新型电力系统倒退瞻望 报告2023-03-26绿普惠：中国碳普惠倒退与实际案例钻研报告 报告2023-03-20博锐尚格：中国购物中心能源与碳数字化转型钻研报告 报告2023-03-17安永：国内财务报告准则利用-能源转型：碳捕集与封存的会计思考事项 报告2023-03-17施耐德：助力双碳打算、实现可继续倒退 报告2023-03-16安永：金融业“双碳”转型前景剖析白皮书 报告2023-03-15重庆大学\&CABEE：2022中国城乡建设畛域碳排放系列钻研报告 报告2023-03-14中国建筑节能协会：2022修建能耗与碳排放钻研报告 报告2023-03-09国内能源署：2022年二氧化碳排放报告 报告2023-03-07观奕资本：2022碳中和产业钻研报告 报告2023-03-04亚太森博纸业：2022百旺文化用纸碳中和白皮书 报告2023-03-02施耐德电气：奔向长青-碳中和及可继续倒退高管洞察 报告2023-03-02联想集团：2022碳中和口头报告 报告2023-03-01华信征询：中国数据中心产业低碳倒退实际钻研（2023年） 报告2023-02-28赛迪参谋：中国LNG冷能利用产业倒退与双碳经济价值钻研报告 报告2023-02-26清华&力拓：中国资源能源与可继续倒退-金属碳中和策略钻研专题报告 报告2023-02-25BCG：企业“碳中和”指标设定、口头及寰球单干 报告2023-02-25安永：2023银行保险机构碳中和策略白皮书 报告2023-02-23中国建筑节能协会：2022修建能耗与碳排放钻研报告 报告2023-02-19中国建筑节能协会：2022中国城镇污水处理碳排放钻研报告 报告2023-02-14中国绿色工业翻新联盟：碳达峰碳中和行业汇编（2022） 报告2023-02-12中国建筑节能协会：2022中国城市生存垃圾处理碳排放钻研报告 报告2023-02-12中国建筑节能协会：2022中国城乡建设畛域碳排放系列钻研报告 报告2023-02-11中国信通院：2022年区域碳达峰碳中和倒退布局白皮书 报告2023-02-08欧普照明：照明畛域助力双碳美妙城市建设的教训分享 报告2023-02-07清华大学碳中和研究院：中国碳中和与清洁空气协同门路（2022） 报告2023-02-06CAYA：2022“双碳”人才洞察报告 报告2023-02-06亿渡数据：2022年中国SIC碳化硅器件行业深度钻研报告 报告2023-02-03世界资源研究所：精准施策：中国省级交通畛域二氧化碳排放核算办法钻研 报告2023-01-30华夏理财：中国转型金融钻研报告：债权工具反对电力行业低碳转型2022 报告2023-01-30世界经济论坛：被迫碳市场：处于拐点的气象融资（英文版） 报告2023-01-29MSC：低碳骑行通勤激励策略工具-低碳通勤的N种可能 报告2023-01-27中国电信：中国电信碳达峰口头白皮书 报告2023-01-25能源基金会：先立后破，迈向零碳电力-摸索适宜中国国情的新型电力系统实现... 报告2023-01-25妙盈研究院：中国零碳之路（上）-电力供应篇 - 电网侧脱碳的绿色投资机... 报告2023-01-25湖北产教交融教育研究院：企业碳资产管理策略及案例 报告2023-01-25电子规范院：碳达峰碳中和工作简报（2022年12月刊） 报告2023-01-25清华五道口：煤炭开采、 燃煤发电、钢铁行业上市公司碳排放现状和转型剖析 报告2023-01-19能源与交通翻新核心：广东省道路交通净零碳排放路线图 报告2023-01-19中国工业经济联合会：中国工业和信息化绿色低碳倒退报告2022 报告2023-01-16SAP：数字技术支持能源行业低碳转型白皮书 报告2023-01-15中国信通院：区域碳达峰碳中和倒退布局白皮书（2022年） 报告2023-01-14绿色战争：2022中国次要汽车集团低碳化转型体现 报告2023-01-13碳阻迹：中国碳价预测报告（2022年） 报告2023-01-11万纬物流：2022近零碳智慧物流园区白皮书 报告2023-01-10ICAP：2022年度寰球碳市场停顿报告（英文版） 报告2023-01-07生态环境部：全国碳排放权交易市场第一个履约周期报告 报告2023-01-04易观剖析：2022年双碳背景下汽车行业倒退洞察 报告2023-01-03中国节能协会：碳达峰碳中和门路与实际2022 报告2023-01-01中国电子视像行业协会\&TCL：中国半导体显示产业碳中和白皮书 报告2023-01-01

原文链接：http://tecdat.cn/?p=20882 原文出处：拓端数据部落公众号  1导言这篇文章探讨了为什么应用狭义相加模型 是一个不错的抉择。为此，咱们首先须要看一下线性回归，看看为什么在某些状况下它可能不是最佳抉择。 \  2回归模型假如咱们有一些带有两个属性Y和X的数据。如果它们是线性相关的，则它们可能看起来像这样： a<-ggplot(my_data, aes(x=X,y=Y))+ geom_point()+  为了查看这种关系，咱们能够应用回归模型。线性回归是一种应用X来预测变量Y的办法。将其利用于咱们的数据将预测成红线的一组值： a+geom_smooth(col="red", method="lm")+  这就是“直线方程式”。依据此等式，咱们能够从直线在y轴上开始的地位（“截距”或）开始形容，并且每个单位的x都减少了多少y（“斜率”），咱们将它称为x的系数，或称为）。还有一点天然的稳定，如果没有的话，所有的点都将是完满的。咱们将此称为“残差”（）。数学上是： 或者，如果咱们用理论数字代替，则会失去以下后果：     这篇文章通过思考每个数据点和线之间的差别（“残差）而后最小化这种差别来估算模型。咱们在线的上方和下方都有正误差和负误差，因而，通过对它们进行平方并最小化“平方和”，使它们对于预计都为正。这称为“一般最小二乘法”或OLS。 \  3非线性关系如何？因而，如果咱们的数据看起来像这样，咱们该怎么办：   咱们刚刚看到的模型的要害假如之一是y和x线性相关。如果咱们的y不是正态分布的，则应用狭义线性模型 （Nelder＆Wedderburn，1972） ，其中y通过链接函数进行变换，但再次假如f（y）和x线性相关。如果不是这种状况，并且关系在x的范畴内变动，则可能不是最合适的。咱们在这里有一些抉择： 咱们能够应用线性拟合，然而如果这样做的话，咱们会在数据的某些局部下面或者上面。咱们能够分为几类。我在上面的图中应用了三个，这是一个正当的抉择。同样，咱们可能处于数据某些局部之下或之上，而在类别之间的边界左近仿佛是精确的。例如，如果x = 49时，与x = 50相比，y是否有很大不同？咱们能够应用多项式之类的变换。上面，我应用三次多项式，因而模型适宜：。这些的组合使函数能够润滑地近似变动。这是一个很好的抉择，但可能会极其稳定，并可能在数据中引起相关性，从而升高拟合度。 \  4样条曲线多项式的进一步细化是拟合“分段”多项式，咱们在数据范畴内将多项式链在一起以形容形态。“样条线”是分段多项式，以绘图员用来绘制曲线的工具命名。物理样条曲线是一种柔性条，能够蜿蜒成形，并由砝码固定。在结构数学样条曲线时，咱们有多项式函数，二阶导数间断，固定在“结”点上。 上面是一个ggplot2 对象，该 对象的 geom_smooth 的公式蕴含ns 函数中的“天然三次样条”  。这种样条曲线为“三次”，并且应用10个结 \  5润滑函数样条曲线能够是润滑的或“摇晃的”，这能够通过扭转节点数（k）或应用润滑惩办来管制。如果咱们减少结的数目，它将更“摇晃”。这可能会更靠近数据，而且误差也会更小，但咱们开始“适度拟合”关系，并拟合咱们数据中的噪声。当咱们联合润滑惩办时，咱们会惩办模型中的复杂度，这有助于缩小适度拟合。 \  6狭义相加模型（GAM）狭义加性模型（GAM）（Hastie，1984）应用润滑函数（如样条曲线）作为回归模型中的预测因子。这些模型是严格可加的，这意味着咱们不能像失常回归那样应用交互项，然而咱们能够通过从新参数化作为一个更润滑的模型来实现同样的成果。事实并非如此，但实质上，咱们正转向一种模型，如： 摘自Wood （2017） 的GAM的更正式示例 是： 其中： i≡E（Yi），Y的冀望Yi〜EF（i，i），Yi是一个响应变量，依据均值i和形态参数的指数族散布。Ai是任何严格参数化模型重量的模型矩阵的一行，其中为对应的参数向量。fi是协变量xk的润滑函数，其中k是每个函数的根底。如果您要建设回归模型，但狐疑润滑拟合会做得更好，那么GAM是一个不错的抉择。它们适宜于非线性或有噪声的数据。\  7 gam拟合  那么，如何 为上述S型数据建设 GAM模型？在这里，我将应用三次样条回归 ： gam(Y ~ s(X, bs="cr")下面的设置意味着： s()指定光滑器。还有其余选项，然而s是一个很好的默认选项bs=“cr”通知它应用三次回归样条（'basis'）。s函数计算出要应用的默认结数，然而您能够将其更改为k=10，例如10个结。\  8模型输入：查看模型摘要： ## ## Family: gaussian ## Link function: identity ## Parametric coefficients:## Estimate Std. Error t value Pr(>|t|) ## (Intercept) 43.9659 0.8305 52.94 <2e-16 ***## ---## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## ## Approximate significance of smooth terms:## edf Ref.df F p-value ## s(X) 6.087 7.143 296.3 <2e-16 ***## ---## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1## ## R-sq.(adj) = 0.876 Deviance explained = 87.9%## GCV = 211.94 Scale est. = 206.93 n = 300显示了咱们截距的模型系数，所有非润滑参数将在此处显示每个润滑项的总体含意如下。这是基于“无效自由度”（edf）的，因为咱们应用的样条函数能够扩大为许多参数，但咱们也在惩办它们并缩小它们的影响。\  ...

原文链接：https://tecdat.cn/?p=35208原文出处：拓端数据部落公众号以后，科技反动和产业革命的新浪潮正在推动数字技术的迅猛发展，它正粗浅扭转着人类社会的思维、组织和运作形式。这一改革为咱们带来了翻新、重塑和倒退的新机遇，同时也带来了新的挑战。数字技术的广泛应用曾经渗透到社会的各个领域，并对教育的将来倒退产生了深远的影响。联合国、各国政府及国内组织都在踊跃应答，将数字教育视为应答挑战、开辟将来的要害路径。数字化转型已成为寰球教育转型的外围方向。浏览原文，获取专题报告合集全文，解锁文末69份数字教育相干行业钻研报告。 在联合国教育改革峰会上，教育数字化改革被列为五大重点口头畛域之一，旨在确保所有学习者都能从数字反动中受害。许多国家曾经制订了数字化倒退策略，并将教育作为其重要组成部分。中国也在踊跃施行国家教育数字化策略口头，以丰盛数字教育资源，构建凋谢的学习环境，并推动新技术与教育学习的交融，从而减速教育数字化转型的过程。 五分钟课程社会的疾速倒退推动一生学习的全球性需要。中国政府致力于利用古代信息技术和数字资源，促成全民学习，扩充优质教育资源覆盖面，建设学习型社会。2012年，国家凋谢大学启动“五分钟课程建设工程”，推出5至15分钟的微型视频课程，满足挪动互联网时代随时随地学习的需要，适应碎片化学习模式。我的项目还搭建“五分钟课程网”，为社会提供凋谢共享的学习交流平台。 通过十多年的致力，国家凋谢大学胜利研发了5.8万个“五分钟课程”，这些课程涵盖了学历教育、非学历教育和老年教育，并细分为23个大类，包含迷信、工程、教育、思政、经济、治理、农林、牧渔、历史、社科、法律、文化、外语、传媒、饮食、生存、保健、文艺、绘画、音乐、书法、棋牌和静止等。这些五分钟课程是依据主讲老师和主讲内容精心布局和设计的，每个系列蕴含10到30个五分钟视频，既能够作为独立的学习单元，也能够组成一门残缺、递进、继续和体系化的课程。这样的设计既反对了碎片化学习，也满足了学习者零碎深刻摸索某一畛域常识和技能的需要。 国家凋谢大学研发5.8万五分钟课程，涵盖多畛域，灵便设计，反对碎片与零碎学习，推出153个专题，加强平台吸引力。在海量优质课程资源的根底上，平台针对不同学习者的需要和社会热点话题，对五分钟课程资源进行精心组合，造成专题。目前已推出153个微课专题，涵盖中国教育史、中国戏曲艺术、中国传统手工艺、老年心理、新冠防控、园林设计根底、节水灌溉技术等畛域。专题的设计进一步凸显了“五分钟课程”作为细颗粒度的模块化资源在二次开发、灵便组接、可堆栈等方面的劣势。 此外，我的项目还开发了一系列扩展性版块，以满足新业务需要和学习者的多元化需要。其中，“名师”版块让学习者有机会与出名专家近距离接触，领略巨匠风采；“培训”版块提供五分钟微课的设计理念与制作方法，让学习者参加微课程的设计与制作，晋升自我能力；“机构频道”版块吸引了16个微课设计机构独特参加，丰盛了微课程的起源和形成，促成了资源的共建共享。这些扩展性版块的设立，进一步加强了“五分钟课程”平台的吸引力和实用性。 本专题内的参考报告（PDF）目录华中科技大学：2023中国人工智能艺术教育白皮书 报告2024-02-19互联网教育国家工程钻研核心：国内数字教育案例汇编 报告2024-02-19之江实验室：2023重构教育图景：教育专用大模型钻研报告 报告2024-02-15量子位智库：AIGC教育行业全景报告 报告2024-02-07艾瑞征询：2024年AIGC+教育行业报告 报告2024-02-06果壳心理：2023中国青少年家庭教育白皮书 报告2024-01-30讯飞教育技术研究院：2023智能教育倒退蓝皮书-智能技术助推教育数字化... 报告2024-01-29多鲸：2024少儿编程教育行业发展趋势报告 报告2024-01-25巨量算数&CTR：2024巨量引擎教育行业钻研报告 报告2024-01-17品质与可靠性业余教育联盟：2023品质与可靠性业余人才培养和行业人才需... 报告2024-01-15联合国教科文组织：2024人工智能时代的高等教育白皮书 报告2024-01-11小红书：小红书2023年11月教育行业月报 报告2023-12-26经合组织：2023年教育报告 报告2023-12-21百度：2023百度百家号教育变现爆款手册素材 报告2023-12-21小红书：2023教育行业白皮书-拆解花园式经营 报告2023-12-05武汉大学：2023武汉大学数智教育白皮书-数智人才培养篇 报告2023-12-03联合国教科文组织：2023人工智能时代的教育报告 报告2023-11-30多鲸：2023中国职业教育行业发展趋势报告 报告2023-11-28联合国教科文组织：撒哈拉以南非洲高等教育数字化转型调研报告 报告2023-11-23常熟市商务局&淘宝教育：2023常熟产业带电商倒退报告 报告2023-11-12CIT&北师大：2023年OpenHarmony智慧教育配备畛域利用白... 报告2023-11-10中国互联网协会：“5G+智慧教育” 倒退及产业图谱白皮书 报告2023-11-03腾讯广告&AgeClub：2024中老年趣味教育课程营销指南 报告2023-10-25飞书点跃：2023年教育利用出海市场洞察报告 报告2023-10-20CIT&华为：2023虚拟现实教育利用白皮书-实践、技术与实际 报告2023-10-08CIT&华为：2023虚拟现实教育利用白皮书-实践、技术与实际 报告2023-10-07西窗科技：2023翻新教育产品出海营销指南 报告2023-09-22Rival IQ：2023年高等教育社交媒体参加报告 报告2023-09-13腾讯云区块链教育版：产学联合助力区块链人才培养 报告2023-08-21UNESCO：2023年寰球教育监测报告（英文版） 报告2023-08-10腾讯云&芥末堆：教育行业海内市场洞察解读 报告2023-08-01中国互联网协会：集体消费类教育智能硬件倒退报告（2023年） 报告2023-07-26巨量算数：常识守护成长，教育驱动将来-解读抖in领学官第六季，洞察抖音... 报告2023-07-24北京大学：教育数字化转型供应侧生态倒退现状报告 报告2023-07-09艾瑞征询：2023年寰球课后服务行业报告-教育与社会问题的价值耦合与全... 报告2023-06-29北京大学：实然与应然：教育数字化转型供应侧生态倒退现状调研报告（202... 报告2023-06-24元宇宙交换与实验室：2023教育元宇宙倒退钻研报告 报告2023-06-17沙利文：2023元宇宙+教育科技白皮书 报告2023-06-13小红书：小红书教育行业营销沙龙 报告2023-06-09科大讯飞：2022智能教育倒退蓝皮书-智能技术助力教学减负增效 报告2023-06-05ACCA：2023年中国高校智能财会教育倒退钻研报告 报告2023-06-05厚仁教育团体：2023留美中国学生现状白皮书：劝退学生群体情况剖析 报告2023-05-29新京报&千龙智库：UP新力量-2022年度智慧教育品牌影响力剖析报告 报告2023-05-2321世纪教育研究院：应答人口变局_深入教育改革 报告2023-05-19ACCA：2023年中国高校智能财会教育倒退钻研报告 报告2023-05-16巨量算数：2023年第一季度抖音教育行业线上倒退指数报告 报告2023-05-14联合国：教育改革峰会资料汇编 报告2023-05-13磁力引擎：2023教育行业投放素材优化手册 报告2023-05-02华东师大：AIGC技术给教育数字化转型带来的时机与挑战 报告2023-04-28世界经济论坛：教育4.0报告 报告2023-04-22百家号：这家爸妈育娃指南-2023年家庭教育创作者报告 报告2023-04-20联合国教科文组织：共建寰球高等教育数字化转型生态系统-国内网络教育学院... 报告2023-04-10网经社：2022中国电商&数字衰弱&数字教育“死亡”数据报告 报告2023-04-06中国移动通信联合会：2023中国区块链产业人才需求与教育倒退报告 报告2023-04-04天猫&淘宝教育&清渠数据：2023天猫服饰行业春夏趋势白皮书 报告2023-04-04网经社：2022年度中国数字教育生产投诉数据与典型案例报告 报告2023-04-03布鲁斯金学会：教育体制转型 报告2023-03-31艾瑞征询：中国教育行业市场需求洞察报告——青少年儿童篇 报告2023-03-24艾瑞征询：中国教育行业市场需求洞察报告——成年人篇 报告2023-03-24教育部：世界数字教育大会资料汇编 报告2023-03-12AppGrowing：2023教育培训广告投放洞察 报告2023-03-08联想：智慧教育技术白皮书（2023版） 报告2023-02-16新榜有赚：2023在线职业教育社媒营销报告 报告2023-02-14网经社：2022年中国数字教育投融资数据报告 报告2023-02-06CIO时代：中国智慧教育白皮书-基于信创体系的智慧教育（2022） 报告2023-02-01湖北产教交融教育研究院：企业碳资产管理策略及案例 报告2023-01-25中国医药教育协会：2022数字医疗翻新倒退报告 报告2023-01-19炼石网络：工信、金融、交通、医疗、教育五部委数据安全法规解读 报告2023-01-17巨量算数：2022教育行业钻研白皮书 报告2023-01-06

原文链接：https://tecdat.cn/?p=34873原文出处：拓端数据部落公众号在数字经济时代，治理和观点的转变与技术冲击同样重要。翻新是这个时代的主旋律，也是企业倒退不可或缺的门路。 寰球经济正在经验以信息技术为外围的第四次经济反动，进入数字化转型时代。对于传统企业而言，数字化转型已成为必须采取行动的问题，而非可选项。浏览原文，获取专题报告合集全文，解锁文末302份数字化转型相干行业钻研报告。 数字化转型洞察与实际为了更好地了解数字化转型的概念，合集总结国家层面的政策动作，梳理企业在转型过程中面临的典型问题，并提出可行的门路，合集梳理了相干内容，并提炼了行业专家的外围观点和典型企业实际案例。 数字化转型带来了许多业务价值。在云计算、大数据、物联网和人工智能等新技术的推动下，数字化转型为企业带来了实实在在的价值。据调研数据显示，数字化转型中排名前三的业务价值包含： 1.利用云计算、大数据、物联网、人工智能等新生产因素进步生产效率； 2.基于挪动利用进步商业创新能力； 3.通过数字化转型实现商业新动能。 从行业角度来看，除了医疗卫生行业的挪动利用排名第一外，其余行业排名第一的业务价值均是“利用大数据、物联网和人工智能等新生产因素进步生产效率”。然而，因为不同行业所面临的问题不同，因而数字化转型的侧重点也有所不同。具体数据请参见附表（附原数据表）。 金融服务：随着互联网金融和挪动金融的疾速倒退，金融行业的业务危险程度也迅速回升。因而，数字化转型为金融行业带来的最大业务价值是通过大数据分析、物联网和人工智能来欠缺金融风险治理，晋升整体风控能力。 制造业：大数据、物联网和人工智能作为新的生产因素，疾速进步了制造业的生产效率。制造业的数字化转型侧重于疾速倒退工业物联网和人工智能，以实现智能制作。 电信与通信：5G技术的商用化不仅带来了网络性能重组，还带来了海量数据。因而，在数字化转型中，电信与通信行业更加重视通过大数据、物联网和人工智能，通过业务全渠道，实现业务翻新的同时晋升用户体验。 政府：对于政府机构而言，各级机构之间甚至同一机构的各部门之间往往存在数据隔离的问题。为了实现构建一体化政务服务平台的指标，政府的首要任务是通过数据整合和剖析进步服务和管理效率。 医疗卫生：医疗行业更加器重数字化转型过程中挪动利用对于业务创新能力的晋升。互联网、大数据、物联网、人工智能和可穿戴设施等技术的倒退推动了挪动医疗的疾速倒退。通过挪动医疗拓展医疗服务的深度和广度（例如社区医院、挪动挂号APP等），医疗行业用户可能在简化整个医患流程的同时，进步服务水平和效率。 数字化转型指数数字化转型指数报告2022合集依据“基础设施－平台－利用”三层指标体系，对全国300余个城市、10余个行业的数字化倒退规模进行了评估。该报告提供了覆盖全国范畴的季度数字化转型指数，为各行各业推动数字化转型提供了无益的参考。报告的评估后果能够帮忙各个城市和产业理解以后数字化转型的状况，为其制订相干策略和决策提供领导。 我国数字经济规模从11万亿增长到超过45万亿，在过来的十年间迈入新阶段，为经济社会倒退提供了弱小的能源。数字化转型指数报告2022合集充沛展现了我国数字经济倒退的强劲势头。 该报告合集全面洞察和评估了全国351个城市和18个次要行业的数字化转型，采纳城市和行业两个次要视角进行综合剖析。在行业指标方面，报告选取了云计算、人工智能和麻利研发等三个要害指标进行综合测算，与国家重点政策如“上云用数赋智”相响应。 报告显示，数字化转型指数持续上升，但增速有所趋缓。平台在推动数字化转型方面依然施展着显著作用，反映出平台继续推动生态复原和倒退的普惠价值。同时，云计算、人工智能等数字基础设施的倒退也减速开释了增长势能，对整体增长做出了重要奉献。 指数形成及计算方法数字化转型指数依据基础设施层、平台层和应用层的三个档次进行加权均匀，而各维度的分指数也采纳了相似的办法，通过对二级指标进行加权均匀计算得出。具体指标形成如下： 基础设施指数：云计算人工智能平安平台指数：领取电商影视娱乐利用指数：数字化洽购数字化研发数字化合作（如会议、文档）最终得出了覆盖全国300余个城市和10余个行业的季度数字化转型指数，工夫区间为2020年第一季度到2022年第一季度的九个季度，其中2020年第一季度为指标计算的基准期。 从城市角度来看，北京、上海、深圳和广州仍然位居前列，持续领跑数字化转型。而其余后位城市的排名则有所浮动。上海和北京在2020年第一季度到2022年第一季度的九个季度中稳居数字化转型指数榜单的第一梯队。大部分期间，北京名列城市榜单首位，但在2022年第一季度，上海凭借在基础设施指数方面的劣势超过北京，夺得了榜首位置。第二梯队中，深圳和广州的格局绝对稳固，深圳持续保持第三名的地位。 第三梯队中，各城市的数字化转型指数差距不大，但后位城市的排名始终在继续变动。其中，成都和杭州的排名放弃不变，数字化倒退绝对稳固；而重庆和西安的排名有所回升，数字化转型出现绝对较好的成长态势。 中国企业数字化年度指南2023年，AIGC等技术创新再次点燃了技术反动、产业赋能和科技翻新守业的激情。AIGC利用疾速渗透到寰球各行业和场景，新技术的有效性已失去验证，将催生新的商业模式和新物种，重塑生产生存形式，发明新价值。 每家企业都有机会成为智能企业，人类将在更多畛域解放想象力和创造力，为社会注入新生机。尽管面临阻力和摩擦，但社会对效率和人类对幸福生活的谋求将推动技术向前倒退。 优良企业已率先拥抱变动，咱们置信社会将相熟新技术和新模式，以更平安、无效、先进的形式施展技术最大价值。企业的基本是为客户发明价值和更好的体验，新技术为企业解决终极问题提供了新思路和新办法。 数据洞察、经营优化与供应链治理、晋升客户体验是数字化转型的三大外围议题。因为不同的数字化能力对企业业务价值和重要性的影响不同，因而企业在构建数字化能力时，会依据本身业务需要和倒退指标，制订不同的策略。这些策略的差别次要体现在以下几个方面： 首先，企业会依据数字化能力的不同，抉择不同的技术、工具和平台。例如，对于数据分析和洞察能力，企业可能会抉择应用大数据、人工智能等技术来开掘数据价值，为商业决策提供反对。 其次，企业在构建数字化能力时，会重视不同的方面。例如，一些企业可能更重视晋升用户体验，通过数字化伎俩优化产品和服务，进步客户满意度。而另一些企业可能更重视优化经营和供应链治理，通过数字化伎俩提高效率和品质。 最初，企业在构建数字化能力时，也会思考到不同的倒退阶段和指标。例如，初创企业可能更重视翻新和疾速响应市场变动，而成熟企业可能更重视稳固和可持续性倒退。 在考察中，咱们发现超过七成的受访企业都关注如何使用数据分析与洞察实现迷信的商业决策。这一数字较2021年的调研后果增长了5%，表明越来越多的企业开始意识到数据分析和洞察在商业决策中的重要性。 同时，在针对企业将来数字化实际重点的调研中，往年的调研后果与2021年放弃高度一致。数据驱动的洞察与决策、数字化经营与供应链、以客户为核心的设计成为企业广泛且继续关注的前三项重点数字化实际。这表明企业在数字化转型中依然重视这些方面的实际和倒退。 综上所述，因为不同的数字化能力对企业业务价值和重要性的影响不同，企业在构建数字化能力时会有不同的策略和重点。同时，随着数字化转型的深刻推动，企业对数据分析和洞察、数字化经营和供应链治理、以客户为核心的设计等重点畛域的关注度将继续进步。 中国企业数字化转型指数过来五年，寰球颠覆指数增长了两倍，显示寰球企业正面临着“挤压式转型”的微小压力。为了加强韧性并放弃持续增长，中国企业有必要启动全面重塑策略。依据最近埃森哲的钻研，仅有2%的中国企业曾经开始了这种全面重塑，成为了行业的“重塑者”。 为了适应寰球环境中一直减少的不确定性和复杂性，数字化转型指数框架已失去了降级，从新定义了企业重塑所需的五大要害能力。中国企业逐步意识到，数字化并不仅仅是一个技术概念或抉择，而是曾经回升到了关乎企业生死存亡的整体策略的高度。 在应答来自内外部的多重压力时，中国企业须要展现出迅速的反馈能力，将各种压力转化为机会。消费者需要的变动、气候变化和技术革新正在独特推动寰球商业环境产生粗浅改革，企业须要及时调整策略，找到最适宜本人的倒退路线。 2019-2023年，企业器重数字化转型，关注利用和业务指标，器重数据安全、合规和翻新商业利用，重视绿色供应链，器重人才和造就。从2019年到2023年，对于中国企业数字化转型的文章数量增长了12倍，数字化转型的探讨热度显著晋升。 随着技术的变革，中国企业逐步意识到数字化转型的重要性，并将其纳入整体策略。同时，企业在人工智能、云技术、大数据等畛域的探讨也转向了理论利用和成果，更加关注技术投资是否能实现业务指标。寰球对数据安全的器重水平一直进步，使得数据价值开掘、数字平安、数据合规都成为中国企业不可漠视的问题。另一方面，随着前沿技术的一直开发与积攒，企业将这些技术从摸索阶段深刻到创新性、定制化、更为灵便的商业利用。在数字化转型中，可继续倒退的重要性显著晋升，许多中国企业开始思考打造碳中和工厂和绿色供应链。此外，人才成为企业数字化转型的重要组成部分，对人才的治理造就以及对转型文化的孕育成为了新的热点议题。 数字化经营"放眼世界，咱们面对的是百年未有之大变局"。在当今的世界中，百年变局与疫情交错，寰球经济受到大冲击，截至目前尚未从余波中脱身。物联网、云计算、人工智能、大数据、5G等技术的倒退突飞猛进，彼此间深度交融而迸发出的商业价值更是有限，成为寰球简直所有国家和地区经济倒退依靠的重要抓手。 在公布的十四五布局中，数字化倒退拓新与守成兼而有之。布局提出，促成数字技术与实体经济深度交融，赋能传统产业转型降级，同时催生新产业新业态新模式，壮大经济倒退新引擎。此外，布局提出适应数字技术全面融入社会交往和日常生活新趋势，促成公共服务和社会运行形式翻新，构筑全民畅享的数字生存。 现状∶近3成认为数字化经营无效进步资产管理效率资产经营治理方面，29%的受访者认为数字化赋予了精细化治理、能源配置调控等性能，无效进步了资产经营的管理效率，以及在可继续倒退指标方面施展着重要作用。简而言之，数字化切实实现了降本增效的指标。 数字化转型指数报告：公众数字化转型认知在企业的数字化转型过程中，员工对数字化工具的充分运用可能继续推动企业生产力的晋升。这些数字化工具并不仅仅是局限于某一方面的软件或者工具，而是波及整个业务链的数字化生态系统，不同的业务场景须要不同的工具、零碎或平台来反对。 依据调研数据，咱们发现有97.1%的受访者在工作中不同水平地应用了多种数字化工具。 从不同行业来看，办公协同工具在简直所有行业中都失去了广泛应用，其中能源矿产行业的使用率最高，达到60%。然而，不同行业也有其特殊性。例如，金融业对数据经营和营销服务工具的利用比例最高；而生产/加工/制造业则更重视生产管理工具的应用。 IT和金融行业更加认同数字化工具的效率晋升性能，而教育和物流行业更加器重数字化工具的降低成本的价值。不同行业的受访者依据本身工作实际，对数字化工具的工作赋能价值的认知存在差别。对于IT/通信/电子/互联网行业及金融业的从业者来说，“提效”价值的认同同样占据重要位置，认可比例达到四分之三以上。 其中，IT/通信/电子/互联网行业人士对数字化工具进步其工作效率的感知最为粗浅，同时对“降本”、“获客”、“拓新”、“增技”等价值的认可水平同样较高。 然而，并非所有行业都将“提效”放在首位。例如，文体教育/工艺美术行业与交通/物流行业的从业者更看重“降低生产老本”，这一比例超过五成。这可能与这些行业自身属于高老本投入行业无关。 智能汽车行业数字化人才随着新一轮技术反动和产业改革的推动，以及国家政策的鼎力搀扶，电动化、智能化、网联化曾经成为汽车行业倒退的新趋势。在这种背景下，各大企业纷纷抢夺数字化人才，以推动产品的规模化落地和商业化翻新利用。 “智能汽车行业数字化人才白皮书”的报告合集，其中指出，传统车企、造车新权势、头部互联网公司之间的数字化人才竞争愈演愈烈，技术人才需求景气指数也随之增高。此外，因为行业的勃兴，不同行业之间的人才流动也越来越频繁，IT技术服务、征询、电商行业的数字人才纷纷跨界退出“造车”行业。 能够看出，智能汽车行业的疾速倒退对数字化人才的需要也在一直增长，而人才的抢夺和流动也在一直推动着行业的提高和倒退。 随着汽车行业的疾速倒退，数字化人才短缺问题逐步凸显。车企争抢数字化人才，以应答新技术和新趋势的挑战。 依据调研数据，咱们能够看到大部分求职者偏向于抉择进入造车新权势，其中蔚来汽车受到55%的求职者青眼，小鹏汽车紧随其后，占比19%，现实汽车占比15%，而其余车企仅占11%。 在入职汽车行业后，65%的求职者认为专业技能是晋升本身竞争力的重要资本，而54%的求职者则更重视主动驾驶相干原理的晋升。 从以上数据能够显著看出，求职者对造车新权势的偏好高于传统车企，这可能与造车新权势在技术创新、企业文化和发展前景等方面的劣势无关。同时，对于进入汽车行业的求职者来说，专业技能和主动驾驶相干原理的晋升是他们关注的重点，这也反映了汽车行业对业余技术和创新能力的器重。 工业数字化/智能化2030自18世纪中期工业革命以来，人类进入工业社会。在历次工业革命中，人类通过发明创造和治理变革，改良生产方式、降低成本、提高效率，随之而来的是生存、物质、文化、教育等各方面的变动，人际关系和社会构造也得以重塑。现在，数字化技术的倒退为工业注入了新的生命力和能源。如何利用数字化转型发明更大价值，成为每个工业企业的必答题。 白皮书合集评估了中国工业企业的数字化程度，发现半导体、汽车、航空航天、石油化工行业的数字化程度最高，而采矿、建筑材料、轻工、纺织与服装等行业绝对落后。依据数字化指数和盈利能力两个维度，将16个子行业分为引领型、麻利型、前瞻型、审慎型和沉稳型五组行业画像，各组画像的数字化过程、倒退诉求和将来方向存在显著差别。 依据细项指标分数，数字化设计、设施数字化和生产数据主动采集的整体程度较高，是企业数字化转型的根底场景和能力。 在思考数字化指数和各行业盈利能力的根底上，咱们将16个子行业划分为五种行业画像，包含引领型行业、麻利型行业、前瞻型行业、审慎型行业和沉稳型行业。这些画像之间的数字化过程、倒退诉求和将来方向存在显著差别。 次要对以下五个行业的数字化水平进行了分类和剖析： 引领型行业：包含半导体、汽车、航空航天和石油化工。这些行业以技术密集、固定资产投入高、大规模和高精度生产、流程标准化为特点，最早开始数字化，并且在数字化转型方面较为成熟。麻利型行业：包含轨道交通、3C与家电、医药与食品、机械与设施。这些行业曾经具备肯定的数字化根底，将来的重点将是补齐短板，关注利用的协同和集成，以及大数据利用。前瞻型行业：包含公共事业、钢铁、有色金属和船舶。这些行业的企业依然敢为人先，推动数字化转型，将来的重点将是依据投入产出比进行数字化投资。审慎型行业：包含采矿和建筑材料。这些行业长期以来次要依赖人力劳动和教训传承，对数字化的价值认知较晚，因而口头绝对激进和审慎。将来的重点将是针对要害工序进行数字化革新，并逐渐扩充数字化范畴。沉稳型行业：包含轻工、纺织和服装。这些行业中中小企业数量泛滥，大部分企业受制于盈利能力和资金能力的限度，数字化转型绝对较慢。对于这些中小企业来说，重点是采纳轻量、低成本、疾速奏效的云化工业应用软件。总体而言，不同行业在数字化转型方面面临着不同的挑战和时机。通过深刻了解每个行业的特点和需要，能够为企业提供领导，推动数字化转型的顺利进行。 工业5G全连贯工厂气候变化是一个全球性挑战，须要国内单干来解决。目前，已有189个国家退出了《巴黎协定》，并且各大经济体纷纷承诺实现碳中和指标，如欧盟委员会的长期策略愿景，中国的碳达峰和碳中和指标，以及美国重新加入巴黎协定。 ICT行业是第一个响应巴黎协定的行业之一，正在踊跃采取行动。 ...

全文链接：http://tecdat.cn/?p=32249原文出处：拓端数据部落公众号凯恩斯相干实践次要是美国20世纪30年代的经济危机而提出的，主张政府干涉经济，履行宏观调控。 依照希克斯的观点，灵便偏好(L)和货币数量(M)决定着货币市场的平衡，而人们持有的货币数量既决定于利率(i)，又决定于支出(y)的程度。由此，在以纵轴示意利率、横轴示意支出的座标立体上，能够作出-条LM曲线。 (1) I(i)=S(Y) 即IS, Investment - Saving (2) M/P=L1(i)+L2(Y） 即LM，Liquidity preference - Money Supply 其中，I为投资，S为储蓄，M为名义货币量，P为物价水平，M/P为理论货币量，Y为总产出，i为利率。 曲线上的每一点都示意持有现金的欲望和货币数量相等，即货币需要和货币供应相一致，并且同既定的利率和收入水平相一致。 希克斯又认为，社会储蓄(S)和投资(I)的欲望，决定资本市场的平衡，而储蓄和投资又必须同收入水平和利率相一致。由此，在纵轴示意利率、横轴示意支出的坐标立体上，又可作出一条IS曲线，曲线上的每一点都示意储蓄等于投资，并且同既定的利率和收入水平相适应。 通过以上剖析，希克斯对支出的决定作出了新的解释，认为支出(Y)的平衡程度是由IS曲线与LM曲线的交点决定的，即凯恩斯体系的四大根基--生产函数、资本边际效率、灵便偏好和货币数量同时决定支出的平衡程度。在支出均衡点上，同时存在着以LM示意的货币市场的平衡和以IS示意的资本市场的平衡。　(1)IS曲线表明： ① I(i)=S(Y) 即IS, Investment - Saving ② M/P=L1(i)+L2(Y） 即LM，Liquidity preference - Money Supply 其中，I为投资，S为储蓄，M为名义货币量，P为物价水平，M/P为理论货币量，Y为总产出，i为利率。 对于上述公式的残缺和全面的证据能够参考由威廉·布兰森或多恩布什和费舍尔的教科书。 IS曲线：在IS曲线上的点代表的利息（I）和输入（Y），示意该市场处于均衡率的组合的含意，在这些组合，商品的总供给等于在商品经济的总需求。 LM曲线：LM曲线上的点代表的趣味（i）和输入的量，货币市场处于平衡率的组合，在这些组合中，货币总需求等于经济中的货币总供给。 IS曲线方程IS.curve <- function(c, A, b, i) {   y = (1/(1-c))*A - (1/(1-c))*b*i   return(y) }LM曲线方程罕用的定义从下面遵循;货币支出扭转交易需要的K灵敏度 LM.curve <- function(ms, h, k, i) {   y = ms/k + (h/k)*i   return(y) }函数来计算在IS和LM曲线的交点Intersect <- function(c, A, b, ms, h, k ,i) # 用克莱姆法令求解联立方程零碎 { a1 <- (1/(1-c)) * b b1 <- 1 c1 <- (1/(1-c)) * A a2 <- - (h / k)IS曲线绘制autonomous.component <- 100 mpc <- 0.5 b <- 0.75LM曲线绘制y.lm <- LM.curve(ms, h, k, i) 政府财政政策的任何其余模式的收入或减税的影响。autonomous.component.gov <- 102  # 政府开销减少了2个单位央行减少货币供应量＃成果（或货币政策）ms.mon <- 145 # 货币供应量减少2个单位找到IS-LM曲线的交点 intersect <- Intersect(mpc, autonomous.c ms, h, k ,i) intersect.gov <- Intersect(mpc, autonomousnt.gov , b, ms, h, k ,IS-LM框架plot(y.is,i, xlim = c(180,205), ylim = c(-1,10), type ="l", ...

原文链接：http://tecdat.cn/?p=3186原文出处：拓端数据部落公众号  本文显示了如何基于潜在的ARMA-GARCH模型（当然也波及更宽泛意义上的QRM）来拟合和预测危险价值（VaR）。 从ARMA-GARCH过程模仿（log-return）数据咱们思考应用t 散布的ARMA（1,1）-GARCH（1,1）过程。 模仿一个序列（用于阐明目标）。 nu <- 3 fixed.p <- list(mu = 0, # mu (截距) ar1 = 0.5, # phi_1 (AR(1) 参数 of mu_t) ma1 = 0.3, # theta_1 (MA(1) 参数 of mu_t) omega = 4, # alpha_0 (截距) alpha1 = 0.4, # alpha_1 (GARCH(1) 参数 of sigma_t^2) beta1 = 0.2, # beta_1 (GARCH(1) 参数 of sigma_t^2) shape = nu) # armaOrder <- c(1,1) # ARMA 参数garchOrder <- c(1,1) # GARCH 参数varModel <- list(model = "sGARCH", garchOrder = garchOrder)spec <- ugarchspec(varModel, mean.model = list(armaOrder = armaOrder), fixed.pars = fixed.p, distribution.model = "std") # t 规范残差作为一个完整性检查，让咱们绘制模仿序列，条件标准偏差和残差。 ...

全文下载链接：http://tecdat.cn/?p=21506最近咱们被客户要求撰写对于TV-PSTR的钻研报告，包含一些图形和统计输入。 在本文中，当采纳两种状态时，单转换函数PSTR模型具备两个变量： 咱们的教训办法的根底包含评估N个国家的资本流动性。相应的模型定义如下： 其中，Iit是第i个国家在工夫t时察看到的国内投资与GDP的比率，Sit是国内储蓄与GDP的比率，i示意单个固定效应。残差it假设为i.i.d.（0，2）。Corbin（2001）特地应用了该模型，该模型有两个次要毛病。 首先，它假如在小组的N个国家之间资本的国内流动水平雷同，即i=，∀i=1，…，N。很显著，即便仅思考经合组织国家，这种假如也是不事实的。如前所述，曾经确定了许多显著影响资本流动的因素：国家规模、人口年龄结构、凋谢水平等。因而，假如i=意味着这些因素不影响资本流动。这样的假如显然过于严格。 其次，方程（1）表明，在模型的预计期内，储蓄保留系数是常数。这一假如也是不事实的，特地是当咱们思考具备足够长时间维度的宏观面板时：很显著，典型经合组织国家的资本流动性在60年代和90年代并不相同。 点击题目查阅往期内容 R语言面板平滑转换回归(PSTR)剖析案例实现 左右滑动查看更多 01 02 03 04 自70年代中期以来，次要经合组织国家的资本管制和资本跨境流动阻碍曾经打消，FH系数随着工夫的推移呈降落趋势。实际上，Obstfeld和Rogoff（2000）在1990-1997年期间的回归中发现，经合组织国家的储蓄保留系数为0.60，而FH在1960-74年期间16个经合组织国家的文章中强调的储蓄保留系数为0.89。因而，没有理由假如参数（参数i）是工夫不变的。 一般来说，这两个问题不能同时解决。例如，能够通过假如FH参数i是随机散布的来思考异质面板模型5。然而，在这样一个随机系数模型中，资本的流动性被假设为工夫不变的。此外，在一个简略的随机系数模型（Swamy，1970）中，参数i被假设为独立于解释变量。换言之，假如FH系数与国内储蓄与GDP之比无关。因而，它们的可变性是其余未指明的构造因素的后果。 解决这两个问题的办法是在线性面板模型中引入阈值效应。在这种状况下，第一种解决方案是应用简略面板阈值回归（PTR）模型（Hansen，1999），正如Ho（2003）所倡议的那样。在这种状况下，极其状态之间的转换机制非常简单：在每个日期，如果察看到的某个国家的阈值变量小于某个给定值，称为阈值参数，资本流动性是由一个特定的模型（或机制）来定义的，它不同于阈值变量大于阈值参数时应用的模型。例如，让咱们思考一个具备两个极其状态的PTR模型：解决这两个问题的办法是在线性面板模型中引入阈值效应。 具备单个地位参数（m = 1）的逻辑转换函数： 能够证实，I w.r.t S的弹性是时变的 我认为提取这些随工夫变动的系数对所有个体来说都是很直观的，因为它们显示了感兴趣的关系的动静，补充了转换函数的可视化。 假如咱们将此利用于Hansen数据的状况（4个变量而不是2个变量，但下面的公式实用）。咱们想钻研债权程度对投资的影响，条件是抉择转换变量为托宾Q。让咱们首先拟合模型： PSTR(data, dep='inva', indep=4:20, indep_k=c('vala','debta','cfa','sales'),tvars=c('vala'), iT=14)而后计算时变系数，并提取样本中前三家公司的托宾Q程度 for (i in 1:n){ va_i<-vala[cusip==id[i]] g<-(1+exp(-gamma*(va_i-c)))^(-1) tvc_i<-est[2] + mbeta*g最初绘制这些工夫序列： matplot(tvc, type = 'l', lwd=2,col = 1:3, xaxt='n'axis(1, at=1:nrow(tvc), labels=c(1974:1987)); legend("topleft", legend = matplot(vala, type = 'l', lwd=2,col = 1:3, xaxt = 'n', xlab='年'; axis(1, at=1:nrow(tvc), labels=c(1974:1987));legend("topleft", legend = paste('公司',colnames(vala),sep=''),咱们能够看到，投资w.r.t债权的弹性随着工夫的推移而变动，并且取决于Q的程度：Q越高（领有更多投资机会的公司），影响越强。特地是Q（2824）最高的公司（绿色曲线，右图）体现出最稳固的关系（绿色曲线，左图）。 ...

原文链接：https://tecdat.cn/?p=35199原文出处：拓端数据部落公众号受新能源汽车和储能等上游利用场景爆发式增长驱动，寰球锂电池产业正蓬勃发展。到2030年，寰球锂电池需要规模预计将达到4太瓦时（TWh）。中国作为寰球锂电池产业最大需要和供应市场将持续引领产业改革；同时，欧美在减排指标和能源转型等强需要下将为寰球市场供需格局带来更多增量驱动。 新兴市场如东南亚、印度和中东也正迅速成长，并积极参与寰球锂电池供应链体系。目前，中国在锂电池产业链各关键环节仍施展主导作用，但面临市场竞争强烈、企业盈利压力和地缘政治危险减少等挑战。浏览原文，获取专题报告合集全文，解锁文末57份电池相干行业钻研报告。 该评估体系次要涵盖产业政策、市场环境、供应链成熟度、技术与制作竞争力、绿色与可继续口头等五个评估维度。本报告合集将重点关注市场需求和供应链供需状态的剖析，市场维度将重点关注行业市场前景、竞争构造和盈利性剖析；供应链维度将聚焦产业链供需动静、国际贸易链路以及再生闭环参加水平的评估剖析。 寰球锂电池市场预计迅速扩张，受电动汽车需要和动力电池增长推动，中国是次要增长驱动力。寰球锂电池市场预计将迅猛扩大，年增速达25%，预计到2030年市场规模将超过4太瓦时。电动汽车的遍及和长续航需要推动了动力电池需要的急剧增长，预计将占据80%的市场份额。 同时，中国、欧美以及东南亚、印度等新兴市场都在踊跃布局，造成三足鼎立的寰球竞争格局。特地是中国，预计到2025年锂电池需求量将以超40%的年增速飙升至1太瓦时，到2030年仍将以13%的年增速持续增长至约1.8太瓦时，其中动力电池需要将稳占75%以上的比重。而乘用车作为动力电池的次要应用领域，将成为市场增长的最大能源。 本专题内的参考报告（PDF）目录源达信息：BC电池专题研究-平台型技术劣势凸显-龙头入局无望减速产业化 报告2024-02-15亿渡数据：光伏行业研报三（硅片）-晶硅电池的外围-产业链强势环节 报告2024-02-06罗兰贝格：2024年新能源汽车与动力电池产业瞻望报告 报告2024-02-04释银&考克利尔竞立：2023势银氢能与燃料电池年度蓝皮书 报告2024-02-03BCG&China SAE：寰球动力电池产业链可继续倒退评估 报告2024-02-01源达信息：HJT电池技术专题研究-降本增效继续推动-渗透率无望疾速晋升 报告2024-01-26汽车之家：2023中国纯电新能源汽车秋季报告-主销车型电池体现篇 报告2024-01-23上海海事局：上海港锂电池类危险货物水路运输指南报告 报告2024-01-08Chroma：2023燃料电池零碎测试技术白皮书 报告2024-01-02科尔尼：锂电池技术改革： 与“不确定”共舞 报告2023-12-26CIC灼识征询：2023寰球光伏电池片行业蓝皮书 报告2023-12-03汽车之家：中国纯电新能源汽车-2023年冬季报告主销车型电池体现篇 报告2023-11-22Inficon：电动交通-电动汽车和燃料电池汽车透露检测 报告2023-11-21中国化学与物理电源行业协会：2023电池行业能效对标剖析钻研报告白皮书 报告2023-11-20上海证券：新能源电池新技术系列专题一-磷酸锰铁锂-冲破LFP能量密度瓶... 报告2023-10-27雷洪钧：燃料电池汽车原理、技术及配套设施 报告2023-10-06头豹：2023年中国固态电池产业化解析-固态电解质减速产业化过程（摘要... 报告2023-09-22汽车之家：2023中国纯电新能源汽车主销车型电池体现报告 报告2023-09-22头豹：2023年中国动力电池回收行业概览 报告2023-09-06资料智链：氢燃料电池产业链全景图 报告2023-08-24势银：2023势银钙钛矿电池产业倒退蓝皮书 报告2023-08-22蔡司&NE时代：2023新能源汽车电池质量保证白皮书 报告2023-08-21头豹：钠离子电池储能 报告2023-08-19太平洋：光伏新技术系列-XBC电池专题-“效率+好看”双轮驱动-XBC... 报告2023-08-16中国人才研究会汽车人才业余委员会：碳中和背景下氢能及燃料电池人才钻研报... 报告2023-08-14中国汽车动力电池产业翻新联盟：2023-2025年动力电池产业高质量发... 报告2023-08-03头豹：2023年中国气凝胶行业短报告-高效隔热-晋升锂电池安全性（摘要... 报告2023-07-21智慧芽翻新钻研核心：2023年寰球动力电池科创力坐标报告 报告2023-07-20锐仕方达：2023年锂电池行业薪酬报告 报告2023-07-20马士基：强势赋能新能源汽车电池供应链 报告2023-07-04头豹：2023年氢燃料电池利用倒退剖析-如何在交通运输业失去利用？（摘... 报告2023-07-01新能源情报局：2022-2023电池行业年度报告 报告2023-06-26头豹：2023年钠离子电池上游利用市场解读-降本可期-上游利用前景广大... 报告2023-06-11IT桔子：2023中国动力电池行业投资倒退报告- 报告2023-06-07艾睿光电：热像新能源锂电池行业解决方案白皮书 报告2023-05-26中国化学与物理电源行业协会：中国锂电池添加剂行业倒退钻研白皮书 报告2023-05-25锐仕方达：2023年锂电池行业人才趋势洞察 报告2023-05-24头豹：2023年钠离子电池硬碳负极资料行业概览-钠离子电池产业化要害-... 报告2023-05-20Dealroom：2023年英国电动汽车电池技术报告 报告2023-05-11甲子光年：2023新能源电池资料倒退概览报告 报告2023-05-09西方财产证券：有色金属行业专题研究-将来焦点-钒液流电池储能风潮兴涌 报告2023-04-19头豹：2023年中国锂离子电池正极资料行业词条报告 报告2023-04-16Interact Analysis：氢燃料电池重型车辆寰球市场瞻望 -... 报告2023-04-16赛瑞钻研：2022年中国氢能及燃料电池产业发展趋势报告 报告2023-04-05势银：燃料电池检测产业蓝皮书（2023） 报告2023-04-04头豹：液流电池 报告2023-03-31头豹：锂离子电池铝箔 报告2023-03-28汽车之家研究院：2022年度中国新能源汽车运行与电池体现洞察 报告2023-03-28头豹：燃料电池质子替换膜 报告2023-03-17头豹：2022年中国氢能源及燃料电池行业概览 报告2023-03-17头豹：锂离子电池电解液 报告2023-03-16头豹：2022年中国光伏行业系列钻研-HJT光伏电池钻研报告 报告2023-03-08GSI增长策略研究院：中国动力电池将来行业谁主沉浮？ 报告2023-02-24头豹：2022年中国光伏行业系列钻研-TOPCon光伏电池钻研报告 报告2023-02-22SRC：2022年电池金属报告 报告2023-02-17罗克韦尔：自动化新能源汽车及动力电池行业白皮书 报告2023-02-13中汽核心：新能源汽车动力电池技术将来瞻望 报告2023-01-08

原文链接：http://tecdat.cn/?p=23344最近咱们被客户要求撰写对于信用卡守约剖析的钻研报告，包含一些图形和统计输入。 本文中咱们介绍了决策树和随机森林的概念，并在R语言中用逻辑回归、回归决策树、随机森林进行信用卡守约数据分析 决策树是由节点和分支组成的简略树状构造。依据每个节点的任何输出特色拆分数据，生成两个或多个分支作为输入。这个迭代过程减少了生成的分支的数量并对原始数据进行了分区。这种状况始终继续到生成一个节点，其中所有或简直所有数据都属于同一类，并且不再可能进一步拆分或分支。 这整个过程生成了一个树状构造。第一个决裂节点称为根节点。末端节点称为叶子并与类标签相关联。从根到叶的门路产生分类规定。   假如你是一名员工，你想吃食物。 您的口头计划将取决于多种状况。 如果你不饿，你就不会花钱。然而如果你饿了，那么抉择就会扭转。你的下一步口头取决于你的下一个状况，即你有没有买午餐？ 当初，如果你不吃午饭，你的口头将齐全取决于你的下一个抉择，即是不是月底？如果是月底最初几天，能够思考不吃饭；否则，您不会将其视为偏好。 当波及多个抉择来做出任何决定时，决策树就会发挥作用。当初你必须做出相应的抉择以取得无利的后果。   决策树如何工作？决策树有两个组成部分：熵和信息增益 熵是一个用来掂量信息或无序的概念。咱们能够用它来掂量数据集的纯度。 为了更好地了解熵，让咱们钻研两个不同的示例数据集，它们都有两个类，别离示意为蓝点和红叉。在左侧的示例数据集中，咱们混合了蓝点和红叉。在右侧数据集的示例中，咱们只有红十字。第二种状况——一个只有一个类样本的数据集——是咱们的指标：一个“纯”数据子集。 熵能够是纯度、无序或信息的量度。因为混合类，右边的数据集不那么污浊，更凌乱（更无序，即更高的熵）。然而，更多的凌乱也意味着更多的信息。实际上，如果数据集只有一类的点，那么无论您尝试多长时间，都无奈从中提取太多信息。相比之下，如果数据集具备来自两个类的点，则它也具备更高的信息提取后劲。所以，右边数据集的熵值越高，也能够看作是潜在信息量越大。   信息增益为了评估一个特色对决裂的好坏，计算决裂前后的熵差。 决策树中每个拆分的指标是从混同的数据集挪动到两个（或更多）更纯的子集。现实状况下，决裂应该导致熵为 0.0 的子集。然而，在实践中，如果拆分导致子集的总熵低于原始数据集就足够了。 也就是说，咱们首先计算宰割前数据集的熵，而后计算宰割后每个子集的熵。最初，在拆分之前从数据集的熵中减去由子集大小加权的输入熵之和。这种差别掂量了信息的增益或熵的缩小。如果信息增益是一个负数，这意味着咱们从一个凌乱的数据集转移到了一些更纯正的子集。 而后，在每一步，咱们将抉择在信息增益值最高的特色上宰割数据，因为这会产生最纯正的子集。 咱们将首先宰割信息增益最高的特色。这是一个递归过程，直到所有子节点都是纯的或直到信息增益为零。 随机森林随机森林是另一种弱小且最罕用的监督学习算法。 许多比一个好。简略来说，这就是随机森林算法背地的概念。也就是说，许多决策树能够产生比仅仅一棵决策树自身更精确的预测。事实上，随机森林算法是一种有监督的分类算法，它构建了 N 个通过略微不同训练的决策树，并将它们合并在一起以取得更精确和稳固的预测. 让咱们再次强调这个概念。整个想法依赖于多个决策树，这些决策树都通过稍微不同的训练，并且所有这些决策树都被思考到最终决策中。 在一个随机森林中，N 棵决策树在通过取得的原始训练集的一个子集上进行训练自举原始数据集，即通过带放回的随机抽样。 此外，输出特色也可能因树而异，作为原始特色集的随机子集。 N 个稍有不同训练的树将对雷同的输出向量产生 N 个稍有不同的预测。通常，少数规定实用于做出最终决定。N棵树中的大多数提供的预测被用作最初一棵。 这种策略的劣势是不言而喻的。尽管来自单个树的预测对训练集中的噪声高度敏感，但来自大多数树的预测却不是——前提是这些树不相干。Bootstrap 采样是通过在不同的训练集上训练树来去相干树的办法。   接下来，咱们在R语言中用逻辑回归、回归决策树、随机森林进行信用卡守约剖析。 ** ** 信贷数据集，其中蕴含了银行贷款申请人的信息。该文件蕴含1000名申请人的20条信息。 上面的代码能够用来确定申请人是否有信用，以及他（或她）是否对贷款人有良好的信用风险。有几种办法被利用到数据上，帮忙做出这种判断。在这个案例中，咱们将看一下这些办法。 相干视频Boosting原理与R语言晋升回归树BRT预测短鳍鳗散布 ** 拓端 ，赞16 请留神，本例可能须要进行一些数据处理，以便为剖析做筹备。 咱们首先将数据加载到R中。 credit <- read.csv(credit, header = TRUE, sep = ',')这段代码在数据上做了一个小的解决，为剖析做筹备。否则，就会呈现谬误，因为在某些文件的某一列中发现有四类因素。 基本上，任何4类因变量都被笼罩为3类。持续进行剖析。 No.of.Credits[No.of.Credits == 4] <- 3疾速浏览一下数据，理解一下咱们的工作内容。 str(credit) 你可能会立刻留神到有几个变量很显眼。咱们要排除它们。"信贷期限（月）"、"信贷金额 "和 "年龄"。 为什么？咱们在这个模型中试图把重点放在作为信用价值指标的数据分类或类别上。这些是分类变量，而不是数字变量。申请人有电话吗？申请人是否已婚？是否有独特签订人？申请人在同一地址住了多长时间？这类事件。 对于这些因素，重要的是咱们晓得它们与贷款决定的关系。良好的信用与某些因素的组合无关，从而使咱们能够用概率将新的申请人按其特色进行分类。 在数据中，这些问题的答案不是 "是 "或 "不是 "或 "十年"。答案被分组为更宽泛的分类。 ...

原文链接：http://tecdat.cn/?p=17725最近咱们被客户要求撰写对于Bass模型的钻研报告，包含一些图形和统计输入。 巴斯Bass扩散模型已胜利地用于预测各种新推出的产品以及成熟产品的市场份额 次要观点该模型的次要思维来自两个起源： 消费者不受社会影响的产品志愿。因为其他人曾经采纳了该产品，所以偏向于采纳该产品。因而，在优质产品的生命周期中的晚期采纳者的影响变得足够弱小，以至驱使许多其他人也采纳该产品。Bass模型显示了如何应用销售数据的前几个期间的信息来对将来的销售做出相当好的预测。能够很容易地看出，尽管该模型来自营销畛域，但它也能够很容易地用于对现金流量的预测进行建模以确定初创公司的价值。 历史事例Bass模型的文献中有一些经典的例子。例如，请参见下图所示的80年代VCR的理论与预测市场增长状况。     根本思维将单个人从零工夫到工夫tt购买产品的累计概率定义为F（t）。那么，在工夫tt的购买概率为密度函数f（t）= F'（t）。 从目前来看，在目前没有购买的状况下，工夫t的购买率合乎逻辑，即   建模就像在给定工夫t建模产品的采用率 微分方程巴斯倡议将此采用率定义为   在这里，咱们能够将p定义为 采纳产品的消费者的  独立比率，将q定义为模拟率，因为q能够  模仿累积采纳强度F（t）的影响。 因而，如果咱们能够找到某产品的p和q，则能够预测其随着工夫的采纳，从而生成销售的工夫门路。总结一下： p：翻新系数。q：模拟系数。求解F（t）的模型咱们重写方程： 并留神F（0）= 0。 解决方案中的步骤是： 另一种解决方案一种代替办法（这是学生Muhammad Sagarwalla依据Alexey Orlovsky的想法提出的）如下。   所以咱们写       咱们失去       与公式（*）雷同。以前的解决方案是     求解f（t）   因而，如果指标市场的大小为m，则在每个t处，采用率简略地由m×f（t）给出。 例例如，设置m = 100,000，p = 0.01和q = 0.2。而后，采用率如下图所示。 f = function(p,q,t) {p = 0.01q = 0.20plot(t,m*f(p,q,t),type="l",col="blue",l      点击题目查阅往期内容 R语言Bass模型进行销售预测 ...

全文链接：http://tecdat.cn/?p=32198最近咱们被客户要求撰写对于神经网络的钻研报告，包含一些图形和统计输入。 多元工夫序列建模始终是吸引了来自经济，金融和交通等各个领域的钻研人员的主题 （ 点击文末“浏览原文”获取残缺代码数据 ）。 多元工夫序列预测的一个根本假如是，其变量相互依赖。 在本文中，咱们专门针对客户的多元工夫序列数据设计了神经网络框架，拟合单隐层神经网络，可能存在跳跃层连贯。 查看数据 其中Y为因变量，工夫、Y1、Y2为自变量。 读取数据data=read.xlsx("my data.xlsx") head(data) 建设神经网络模型建设单暗藏层神经网络，size参数能够确定暗藏层的节点数量，maxit管制迭代次数。 require(nnet)## Loading required package: nnet #设置因变量   y=data$Y #  y<-data.frame((y-min(y))/(max(y)-min(y)))  names(y)<-'y' 绘制拟合数据 点击题目查阅往期内容 【视频】Python用LSTM长短期记忆神经网络对不稳固降雨量工夫序列进行预测剖析|数据分享 左右滑动查看更多 01 02 03 04 预测将来的20年数据foreY1=0      foreY1=predict(mod2,data.frame(T=foreyear)  )预测新变量datanew= data.frame(T=foreyear,Y1=foreY1,Y2=foreY2) 绘制将来20年的工夫序列pre=ts(pre,start = c(2015),f=1) ###############################绘制将来20年的工夫序列plot(pre, axes = F,col=2,type="l")axis(side = 1 ,col=10) 点击文末 “浏览原文” 获取全文残缺代码数据资料。 本文选自《R语言神经网络模型预测多元工夫序列数据可视化》。 点击题目查阅往期内容 深度学习实现自编码器Autoencoder神经网络异样检测心电图ECG工夫序列spss modeler用决策树神经网络预测ST的股票 Python中TensorFlow的长短期记忆神经网络(LSTM)、指数挪动平均法预测股票市场和可视化 RNN循环神经网络 、LSTM长短期记忆网络实现工夫序列长期利率预测 联合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络工夫序列剖析 深度学习：Keras应用神经网络进行简略文本分类剖析新闻组数据 用PyTorch机器学习神经网络分类预测银行客户散失模型 PYTHON用LSTM长短期记忆神经网络的参数优化办法预测工夫序列洗发水销售数据 Python用Keras神经网络序列模型回归拟合预测、准确度检查和后果可视化 R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类：训练与后果评估可视化 深度学习：Keras应用神经网络进行简略文本分类剖析新闻组数据 Python用LSTM长短期记忆神经网络对不稳固降雨量工夫序列进行预测剖析 R语言深度学习Keras循环神经网络(RNN)模型预测多输入变量工夫序列 R语言KERAS用RNN、双向RNNS递归神经网络、LSTM剖析预测温度工夫序列、 IMDB电影评分情感 Python用Keras神经网络序列模型回归拟合预测、准确度检查和后果可视化 Python用LSTM长短期记忆神经网络对不稳固降雨量工夫序列进行预测剖析 R语言中的神经网络预测工夫序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告 R语言深度学习：用keras神经网络回归模型预测工夫序列数据 Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类 R语言KERAS深度学习CNN卷积神经网络分类辨认手写数字图像数据（MNIST） MATLAB中用BP神经网络预测人体脂肪百分比数据 Python中用PyTorch机器学习神经网络分类预测银行客户散失模型 R语言实现CNN（卷积神经网络）模型进行回归数据分析 SAS应用鸢尾花(iris)数据集训练人工神经网络(ANN)模型 【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析 Python应用神经网络进行简略文本分类 R语言用神经网络改良Nelson-Siegel模型拟合收益率曲线剖析 R语言基于递归神经网络RNN的温度工夫序列预测 R语言神经网络模型预测车辆数量工夫序列 R语言中的BP神经网络模型剖析学生问题 matlab应用长短期记忆（LSTM）神经网络对序列数据进行分类 R语言实现拟合神经网络预测和后果可视化 用R语言实现神经网络预测股票实例 应用PYTHON中KERAS的LSTM递归神经网络进行工夫序列预测 python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译 用于NLP的Python：应用Keras的多标签文本LSTM神经网络分类 ...

原文链接:https://tecdat.cn/?p=35195原文出处：拓端数据部落公众号在过来的二十年里，东南亚地区的经济发展势头强劲，经济体量迅速壮大。到2022年，东南亚地区的GDP总量已达到3.6万亿美元，占寰球GDP总量的3.6%。预计到2028年，这一数字将超过5.5万亿美元，无望超过日本和英国，成为寰球第四大经济体，仅次于美国、中国和欧盟。只管近年来寰球面临疫情、通胀和经济放缓等多重挑战，但东南亚地区自2021年起展现出强劲的经济复苏态势，其GDP增速甚至在近三十年来首次超过中国。浏览原文，获取专题报告合集全文，解锁文末130份医疗相干行业钻研报告。 自2000年以来，东南亚地区的人均GDP曾经翻了两番，2022年达到了5500美元，较2010年增长了60%。这一增速在南亚、东欧等倒退中经济体中处于领先地位。东南亚地区高速且高质量的经济倒退为生产、医疗、批发等各个领域发明了微小的市场潜力。 东南亚地区人口众多，总数超过6.8亿，其中包含三个人口过亿的国家（印尼、菲律宾、越南）和四个千万级人口国家。自2000年以来，东南亚的人口保持稳定增长，2022年的总人口和劳动人口别离较2000年增长了29%和35%。从人口构造来看，东南亚国家广泛享有人口红利。20-50岁的劳动力人口约占东南亚总人口的45%，而20岁以下人群占比约33%，整体出现三角形散布，预示着人口构造的增长后劲。青壮年和劳动力人群的壮大为经济倒退提供了松软的根底。 在医疗游览方面，泰国医美市场规模近20亿美元，全国医美门店超过4000家。泰国以变性手术和整形外科手术闻名，并以高性价比的医疗游览服务吸引着泛滥游客。越南则侧重于保健痊愈，领有丰盛的热矿泉、泥矿和药用植物资源，提供具备保健价值的温泉和食物休养等我的项目。菲律宾在心脏医治畛域具备显著劣势，其心外科核心是亚太地区最沉闷的，医生多毕业于美国医学界，具备高水平的医疗技术和实践经验。马来西亚则以其综合医疗服务著称，领有先进的医疗技术和宏大的医生队伍，在心脏病、癌症、传染病等畛域具备劣势。新加坡则是世界出名的癌症医治核心，特地是在乳腺癌、肠癌和胃癌畛域处于世界领先地位，每年吸引数十万海内患者前来承受医治。 中国对东南亚地区医疗行业的间接投资趋势呈现出一种踊跃的倒退态势中国对东南亚地区医疗行业的间接投资趋势呈现出一种踊跃的倒退态势，只管过程中存在肯定的稳定，但总体上投资活跃度正在逐渐升温。这反映出中国企业对东南亚医疗市场的长期看好，以及对该地区医疗行业发展潜力的认可。 一、投资总额与活跃度显著增长 2015年至2023年，中国企业对东南亚医疗市场的间接投资交易总额累计超过66.19亿美元，年均交易数量从2015-2017年的3笔迅速减少到2021-2023年的9笔。交易金额也从2015年的5.33亿美元跃升至2022年的15.96亿美元，显示出中国企业对东南亚医疗市场的高度关注与一直加强的投资志愿。 二、投资趋势受多重内部因素影响 这一投资趋势受到地缘政治、政策调整、宏观经济等多重内部因素的独特影响，导致投资交易规模在增长过程中呈现出肯定的波动性。尽管如此，中国企业对东南亚医疗市场的投资活跃度整体仍呈上升趋势。 三、东南亚市场潜力与凋谢环境吸引投资 东南亚地区凭借其广大的市场潜力和绝对凋谢的经济环境，吸引了大量中国企业的投资。随着中国-东盟自贸区的深刻推动和RCEP的红利开释，中国与东南亚地区的贸易自由化及投资便利化水平一直加深，单方互为最大贸易搭档的位置失去进一步坚固。这些因素独特推动了中国企业对东南亚医疗市场的投资增长。 四、投资形式与策略日益多元化 近年来，在国家“走进来”策略的引领下，中国企业纷纷出海投资，寻求更大的市场和产业链整合时机。2015-2017年，中国企业的间接投资交易以控股权收买为主，均匀交易金额较大。然而，随着2017年东南亚股权融资热度的疾速攀升以及上市等投资退出渠道的日益通顺，越来越多的中国企业和PE/VC开始布局东南亚医疗市场。这导致对东南亚医疗市场的间接投资形式呈现出多样化的趋势，参加各轮次股权融资的交易数量明显增加，均匀交易规模也呈现出小型化的趋势。 五、双边交换减少，投资目标国日趋多元化 中国企业晚期的投资对象次要集中在新加坡的医疗服务、医疗器械及制药企业。然而，随着中国与东南亚地区经济交换的日益深刻，中国企业逐步意识到其余东南亚国家在人口、经济增速、营商环境、医疗行业对外资凋谢态度、医药流通基础设施与网络、医药研发便利性等方面的独特性劣势。因而，投资目标国逐渐扩大到印度尼西亚、马来西亚、越南、泰国等新兴国家。这种多元化的投资策略不仅反映了中国企业对东南亚各国独特劣势和医疗市场潜力的深刻理解，也催生了在东南亚地区医疗市场更宽泛的投资交易及我的项目单干时机。 本专题内的参考报告（PDF）目录头豹：2023年中国AI肿瘤诊疗行业概览-AI赋能肿瘤诊疗-构建医疗新... 报告2024-02-21埃森哲&武田Takeda：2023数字医疗实际与教训洞察报告 报告2024-02-07动脉橙：2023年寰球医疗衰弱投融资剖析报告 报告2024-02-05动脉网：2023互联网医疗服务洞察报告：探寻新需要构筑新型服务体系 报告2024-02-03小红书：小红书2023年医疗行业年度报告 报告2024-02-01艾瑞征询：2024年中国医疗衰弱产业十大趋势 报告2024-01-31蛋壳研究院：2023数字医疗年度翻新白皮书 报告2024-01-22普华永道：2015-2023年中国企业东南亚地区医疗行业投资回顾与瞻望... 报告2024-01-19蛋壳研究院：2023医疗器械及供应链年度翻新白皮书 报告2024-01-18美世达信员工福利：2023-2024年度高端医疗保险福利市场实际调研报... 报告2024-01-17鼎源万家：2023中国员工父母医疗保障白皮书 报告2024-01-14头豹：2023年中国自动化药房行业概览-AI赋能智能药房-医疗新基建打... 报告2024-01-12蛋壳研究院：2023医疗服务年度翻新白皮书 报告2024-01-12前瞻研究院：2023年医疗行业集中洽购大盘点报告 报告2024-01-07中物联：2023中国医疗器械SPD重点企业剖析报告 报告2024-01-02致趣百川：2023年B2B医疗企业营销转型白皮书-SCRM + HCP... 报告2024-01-01动脉橙&昌倒退：2023年寰球医疗衰弱产业资本报告 报告2023-12-31中物联医疗器械供应链分会：2023中国医疗器械商业TOP50剖析报告 报告2023-12-30德勤：生成式人工智能用例汇编-能源工业与医疗行业高影响力利用案例 报告2023-12-30动脉网：2023医疗人工智能报告：从边缘跃入外围医疗人工智能重押“医治... 报告2023-12-29罗兰贝格：2023寰球医疗器械报告 报告2023-12-28头豹：2023年中国AI医疗助理行业概览-互联网巨头推动智慧医疗高质量... 报告2023-12-27头豹：2023年中国AI医疗器械行业概览-智能化助推医疗器械转型降级 报告2023-12-21怡安：2024年寰球医疗趋势报告 报告2023-12-20知识产权出版社：医疗衰弱行业2023年专利剖析白皮书 报告2023-12-15中上协：2023上市公司医疗衰弱行业倒退报告 报告2023-12-13径硕科技：2024医疗数字化白皮书（第一辑） 报告2023-12-04小红书：小红书2023年10月医疗美容行业月报 报告2023-12-03浦发硅谷银行：2023中国医疗衰弱行业投资与退出趋势年中报告 报告2023-12-03高力国内：2023广州医药及医疗器械产业倒退现状与将来发展前景报告 报告2023-12-01益普索&GE通用衰弱：2023中国国产医疗器械市场洞察报告 报告2023-11-30IpsosStrategy3：中国国产医疗器械市场洞察报告 报告2023-11-30蛋壳研究院：2023年度医疗衰弱产业投融资数据及趋势解读报告 报告2023-11-25头豹：2023年中国AI病理行业概览- AI赋能病理诊断-填补医疗资源... 报告2023-11-22中国信通院：脑机接口技术在医疗衰弱畛域利用白皮书（2023年） 报告2023-11-20中国信通院：人工智能大模型赋能医疗衰弱产业白皮书 报告2023-11-19GE医疗&中国信通院：医疗器械数据安全白皮书（2023） 报告2023-11-19融文：2023年寰球医疗服务行业的人们话题、受众洞察与生产趋势报告 报告2023-10-29国联证券：医疗器械-CGM行业深度-国产企业进入疾速成长期 报告2023-10-27沙利文&创健医疗：2023重组XVII型胶原蛋白白皮书 报告2023-10-25小红书：小红书2023年8月医疗衰弱行业眼科类月报 报告2023-10-20动脉网：2023医疗大数据白皮书 报告2023-10-20毕马威：2023中国社会办口腔医疗50企业报告 报告2023-10-17世界经济论坛：2023年寰球衰弱和医疗保健策略前景 报告2023-10-13动脉网：2023年9月寰球医疗衰弱畛域投融资月报 报告2023-10-11脉卫（MedVision）：2023ChatGPT医疗行业利用白皮书 报告2023-10-05沙利文：2023年医疗器械SPD行业钻研报告 报告2023-09-27CSA GCR：基于零信赖架构的医疗设施平安 报告2023-09-22沙利文：医疗器械SPD行业钻研报告-公共治理降级环境下 医疗行业投资机... 报告2023-09-20和思凯：2023医疗机构互联网医疗建设与经营抽样调查报告 报告2023-09-07众诚智库：2023医疗机器人产业倒退报告 报告2023-09-05IDC&挪动云：建设医疗云平台，构建全民衰弱数字化枢纽 报告2023-09-03埃森哲：智慧医疗新引擎：数字医疗工具应时而起 报告2023-08-23动脉网：2023高端医疗器械行业钻研报告 报告2023-08-22安信证券：医疗器械医疗器械-从数据维度深度分析国内医用内窥镜行业投资 报告2023-08-17亿欧智库：2023年中国医疗产业数字化转型现况及能力钻研报告 报告2023-08-15普华永道：2023年寰球医疗衰弱行业并购趋势：中期回顾及瞻望 报告2023-08-14沙利文公司：2023年华检医疗企业深度钻研报告 报告2023-08-10IDC&挪动云：2023建设医疗云平台构建全民衰弱数字化枢纽-中国移动... 报告2023-08-04头豹：2023年中国可穿戴医疗设施行业概览 报告2023-08-03猎聘：数智化人才助力产业降级-医疗器械人才趋势察看简报2023 报告2023-07-26销售易：2023中国医疗器械企业CRM利用实际蓝皮书 报告2023-07-22动脉橙：2023年H1寰球医疗衰弱产业资本报告 报告2023-07-20易观剖析：医疗市场洞察-生产医疗集采影响几何？ 报告2023-07-20灼识征询：循环染色体异样细胞富集检测和医疗影像AI在癌症早诊早筛中的应... 报告2023-07-09动脉网：2022医疗AI行业钻研报告 报告2023-07-06小红书：2023年5月小红书医疗美容行业月报 报告2023-07-02艾社康：共同富裕背景下的医疗保障安全网建设 报告2023-06-29碧迪医疗：2023高值医用耗材价值评估和实际利用钻研报告 报告2023-06-26艾意凯&WEF：寰球衰弱与医疗策略瞻望：2035年的独特愿景（中国版） 报告2023-06-25万宝盛华：2023医疗衰弱与生命科学行业职场瞻望报告 报告2023-06-21亿欧智库：2023年5月医疗衰弱产业数字化月报 报告2023-06-15罗兰贝格：医疗企业剥离分拆的趋势研判和价值塑造报告 报告2023-06-08华为：智慧医院辅助医疗物联网解决方案 报告2023-06-04猎聘：医疗衰弱人才市场趋势察看2023 报告2023-06-02VB100：2023将来医疗100强企业成长性报告 报告2023-05-28隐衷计算联盟：2022隐衷计算医疗利用白皮书 报告2023-05-27罗兰贝格：医疗企业剥离分拆的趋势研判和价值塑造 报告2023-05-18易凯资本：2023中国衰弱产业白皮书-医疗与衰弱服务篇 报告2023-05-04前瞻产业研究院：2023-2027寰球数字医疗产业经济倒退蓝皮书 报告2023-04-29易凯资本：2023中国衰弱产业白皮书-医疗技术与器械篇 报告2023-04-28普华永道：2022年中国医疗衰弱行业并购流动回顾及将来瞻望报告 报告2023-04-28普华永道：2019-2022年中国医疗衰弱服务行业交易趋势回顾及瞻望 报告2023-04-20致趣百川：2023年医疗营销数字化转型白皮书 报告2023-04-19头豹：全球化背景下-中国与海内医疗衰弱产业倒退现状与趋势比照剖析（摘要... 报告2023-04-18德勤：2023年寰球医疗行业瞻望报告 报告2023-04-17艾瑞征询：2023年中国“专精特新”企业倒退钻研报告-医疗篇 报告2023-04-12致趣百川：2023医疗数字化转型白皮书-客户洞察与钻研 报告2023-04-10德勤：中国生命科学与医疗行业调研后果：2023年行业现状与瞻望 报告2023-04-09中国信通院：人工智能医疗器械产业倒退白皮书（2023年） 报告2023-04-02动脉网&美团医疗：2023口腔医疗服务洞察报告 报告2023-03-29艾瑞征询：2023年中国“专精特新”企业倒退钻研报告——医疗篇 报告2023-03-28头豹：儿科医疗服务 报告2023-03-24德勤：2023年寰球医疗行业瞻望 报告2023-03-23中国信通院：近程医疗器械钻研报告（2023年） 报告2023-03-22数观天下：2023医疗行业商密解读剖析报告 报告2023-03-22亿渡数据：2022年中国血管植入医疗器械行业钻研报告 报告2023-03-19亿欧智库：2023年家用医疗智能器械商业门路倒退报告 报告2023-03-17动脉橙：寰球医疗机器人价值趋势报告2022 报告2023-03-12德勤：中国生命科学与医疗行业调研后果：2023年行业现状与瞻望 报告2023-03-10数说平安：2022年医疗行业网络安全报告 报告2023-03-02头豹：2022年中国植发行业专题报告-颜值诉求发力毛发医疗-植发机器人... 报告2023-03-01罗兰贝格：中国医疗器械行业倒退现状与趋势报告 报告2023-02-28罗兰贝格：2022年寰球医疗器械报告 报告2023-02-27MedtechEurope：2022年欧洲医疗技术行业数据 报告2023-02-27易联智慧云：2022年医疗器械行业回顾与瞻望 报告2023-02-26IQVIA：智“健”将来：人工智能与机器学习赋能中国医疗衰弱行业 报告2023-02-26罗兰贝格：寰球医疗器械报告2022：后疫情期间的行业洞察与瞻望 报告2023-02-24沙利文：医疗器械CRO行业现状与发展趋势报告 报告2023-02-23普华永道：2022年寰球并购行业趋势回顾及2023年瞻望-医疗衰弱行业 报告2023-02-19国家兽药产业技术创新联盟：2022中国宠物医疗行业白皮书 报告2023-02-17奇安信：网络安全行政执法案例集-医疗行业 报告2023-02-16复旦大学：2022年城市定制型商业医疗保险（惠民保）常识图谱 报告2023-02-11医药魔方：InvestGO年度系列：2022中国医疗衰弱投融资全景剖析... 报告2023-02-10医药魔方：2022中国医疗衰弱投融资全景剖析之十大热门赛道解读 报告2023-02-08动脉网：2022医疗衰弱系列年度白皮书 报告2023-02-07德勤：2022生物医疗人工智能考察白皮书 报告2023-02-06IT桔子：2022年中国医疗衰弱行业投融资剖析报告 报告2023-02-05世界卫生组织：激发衰弱生机：减速医疗设施的电力供应报告 报告2023-02-02动脉橙：2022年寰球医疗衰弱产业资本报告 报告2023-02-01蛋壳研究院：2022医疗器械年度翻新白皮书 报告2023-01-30蛋壳研究院：数字化心理健康行业钻研报告：互联网医疗和数字疗法构筑心理健... 报告2023-01-25imit：个人信息保护法下，衰弱医疗数据隐衷爱护新解读 报告2023-01-25中国医药教育协会：2022数字医疗翻新倒退报告 报告2023-01-19炼石网络：工信、金融、交通、医疗、教育五部委数据安全法规解读 报告2023-01-17复旦倒退研究院：2022年城市定制型商业医疗保险（惠民保）常识图谱 报告2023-01-16德勤：2023年中国生命科学与医疗行业投融资与并购市场瞻望 报告2023-01-10合合信息：商业大数据赋能医药医疗合规经营 报告2023-01-08动脉网：2022数字医疗年度翻新白皮书 报告2023-01-04动脉网&蛋壳研究院：2022数字医疗年度翻新白皮书 报告2023-01-04

报告链接：http://tecdat.cn/?p=32389原文出处：拓端数据部落公众号新冠疫情等对商业活动进行了从新塑造，并使金融流动在商业活动中的地位产生了变动。在可继续倒退的时代背景下，财务人员须要适应新的工作模式，被动承受新的技术，将关注的重点从传统的财务报告范畴拓展到可持续性、包容性和多元化，以及社会影响等方面。浏览原文，获取专题报告合集全文，解锁文末31份财务数字化转型相干行业钻研报告。 不同的公司，其财务数字化转型的出发点和门路是不一样的，然而它们都指向了一个独特的将来财务愿景，也就是成为一个策略合作伙伴，并且遵循着某些独特的准则和规定。 依据一项寰球高级管理人员考察，60%的受访者将数字技术作为2022年企业倒退的次要能源，59%的受访者将其作为企业倒退的重心。加入调研的首席财务官统一认为：构建财务业务伙伴关系（50%）、在财务布局和预测中引入预测性模型和情景剖析（48%）、业务流程自动化与智能化（39%）、升高财务老本（30%）是财务数字化转型的重点（见图）。 本专题内的参考报告（PDF）目录微软&普华永道：迈向将来财务 - 中国企业财务数字化转型白皮书 报告2022-04-18普华永道：群雄逐鹿 变者胜出——商业银行财务数字化转型 报告2021-04-30用友薪福社：2023企业倒退过程中财务作用与价值剖析白皮书 报告2023-05-02用友：2023大型企业财务数智化转型白皮书 报告2023-04-18用友：中国财务从业者生存现状白皮书 报告2023-04-16中兴新云：ChatGPT解读及财务利用摸索 报告2023-03-19安永：国内财务报告准则利用-能源转型：碳捕集与封存的会计思考事项 报告2023-03-17RGF：2022年新生代财务高管洞见 报告2023-02-04IBM：AI对财务职能的量化影响：改善流程品质、降本增效 报告2023-02-01智能财务研究院：智能财务背景下财务人才能力框架和造就门路钻研报告 报告2023-01-25智能财务研究院：2022年中国企业智能财务年度考察 报告2023-01-25德勤：首席财务官助力企业拥抱数智改革-2022年中国首席财务官调查报告 报告2023-01-25德勤：关键时刻系列白皮书之动静财务- 报告2023-01-03德勤：2022年中国首席财务官调查报告第2期：数智时代，首席财务官的数... 报告2022-12-30智能财务研究院：人工智能技术财务利用蓝皮书 报告2022-12-10毕马威：2022年寰球半导体行业瞻望-只管供应链面临严厉挑战-但财务和... 报告2022-10-28BCG：财务职能是否为将来做好筹备？(英文版） 报告2022-09-27艾媒征询：2022年中国数字云财务行业倒退钻研报告 报告2022-09-15艾媒征询：2022年中国数字云财务行业倒退钻研报告 报告2022-09-15艾媒征询：2022年中国数字云财务行业倒退钻研报告 报告2022-08-28德勤：新冠疫情对储蓄的影响：财务安全感升高 报告2022-08-17普华永道：2022年国内财务报告准则变动 报告2022-06-16用友网络：2022大型企业财务数智化转型白皮书-实时会计智能财务 报告2022-06-07普华永道：2022年国内财务报告准则的变动 报告2022-05-25德勤：2022年中国首席财务官调查报告 报告2022-05-10智能财务：2021调查报告中国企业财务智能化现状 报告2022-05-03微软&普华永道：迈向将来财务 - 中国企业财务数字化转型白皮书 报告2022-04-18德勤：财务2025：回顾与瞻望（上） 报告2022-02-11普华永道\&ACCA：财务职能：把握时机 报告2022-01-20亿欧智库：业财交融开启智能时代全链路财务改革 报告2021-07-06普华永道：群雄逐鹿 变者胜出——商业银行财务数字化转型 报告2021-04-30

报告链接：https://tecdat.cn/?p=33234原文出处：拓端数据部落公众号2022年，受到疫情烦扰，宏观经济面临压力，广告主市场信念不稳固。在这种状况下，广告估算整体降落，更加重视品牌长期价值和在家场景的投放。同时，政策疏导和标准同样重要，为推动广告产业数字化转型提供高质量反对。浏览原文，获取专题报告合集全文，解锁文末152份互联网广告相干行业钻研报告。 2022年，细分广告市场如搜寻、视频和电商等迅速开释了营销价值，顶级平台积极探索内容、场景和畛域等方面的营销增长点。随着Web3时代的到来，虚实交融媒体模式和全渠道全触点营销得以迅速倒退，无望从新定义互联网广告生态系统。将来，厂商需继续进步数字营销品质，以满足广告主对降低成本、提高效益和个性化营销服务需要的一直增长的要求。 挪动互联网的流量稳定增长，企业须要从内容、场景和场域等方面寻求营销的增长点用户流量是互联网广告的重要推动力之一，但其整体增速逐年放缓。在各类流量中，社交通信、视频和挪动购物流量放弃较大规模，并且在营销畛域占据次要位置。短视频平台的增长速度也相当可观，依然是内容竞争的热点。到2022年，互联网巨头通过深刻开掘垂类内容、增强场景互动以及构建新的流量畛域等形式来寻求营销势能的增长。 本专题内的参考报告（PDF）目录易观剖析：2023中国互联网广告市场年度剖析 报告2023-05-29创客贴：2022年互联网广告营销增长报告 报告2022-10-17秒针零碎：2022H1中国互联网广告流量洞察 报告2022-08-08QuestMobile：2022互联网广告市场半年大报告 报告2022-08-03TalkingData：2021互联网广告行业报告 报告2022-04-28QuestMobile：2021年中国互联网广告市场洞察 报告2022-04-06易观：中国互联网广告年报2021 报告2021-12-30QuestMobile：2021 互联网广告市场半年大报告 报告2021-09-02易观：中国互联网广告市场年度综合剖析 报告2018-09-05IBA：IAB互联网广告支出报告 报告2017-01-20DataEye：2023上半年国内游戏成果广告白皮书 报告2023-07-12CTR媒介智讯：2023年1-5月广告市场投放数据概览 报告2023-07-09Sensor Tower：美国Snapchat广告现状报告 报告2023-07-07Tenjin：转型 2023：从广告变现到混合变现 报告2023-07-06Sensor Tower：2022年及当前挪动经济和数字广告报告 报告2023-06-26Mediaocean：2023年年中广告瞻望 报告2023-06-20CTR：2023年1-4月广告市场投放数据概览报告 报告2023-06-19腾讯广告：2023汽车经销商视频号经营手册 报告2023-06-09CTR：2023中国广告主营销趋势调查报告 报告2023-06-07腾讯广告：2023全民学习力洞察与腾讯数字营销指南 报告2023-06-04巨量引擎：搜寻成果广告操盘攻略 报告2023-06-04IPA：2023年英国广告业普查报告 报告2023-06-01巨量引擎：2023品牌广告工具书-品牌广告请答复 报告2023-05-30易观剖析：2023中国互联网广告市场年度剖析 报告2023-05-29podsights：2023年q2播客广告报告（英文版） 报告2023-05-29Podsights：2023年Q2播客广告报告 报告2023-05-26Jungle Scout：2023年亚马逊广告报告 报告2023-05-24TalkingData：2022年广告行业流量洞察报告 报告2023-05-20OMG宏盟：2023中国媒介广告市场瞻望报告 报告2023-05-19澄志创投&投中资本：中国广告营销行业资本报告2022 报告2023-05-14独角招聘：2023年广告营销行业薪酬报告 报告2023-05-13群邑：2023年印度广告报告 报告2023-05-11CTR：2023年Q1户外广告数据概览 报告2023-05-10CTR：2023年Q1播送广告数据概览 报告2023-05-10CTR：2023年Q1电视广告数据概览 报告2023-05-10CTR：2023年Q1广告市场投放数据概览 报告2023-05-07腾讯广告：内容升维 全域共振-腾讯车企视频号经营指南 报告2023-04-30SensorTower：2023年寰球手游广告投放趋势洞察 报告2023-04-28克劳锐：2022-2023广告主KOL营销市场盘点及趋势预测 报告2023-04-26impact：超过广告：品牌营销投放如何实现品效合一？ 报告2023-04-18AppGrowing：2023开年小说浏览广告投放趋势 报告2023-04-17径硕科技：2023年B2B企业广告投放指南-知乎篇 报告2023-04-09群邑：2023年中国广告市场瞻望 报告2023-03-27中国传媒大学 & 国家广告研究院 ：新营销4.0：新营销云时代（202... 报告2023-03-26SHOPLINE私享会&鲁班跨境通：谷歌广告投放“赢”销干货攻略（20... 报告2023-03-23Meltwater融文：哪些广告商“博得”了 超级碗的中场之战？ 报告2023-03-20腾讯广告：2023腾讯新职教机构「商品力」养成指南 报告2023-03-19国双：2022年中国全域广告异样流量白皮书 报告2023-03-17Smartly.io：2023年数字广告趋势 报告2023-03-16CTR：2022年广告市场投放数据概览 报告2023-03-15AppGrowing：招商加盟广告投放趋势剖析 报告2023-03-13AppGrowing：2023教育培训广告投放洞察 报告2023-03-08腾讯广告：全域经营年度案例精选（2023） 报告2023-03-02Sensor Tower：2023年美国OTT广告报告 报告2023-03-01Liftoff：2023年挪动利用广告创意综合报告 报告2023-02-27Sensor Tower：2022年第四季度美国利用广告报告 报告2023-02-24腾讯广告&零一数科：视频号激活美妆全域经营-腾讯美妆视频号经营指南 报告2023-02-22秒针零碎：2023春节广告营销洞察 报告2023-02-16ANA：2022年广告代理薪酬报告 报告2023-02-15MNTN：全面理解联网电视广告 报告2023-02-14Winterberry Group：2023年广告、营销和数据瞻望 报告2023-02-13Meta：顺应时代变迁，晋升广告体现 报告2023-02-11Pathmatics：2022年欧洲社交媒体广告报告 报告2023-02-09MAGNA：流媒体电视广告报告 报告2023-02-08中国汽研&腾讯广告：新型生产趋势下车企的营销数字化转型 报告2023-02-04AppGrowing：2022年度挪动广告优化师倒退白皮书 报告2023-01-18秒针系&中国广告协会：2023KOL营销白皮书 报告2023-01-17TopOn：2022年度寰球手游广告变现报告 报告2023-01-17腾讯广告：微信搜寻营销手册（奢美行业） 报告2023-01-08AppGrowing&月狐数据：2022年挪动广告流量白皮书 报告2023-01-08Podsights：2022年第四季度广告基准报告 报告2023-01-06群邑：2022年年底寰球广告预测报告 报告2022-12-22CTR：2022年1-10月电视、播送、户外广告数据概览 报告2022-12-18泽平宏观：中国广告行业钻研报告2022：新媒体时代 报告2022-12-17腾讯广告：2022腾讯广告企业微信私域经营白皮书 报告2022-12-16巨量算数：搜寻成果广告干货笔记 报告2022-12-03AppGrowing：2022年Q3媒体广告支出及投放趋势剖析 报告2022-12-01CTR：2022年1-9月广告市场投放数据概览 报告2022-11-15Meta：业余服务音讯中转广告指南 报告2022-11-13巨量引擎：巨量引擎穿山甲广告营销通案 报告2022-11-09小红书：小红书竞价广告根底&实操倡议领导 报告2022-10-29群邑：2022年法国年中广告报告 报告2022-10-28CTR：2022年中国广告市场趋势 报告2022-10-25创客贴：2022年互联网广告营销增长报告 报告2022-10-17App Growing：2022年Q3挪动广告投放市场剖析 报告2022-10-17App Sumer：2022年第二季度挪动广告基准报告 报告2022-10-11Meta：利用内广告、利用内购买与多样化变现模式：实现游戏飞速发展 报告2022-10-10AppGrowing：大数据洞察金融广告投放趋势 报告2022-10-06AppsFlyer：2022智能电视（CTV）广告终极投放指南 报告2022-10-04AppGrowing：2022年Q2流量媒体广告支出剖析 报告2022-10-03灵眸：2022年中国电梯广告流传成果评估监测报告 报告2022-10-01IAB：2022年澳大利亚视频广告报告（英文版） 报告2022-09-24远瞩征询：2022年中国广告市场剖析 报告2022-09-20寰球软件开发大会：美团外卖广告智能算力实际 报告2022-09-19AppGrowing：2022年Q2媒体广告支出及投放趋势剖析 报告2022-09-19IAB：2022年澳大利亚视频广告报告 报告2022-09-13CTR：2022年1-7月广告市场投放数据概览 报告2022-09-13艾瑞征询：中国品牌广告营销策略白皮书 报告2022-09-11AppGrowing：抖音快手B站知乎小红书广告媒体投放增长洞察 报告2022-09-11头豹：2022年中国广告机行业-趁智慧城市东风-需要重振（摘要版） 报告2022-09-07腾讯广告：平台与内容广告-品牌营销手册 报告2022-09-07艾瑞征询：2022年中国品牌广告营销策略白皮书 报告2022-09-07AppGrowing：抖音快手B站知乎小红书，广告媒体投放增长洞察 报告2022-09-02TradPlus：2022年中版寰球手游广告变现白皮书 报告2022-08-30中国音数协游戏工委：2022中国移动游戏市场广告营销报告 报告2022-08-29DataEye：2022上半年游戏成果广告白皮书 报告2022-08-28CTR：2022年户外广告数据概览(半年刊) 报告2022-08-26CTR：2022年播送广告数据概览(半年报) 报告2022-08-26CTR：2022年电视广告数据概览(半年报) 报告2022-08-26Feedvisor：2022年亚马逊广告基准和趋势（EN） 报告2022-08-21独角招聘：2022广告营销行业人才趋势报告 报告2022-08-21群邑：2022年年中广告预测报告 报告2022-08-20腾讯广告\&DataEye：2022微信小游戏增长白皮书 报告2022-08-18CTR：2022年H1广告市场投放数据概览 报告2022-08-17巨量：2022品牌广告六大风向标 报告2022-08-15秒针零碎：2022H1中国互联网广告流量洞察 报告2022-08-08CTR：2022中国广告主营销趋势考察 报告2022-08-07德勤&谷歌：2022年亚太泛电商钻研报告：解锁新机遇，广告变现发明多元... 报告2022-08-03QuestMobile：2022互联网广告市场半年大报告 报告2022-08-03腾讯广告：游览行业如何玩转视频号 从0到1开启私域营销 报告2022-08-02谷歌：2022 年亚太泛电商钻研 — 解锁新机遇，广告变现发明多元价值 报告2022-08-01TopOn：2022上半年网服类APP广告变现报告 报告2022-08-01AppGrowing：2022上半年挪动广告流量察看白皮书（下） 报告2022-07-25TopOn：2022上半年网服类APP广告变现报告 报告2022-07-21Meta：视频广告策动和购买指南 报告2022-07-18AppGrowing：2022Q1海内市场挪动广告投放趋势洞察 报告2022-07-15TopOn：2022上半年寰球手游广告变现报告 报告2022-07-10京东：新商家广告成长攻略 报告2022-06-30Jungle Scout：2022年亚马逊广告报告（EN） 报告2022-06-28澄志创投&投中资本：中国广告营销行业资本报告2021 报告2022-06-13巨量引擎：2022品牌广告价值降级—直击消费者心智，做好确定性增长 报告2022-06-13AppGrowing：2022 Q1海内市场挪动广告投放趋势洞察 报告2022-06-10Sensor Tower：2022年寰球手游广告投放趋势洞察 报告2022-06-08克劳锐：2021-2022广告主KOL营销市场盘点及趋势预测 报告2022-06-08群邑：将来十年塑造广告业的科技和行为（EN） 报告2022-05-31中国传媒大学&国家广告研究院&巨量：混媒时代新营销钻研：触点价值和生产... 报告2022-05-13腾讯广告：腾讯广告综合家政行业营销指南 报告2022-05-12TalkingData：2021互联网广告行业报告 报告2022-04-28巨量：2022年搜寻广告营销通案 报告2022-04-19中国传媒大学&国家广告研究院：新营销白皮书：互联网下半场营销改革与趋势... 报告2022-04-13巨量引擎&穿山甲：广告营销通案 报告2022-04-07QuestMobile：2021年中国互联网广告市场洞察 报告2022-04-06BCode：2021年非洲裔美国人数字广告态度调查报告（EN） 报告2022-03-25国双：中国全域广告异样流量白皮书2022 报告2022-03-16CTR：2021年中国广告市场回顾 报告2022-03-03易车研究院：车联网洞察报告之车机广告篇(2022版) 报告2022-02-25Marin：2022 年数字广告的十大趋势（EN） 报告2022-02-16腾讯广告：2022 Q1 游戏优选休闲游戏发行通案 报告2022-02-11FaceBook：游戏广告盈利翻新策略 报告2022-02-10TopOn：2021年度寰球手游广告变现报告 报告2022-01-20App Growing：2021年度挪动广告流量察看白皮书 报告2022-01-14普华永道：广告及营销服务行业的新增长门路 报告2022-01-13

原文链接：http://tecdat.cn/?p=22632 原文出处：拓端数据部落公众号这篇文章形容了一种对波及季节性和趋势成分的工夫序列的中点进行建模的办法。咱们将对一种叫做STL的算法进行钻研，STL是 "应用LOESS(部分加权回归)的节令-趋势合成 "的缩写，以及如何将其利用于异样检测。 其根本思维是，如果你有一个有法则的工夫序列，你能够通过STL算法运行该序列，并拆散出法则的模式。剩下的是 "不规则的"，而异样检测相当于断定不规则性是否足够大。 例子：航空乘客，1949-1960让咱们在数据集上运行该算法，该数据集给出了1949-1960年期间每月的航空公司乘客数量。首先，这是未经批改的工夫序列。 plot(y)      这里显然有一个规律性的模式，然而在这个序列中没有任何显著的降落，无奈在异样检测中显示进去。所以咱们将设置一个。\  y[40] = 150     跌幅足够大，咱们心愿异样检测能发现它，但又不至于大到你只看一眼图就会发现。当初让咱们通过STL查看它。  plot(fit)     首先，我不是在y上运行STL，而是在log(y)上。 该算法将序列合成为三个局部：季节性、趋势和残余成分。季节性是周期性成分，趋势是个别的回升/降落，残余成分是剩下的趋势成分。季节性和趋势独特形成了序列的 "惯例 "局部，因而是咱们在异样检测过程中要剔除的局部。 残余局部基本上是原始序列的正常化版本，所以这是咱们监测异常情况的局部。残余序列的降落是很显著的。咱们在1952年初设置的异样降落很可能算在内。 咱们还能够调整每一时期的观测值数量，负责拆散季节性和趋势成分的平滑办法，拟合模型的 "稳健性"（即对异样值不敏感）等等。这些参数中的大多数须要对根底算法的工作原理有肯定的理解。 上面是一些显示理论数据与阈值的代码。 data <- merge(df, ba, by.x='x')ggplot(data) + geom(aes(x=x, ymin=ymin, ymax=ymax))   再次，聪慧如你可能会留神到通过exp()进行的逆变换。咱们当初探讨这个问题。 为什么要进行对数和逆变换？并非所有的合成都波及对数变换，但这个合成却波及。其起因与合成的性质无关。STL的合成总是加法的。 y = s + t + r但对于某些工夫序列，乘法合成更适宜。 y = str这种状况产生在销售数据中，季节性成分的振幅随着趋势的减少而减少。这实际上是乘法序列的标记，航空旅客序列也体现出这种模式。为了解决这个问题，咱们对原始值进行对数转换，这使咱们进入加法畛域，在那里咱们能够进行STL合成。当咱们实现后，咱们再进行逆变换，回到原始序列。 多重季节性的状况如何？一些工夫序列有一个以上的季节性。例如，在酒店预订工夫序列有三个季节性：每日、每周和每年。 尽管有一些程序能够生成具备多个季节性成分的合成，但STL并没有这样做。最高频率的季节性被作为季节性成分，而任何较低频率的季节性都被排汇到趋势中。 最受欢迎的见解 1.在python中应用lstm和pytorch进行工夫序列预测 2.python中利用长短期记忆模型lstm进行工夫序列预测剖析 3.应用r语言进行工夫序列（arima，指数平滑）剖析 4.r语言多元copula-garch-模型工夫序列预测 5.r语言copulas和金融工夫序列案例 6.应用r语言随机稳定模型sv解决工夫序列中的随机稳定 7.r语言工夫序列tar阈值自回归模型 8.r语言k-shape工夫序列聚类办法对股票价格工夫序列聚类 9.python3用arima模型进行工夫序列预测

原文链接 :https://tecdat.cn/?p=35180原文出处：拓端数据部落公众号随着国内政策调整，挪动APP业务前景充斥不确定性，但这也为出海利用带来了新机遇。2023年，AI和短剧利用的崛起为出海行业注入了信念。随着用户需要增长和技术提高，这两个畛域无望在2024年迎来更大倒退。浏览原文，获取专题报告合集全文，解锁文末126份挪动利用相干行业钻研报告。 然而，在多变的市场环境中，仅依赖热门赛道并不足以确保胜利。出海公司必须深刻理解指标用户需要，并制订有针对性的营销策略，以实现业务增长和长期胜利。 海内网盟成果广告投放策略网盟具备笼罩大媒体难以涉及的人群、地区和品类的能力，因而成为了广告主寻求额定流量的首选渠道。特地是在2023年，金融、社交娱乐、电商和工具类利用成为了网盟广告的次要竞争畛域。 基于成果付费的网盟广告策略，可能依据广告主的需要制订精准的投放打算和创意内容。Flat Ads作为寰球当先的挪动广告营销平台，致力于帮忙广告主进步营销成果、扩充知名度，进而实现业务增长。 据权威报告显示，寰球联盟营销行业价值已超过120亿美元，其中80%的营销者借助联盟营销我的项目推动支出增长。这种模式的胜利在于其为广告主与合作伙伴发明了微小的经济收益。 程序化广告次要以Interstitials、Native和Banner等传统广告模式进行投放，这些广告模式可能高效地触达指标受众，实现广告的宽泛笼罩和精准投放。 本专题内的参考报告（PDF）目录宽广大&Flat Ads：2023年寰球挪动利用（非游戏）营销趋势白皮... 报告2024-02-15PubMatic：品牌广告与移动游戏-品牌广告收入转向游戏畛域对发行商... 报告2024-02-15CTR：2023年度挪动互联网用户生产洞察报告 报告2024-02-15Adjust：2023挪动利用趋势区域聚焦：拉丁美洲-利用体现基准及洞... 报告2024-02-15游戏日报：2023全年度寰球手游挪动广告趋势洞察报告 报告2024-01-31data.ai：2023年AIGC挪动市场洞察报告 报告2024-01-30TopOn&维卓WEZO&AppMagic：2023寰球挪动利用广告营... 报告2024-01-25DataEye：2023年寰球移动游戏买量洞察报告 报告2024-01-25爱立信：2023年年底挪动报告 报告2024-01-24ADJUST：挪动利用趋势区域聚焦：拉丁美洲 报告2024-01-22IMT-2020(5G)推动组：2023 挪动通信与AI交融的数据格式... 报告2024-01-21data.ai：2024挪动市场报告 报告2024-01-19Liftoff：2024年挪动利用营销人员调查报告 报告2024-01-15点点数据：2023“苹果行将凋谢利用侧载”对于移动游戏市场的影响趋势洞... 报告2024-01-14点点数据：2023年海内移动游戏市场钻研报告 报告2024-01-12点点数据：2023年寰球SLG移动游戏市场趋势报告 报告2024-01-07中国信通院：挪动物联网业务转售钻研报告 (2023年) 报告2024-01-05中国移动：2023面向6G数据服务的设计思考报告 报告2023-12-31生态环境部：中国移动源环境治理年报 报告2023-12-31比达征询：2023年第三季度中国移动浏览市场钻研报告 报告2023-12-25GSMA：2023年中东和北非挪动经济报告 报告2023-12-25Data.ai：2024年度5大挪动利用市场预测报告 报告2023-12-10GSMA：2023年欧洲挪动经济报告 报告2023-12-08IMT-2020(5G)推动组：2023面向5G-A的挪动算力网络需要... 报告2023-12-03data.ai：2024年度从下载到支出：挪动利用变现指南 报告2023-12-03data.ai：2023批发行业指南：把握挪动批发策略报告 报告2023-12-03Adjust：2023挪动利用趋势报告 报告2023-11-15艾瑞征询：2023年Q3中国移动互联网流量季度报告 报告2023-11-12IDC：2023中国移动云生态白皮书-汇聚生态势能 共赴云上新机 报告2023-11-06GSMA：2023年撒哈拉以南非洲挪动经济报告 报告2023-11-03月狐数据：2023年Q3挪动互联网行业数据钻研报告 报告2023-10-30华为：下一代铁路挪动通信零碎白皮书 报告2023-10-29中国政务服务掌办指数：2023中国省级挪动政务服务报告 报告2023-10-25汇量科技：2023国内挪动利用出海白皮书-社交篇 报告2023-10-23GSMA：2023年挪动互联网报告 报告2023-10-20AppFlyer&TikTok：2023挪动利用出海获客与再营销实操指... 报告2023-10-15宽广大&游戏魔客：2023Q3寰球移动游戏营销趋势洞察报告 报告2023-10-14GSMA：北美挪动经济报告 报告2023-10-13Mobvista：Mobvista挪动广告反作弊白皮书 报告2023-10-12CTR洞察：2023年中国移动互联网用户趋势报告 报告2023-10-06爱立信：2023爱立信挪动市场报告（商业评论版） 报告2023-09-29电信平安&爱加密：2023上半年全国挪动利用平安观测报告 报告2023-09-27GSMA：2023年挪动性别差距报告（英文版） 报告2023-09-25网易智企：2023中国移动游戏私域经营指南-启动篇 报告2023-09-19data.ai：2023年挪动市场报告-中东与北非 报告2023-09-17宽带移动信息通信铁路行业重点实验室：2023铁路5G-R可视技术利用白... 报告2023-09-11QuestMobile：2023中国移动互联网半年大报告 报告2023-09-08腾讯智慧能源：挪动赋能轻装上阵-助⼒环境⾏业麻利转型 报告2023-09-03IDC&挪动云：建设医疗云平台，构建全民衰弱数字化枢纽 报告2023-09-03中国移动：2023中国移动数据快递技术白皮书 报告2023-09-02GoUpSec：2023挪动平安产品及服务购买决策参考 报告2023-09-02点点数据：2023中东移动游戏市场洞察报告 报告2023-09-01艾瑞征询：2023H1中国移动互联网流量半年报告 报告2023-08-26Airship：2023年挪动消费者报告 报告2023-08-23钛动科技：2023挪动储能出海洞察白皮书 报告2023-08-21GSMA：2023年亚太地区挪动经济报告 报告2023-08-17IDC&挪动云：2023建设医疗云平台构建全民衰弱数字化枢纽-中国移动... 报告2023-08-04AppGrowing：2023上半年挪动广告行业买量分析 报告2023-08-04WAA联盟&华为&中国移动：2023企业典型场景高品质WLAN网络建设... 报告2023-08-03伽马数据&数数科技：2023中国移动游戏品类倒退钻研报告 报告2023-08-01Unity：2023移动游戏增长与变现报告 报告2023-07-31AppGrowing：2023上半年挪动广告流量白皮书 报告2023-07-31月狐数据：2023年Q2挪动互联网行业数据钻研报告 报告2023-07-26Tenjin：隐衷反动启示录-挪动营销白皮书 报告2023-07-24头豹：2023年商业模式系列钻研-探析操作系统（挪动OS、桌面OS、云... 报告2023-07-22TopOn&点点数据：2023H1寰球挪动利用市场与广告变现报告 报告2023-07-21点点数据：2023上半年寰球移动游戏市场数据报告 报告2023-07-20零束科技&中国移动研究院：2023年车载模组技术倒退白皮书 报告2023-07-20宽广大&Snapchat：2023H1寰球挪动利用营销趋势洞察报告 报告2023-07-20宽广大&Nox聚星：2023Q2寰球移动游戏营销趋势报告 报告2023-07-05挪动网络品质领航方阵：2022年挪动网络高质量倒退优良案例集 报告2023-07-03挪动网络品质领航方阵：2022年度全国重点区域挪动网络品质评测公众众测... 报告2023-07-02德勤：到2035年的汽车挪动的将来-挪动服务提供商在将来的价值链中可能... 报告2023-06-29中国移动研究院：打造算网一体翻新洼地，推动算力网络纵深倒退 报告2023-06-28易观剖析：中国移动浏览市场年度综合剖析2023 报告2023-06-28Sensor Tower：2022年及当前挪动经济和数字广告报告 报告2023-06-26挪动网络品质领航方阵：全国地铁场景挪动网络品质专刊-2022年度 报告2023-06-25挪动网络品质领航方阵：全国挪动网络品质监测报告（2023年第一季度） 报告2023-06-24GSMA：2023年挪动性别差距报告 报告2023-06-20Adjust：INSEA挪动利用幅员纵览 报告2023-06-20挪动网络品质领航方阵：2022年度全国重点区域挪动网络品质专项评测现场... 报告2023-06-18挪动网络品质领航方阵：2023年第一季度全国挪动网络品质监测报告 报告2023-06-15SensorTower：印度西北业地区INSEA 挪动利用幅员纵览 报告2023-06-13数据城堡&挪动云：人工智能与数据迷信比赛白皮书2022 报告2023-06-12艾瑞征询：2023年Q1中国移动互联网流量季度报告 报告2023-06-02宽广大：2023社交&大衰弱挪动市场时机与洞察报告 报告2023-05-31伽马数据：2022-2023移动游戏ip市场倒退报告 报告2023-05-25极光：2023挪动互联网母婴亲子行业钻研报告 报告2023-05-22ADJUST：2023年联网电视指南：挪动利用营销必备行业预测及洞察报... 报告2023-05-15Adjust：2023年联网电视指南：挪动利用营销必备行业预测及洞察报... 报告2023-04-28月狐数据：2023年Q1挪动互联网行业数据钻研报告 报告2023-04-22GSMA：循环经济策略报告：挪动设施 报告2023-04-19石基信息：2023年酒店业技术钻研报告-拥抱挪动化和自助服务 报告2023-04-10猎豹挪动：为什么ChatGPT是生产力反动（2023） 报告2023-04-09Adjust：2023年挪动利用趋势报告 报告2023-04-08宽广大&易点天下：2023Q1寰球移动游戏营销趋势洞察报告 报告2023-04-07安信：ChatGPT挪动应用程序威逼剖析报告（2023） 报告2023-04-04中国电信＆中兴：将来挪动核心网演进趋势白皮书 报告2023-04-03宽广大：2023寰球移动游戏真人素材爆款察看 报告2023-03-30DataSparkle：2023非洲挪动利用市场格局之变 报告2023-03-29GSMA：2023年中国移动经济倒退报告 报告2023-03-27Cision&美通社：2023 年世界挪动通信大会(MWC)报告 报告2023-03-26Sensor Tower：2023年寰球挪动电商利用市场洞察报告 报告2023-03-11Sensor Tower：2023年挪动电商利用市场洞察 报告2023-03-08Sensor Tower：2023年寰球移动游戏市场瞻望 报告2023-03-01Liftoff：2023年挪动利用广告创意综合报告 报告2023-02-27七麦数据：2022年挪动互联网白皮书 报告2023-02-26QuestMobile：2022中国移动互联网年度大报告 报告2023-02-22Opensignal：2023年寰球挪动网络体验排行榜 报告2023-02-19Sensor Tower：2023年寰球挪动利用（非游戏）市场瞻望 报告2023-02-14GSMA：2022年撒哈拉以南非洲挪动经济报告 报告2023-02-12月狐数据：2022Q4挪动互联网行业数据钻研报告 报告2023-02-06月狐数据：2022卡塔尔世界杯挪动互联网洞察报告 报告2023-02-05SensorTower：2022年韩国移动游戏市场洞察 报告2023-01-29神策数据：从理念到落地，数据驱动融媒挪动端智能降级 报告2023-01-25AppGrowing：2022年度挪动广告优化师倒退白皮书 报告2023-01-18北京邮电大学&中国移动研究院：6G全息通信利用场景白皮书 报告2023-01-17data.ai：2023年挪动市场报告 报告2023-01-17宽广大：2022寰球移动游戏营销白皮书 报告2023-01-16Sensor Tower：2022年美国移动游戏市场洞察 报告2023-01-16QuestMobile：2022中国移动互联网“黑马”盘点报告 报告2023-01-12Sensor Tower：2022年日本移动游戏市场洞察 报告2023-01-10宽广大：2022挪动利用营销变现白皮书 报告2023-01-09AppGrowing&月狐数据：2022年挪动广告流量白皮书 报告2023-01-08中国信通院：2022年挪动物联网倒退报告 报告2023-01-03生态环境部：中国移动源环境治理年报（2022年） 报告2023-01-03

全文链接：https://tecdat.cn/?p=35185原文出处：拓端数据部落公众号数据挖掘技术在跨区域立功预警中的钻研与利用尚处于起步阶段，许多跨区域立功预警业务信息系统还停留在高级解决程度，不足综合性的开发利用，智能化的剖析研判，科学性的决策预警；不足对数据由宏观到宏观的加工能力，由宏观数据到宏观数据的问题发现伎俩。 如何利用数据挖掘技术开掘和提取潜藏在大量业务数据中具备关联性的法则趋势，进步跨区域立功预警执法效率与快速反应能力、及时预防和打击犯罪行为，为警务决策提供反对服务，是本文钻研的重点。 在联合公安犯罪行为剖析理论的根底上，进行了基于决策树算法的犯罪行为剖析原型零碎设计，提出了性能需要与零碎流程图，介绍了原型零碎模块形成和实现。 分析表明：使用数据挖掘技术对公安信息数据库中的海量数据进行开掘解决，发现趋势法则，从而疾速精确的辅助警务决策，在跨区域立功预警中具备重要的现实意义。 数据筹备本文应用社区与立功相干数据，其联合了人口普查的社会经济数据。通过相干的数据，咱们将进行数据分析，失去想要的后果。社区立功自身与许多因素无关，Communities也提供了很多相干数据。因为数据有所缺失，在应用前咱们进行了相干解决。 首先，咱们取ViolentCrimesPerPop（total number ofviolent crimes per 100K popuation）作为因变量，与这些影响元素做回归剖析，发现拟合的成果很差，而且后果也难以解读。 跨区域立功预警模型的建设在联合公安犯罪行为剖析理论的根底上，进行了基于决策树算法的犯罪行为剖析原型零碎设计与试验，提出了性能需要与零碎流程图，介绍了原型零碎模块形成和实现。试验及分析表明：使用数据挖掘技术对公安信息数据库中的海量数据进行开掘解决，发现趋势法则，从而疾速精确的辅助警务决策，在跨区域立功中具备重要的现实意义。 建设模型和评估优化接下来咱们通过画图来察看局部系数测验成果很好的变量 采纳主成分剖析降维看图screeplot,思考前6个主成分 能够看到测验成果还不错,再进一步察看： 察看图predict.jpg能够看到总体趋势的确靠近,然而无奈再进一步作更准确的预测,因此转向其余办法 建设模型和优化接下来，咱们用决策树对communities分类 并找出那些对ViolentCrimesPerPop最有影响的因素 summary(D$ViolentCrimesPerPop) 按1st Qu,3rd Qu划分,将社区评级为Good,Medium,Bad plot(rp)text(rp) 能够看到,决策树的次要的分类节点为 PctKids2Par: percentage of kids in familyhousing with two parents HousVacant: number of vacant households pctWInvInc: percentage of households withinvestment / rent income in 1989 OwnOccHiQuart: owner occupied housing -upper quartile value NumIlleg: number of kids born to nevermarried racePctWhite: percentage of population thatis caucasian ...

原文链接：http://tecdat.cn/?p=13709 原文出处：拓端数据部落公众号    大数据曾经成为改革和翻新的技术力量和思维形式，成为以后钻研的热门畛域。    本文对相干主题下的知网期刊文章数据集进行剖析，辨认出期刊文章内容近年来变动的法则。 期刊热门栏目近年来的变动通过几年的蓄势待发，13年伊始，“大数据”成为热门概念，人民日报将2013年称为“大数据元年”。咱们将2013年作为工夫点，对其前后7年的期刊热门栏目数目的变动进行比拟。 图表1 能够发现与数据相干的信息技术、统计钻研、计算机科学、软件开发等栏目数目在2013年当前呈现减少（图1），这在肯定水平上阐明对于大数据迷信的钻研处于增长阶段。局部13年以前热门的栏目因为概念逐步冷门或者名称变动，数量逐步缩小，如微计算机信息、教学研究等。同时能够发现网络技术、农业装备与机械化工程 、医疗信息系统等栏目数量没有产生显著变动。 不同主题下的期刊栏目数目变动本文对数据集进行概率潜在语义剖析主题建模，辨认出题目中呈现的高频词汇，并钻研其散布法则。思考文章中呈现频率最高的词汇，因而咱们基于要害词组以及文章主题进行PLSA剖析。 图表2 通过屡次循环发现，当K =5 时后果最优，因而将数据调配到5个潜在主题下。在此基础上，失去了潜在主题1的抽取概率以及对应的前 3 个标签，并将其最高频率作为主题代表词。 从图2能够发现，对主题1而言，它上面所属的“数据”、“信息”、“链接”、“办法”以及“信息”概括出了此题目次要是针对信息管理方面进行形容，在此将每组中前 3 个标签里概率最大的作为主题元素。 通过 图 2 ，能够很显著的察看到概率潜在语义分析法可能在肯定水平上将具备代表性的标签显示进去。依据 图 2 所形容的主题1-主题5下的高频标签状况，能够察看发现，有一些标签如“数据”、“链接”呈现在很多潜在语义上面，这无力地解决了一词多义的问题，在特定的某个题目下只有确定的某一个含意，同时也将具备雷同或相似含意的标签依据选取的频率值进行过滤。 同时，在对应主题下的标签曾经可能基本上将此资源在相应主题下的特色示意进去。比方对于主题 2 而言，它上面所属的“ 教学 ”、“学生”、“信息”概括出了此题目次要是针对学生 的 信息 技术教学 方面进行形容。 热门关键词在期刊栏目中的散布接下来咱们比照了文章中呈现的高频关键词在不同期刊栏目中的散布，剖析其散布法则。 图表3 从中咱们能够看到 ，13年之后”信息“关键词呈现最多的栏目是信息管理、教育钻研和计算机与网络，13年之前是教育钻研和统计钻研，可见计算机与网络、信息管理和信息教育成为”信息”关键词相干文章的热门利用和钻研畛域。同时能够看到13年之后”数据“关键词呈现最多的栏目是数据技术和信息管理，13年之前是数据库技术统计钻研和微计算机信息，可见数据库技术、信息管理和统计钻研成为”数据”关键词相干文章的热门利用和钻研畛域。

原文链接：http://tecdat.cn/?p=2687原文出处：拓端数据部落公众号 什么是MCMC，什么时候应用它？MCMC只是一个从散布抽样的算法。 这只是泛滥算法之一。这个术语代表“马尔可夫链蒙特卡洛”，因为它是一种应用“马尔可夫链”（咱们将在前面探讨）的“蒙特卡罗”（即随机）办法。MCMC只是蒙特卡洛办法的一种，只管能够将许多其余罕用办法看作是MCMC的简略特例。   我为什么要从散布中抽样？从散布中抽取样本是解决一些问题的最简略的办法。 可能MCMC最罕用的办法是从贝叶斯推理中的某个模型的后验概率分布中抽取样本。通过这些样本，你能够问一些问题：“参数的平均值和可信度是多少？”。 如果这些样本是来自散布的独立样本，则 预计均值将会收敛在实在均值上。 假如咱们的指标散布是一个具备均值m和标准差的正态分布s。 作为一个例子，思考用均值m和标准偏差s来预计正态分布的均值（在这里，我将应用对应于规范正态分布的参数）： 咱们能够很容易地应用这个rnorm 函数从这个散布中抽样  seasamples<-rn 000,m,s)样本的平均值十分靠近实在平均值（零）： mean(sa es) ## [1] -0. 537事实上，在这种状况下，&dollar; n &dollar;样本预计的预期方差是&dollar; 1 / n &dollar;，所以咱们预计大部分值在&dollar; \ pm 2 \，/ \ sqrt {n} = 0.02 。 summary(re 0,mean(rnorm(10000,m,s)))) ## Min. 1st Qu. Median Mean 3rd Qu. Max. ## -0.03250 -0.00580 0.00046 0.00042 0.00673 0.03550这个函数计算累积平均值之和。 cummean<-fun msum(x)/seq_along(x) plot(cummaaSample",ylab="Cumulative mean",panel.aabline(h=0,col="red"),las=1) 将x轴转换为对数坐标并显示另外30个随机办法： 能够从您的一系列采样点中抽取样本分位数。 这是剖析计算的点，其概率密度的2.5％低于：  p<-0.025a.true<-qnorm(p,m,s)a.true1## [1] -1.96咱们能够通过在这种状况下的间接整合来预计这个 aion(x)dnorm(x,m,s)g<-function(a)integrate(f,-Inf,a)$valuea.int<-uniroot(function(x)g(a10,0))$roota.int1## [1] -1.96并用Monte Carlo积分预计点： ...

原文链接 :http://tecdat.cn/?p=3726最近咱们被客户要求撰写对于工夫序列聚类的钻研报告，包含一些图形和统计输入。 本文咱们将应用k-Shape工夫序列聚类办法查看与咱们有业务关系的公司的股票收益率的工夫序列 企业对企业交易和股票价格在本钻研中，咱们将钻研具备交易关系的公司的价格变化率的工夫序列的相似性。 因为特定客户的销售额与供应商公司的销售额之比拟大，当客户公司的股票价格发生变化时，对供应商公司股票价格的反馈被认为更大。  k-Shapek-Shape [Paparrizos和Gravano，2015]是一种关注工夫序列形态的工夫序列聚类办法。在咱们进入k-Shape之前，让咱们谈谈工夫序列的不变性和罕用工夫序列之间的间隔测度。 工夫序列间隔测度欧几里德间隔（ED）和_动静工夫_规整（DTW）通常用作间隔测量值，用于工夫序列之间的比拟。 两个工夫序列x =（x1，...，xm）和y =（y1，...，ym）的ED如下。 DTW是ED的扩大，容许部分和非线性对齐。 k-Shape提出称为基于形态的间隔（SBD）的间隔。 k-Shape算法k-Shape聚类侧重于归一化和移位的不变性。k-Shape有两个次要特色：基于形态的间隔（SBD）和工夫序列形态提取。 SBD相互关是在信号处理畛域中常常应用的度量。应用FFT（+）代替DFT来进步计算效率。 归一化相互关（系数归一化）NCCc是相互关系列除以单个系列自相干的几何平均值。检测NCCc最大的地位。 SBD取0到2之间的值，两个工夫序列越靠近0就越类似。 形态提取通过SBD找到工夫序列聚类的质心向量 。 k-Shape的整个算法如下。 k-Shape通过像k-means这样的迭代过程为每个工夫序列调配聚类簇。 将每个工夫序列与每个聚类的质心向量进行比拟，并将其调配给最近的质心向量的聚类更新群集质心向量反复上述步骤1和2，直到集群成员中没有产生更改或迭代次数达到最大值。 R 语言k-Shape> start <- "2014-01-01"> df_7974 %>%+     filter(date > as.Date(start))# A tibble: 1,222 x 10   date        open  high   low close   volume close_adj change rate_of_change  code                                  1 2014-01-06 14000 14330 13920 14320  1013000     14320    310       0.0221    7974 2 2014-01-07 14200 14380 14060 14310   887900     14310    -10      -0.000698  7974 3 2014-01-08 14380 16050 14380 15850  3030500     15850   1540       0.108     7974 4 2014-01-09 15520 15530 15140 15420  1817400     15420   -430      -0.0271    7974 5 2014-01-10 15310 16150 15230 16080  2124100     16080    660       0.0428    7974 6 2014-01-14 15410 15755 15370 15500  1462200     15500   -580      -0.0361    7974 7 2014-01-15 15750 15880 15265 15360  1186800     15360   -140      -0.00903   7974 8 2014-01-16 15165 15410 14940 15060  1606600     15060   -300      -0.0195    7974 9 2014-01-17 15100 15270 14575 14645  1612600     14645   -415      -0.0276    797410 2014-01-20 11945 13800 11935 13745 10731500     13745   -9缺失度量用前一个工作日的值补充。（K-Shape容许一些偏差，但以防万一） 每种股票的股票价格和股票价格变化率。 点击题目查阅往期内容 对用电负荷工夫序列数据进行K-medoids聚类建模和GAM回归 左右滑动查看更多 01 02 03 04 将zscore作为“preproc”，“sbd”作为间隔，以及centroid =“shape”，k-Shape聚类后果如下。 > df_res %>%+     arrange(cluster)  cluster centroid_dist code           name1       1     0.1897561 1928     積水ハウス2       1     0.2196533 6479 ミネベアミツミ3       1     0.1481051 8411         みずほ4       2     0.3468301 6658 シライ電子工業5       2     0.2158674 6804       ホシデン6       2     0.2372485 7974         任天堂Nintendo，Hosiden和Siray Electronics Industries被调配到同一个集群。Hosiden在2016年对任天堂的销售比例为50.5％，这表明公司之间的业务关系也会影响股价的变动。 另一方面，MinebeaMitsumi成为另一个集群，然而在2017年Mitsumi与2017年的Minebea合并， 没有应答2016年7月Pokemon Go公布时股价飙升的影响 。 如果您有任何疑难，请在上面发表评论。  本文摘选 《 R语言k-Shape工夫序列聚类办法对股票价格工夫序列聚类 》 ，点击“浏览原文”获取全文残缺材料。 点击题目查阅往期内容 K-means和档次聚类分析癌细胞系微阵列数据和树状图可视化比拟 KMEANS均值聚类和档次聚类：亚洲国家地区生存幸福品质异同可视化剖析和抉择最佳聚类数 PYTHON实现谱聚类算法和扭转聚类簇数后果可视化比拟 无限混合模型聚类FMM、狭义线性回归模型GLM混合利用剖析威士忌市场和钻研专利申请数据 R语言多维数据档次聚类散点图矩阵、配对图、平行坐标图、树状图可视化城市宏观经济指标数据 r语言无限正态混合模型EM算法的分层聚类、分类和密度估计及可视化 Python Monte Carlo K-Means聚类实战钻研 R语言k-Shape工夫序列聚类办法对股票价格工夫序列聚类 R语言对用电负荷工夫序列数据进行K-medoids聚类建模和GAM回归 R语言谱聚类、K-MEANS聚类分析非线性环状数据比拟 R语言实现k-means聚类优化的分层抽样(Stratified Sampling)剖析各市镇的人口 R语言聚类有效性：确定最优聚类数剖析IRIS鸢尾花数据和可视化Python、R对小说进行文本开掘和档次聚类可视化剖析案例 R语言k-means聚类、档次聚类、主成分（PCA）降维及可视化剖析鸢尾花iris数据集 R语言无限混合模型(FMM,finite mixture model)EM算法聚类分析间歇泉喷发工夫 R语言用温度对城市档次聚类、kmean聚类、主成分剖析和Voronoi图可视化 R语言k-Shape工夫序列聚类办法对股票价格工夫序列聚类 R语言中的SOM(自组织映射神经网络)对NBA球员聚类分析 R语言简单网络分析：聚类（社区检测）和可视化 R语言中的划分聚类模型 基于模型的聚类和R语言中的高斯混合模型 r语言聚类分析：k-means和档次聚类 SAS用K-Means 聚类最优k值的选取和剖析 用R语言进行网站评论文本开掘聚类 基于LDA主题模型聚类的商品评论文本开掘 R语言鸢尾花iris数据集的档次聚类分析 R语言对用电负荷工夫序列数据进行K-medoids聚类建模和GAM回归 R语言聚类算法的利用实例 ...

全文链接：http://tecdat.cn/?p=27078最近咱们被客户要求撰写对于KShape对工夫序列进行聚类的钻研报告，包含一些图形和统计输入。 时序数据的聚类办法，该算法依照以下流程执行。 应用基于相互关测量的间隔标度（基于形态的间隔：SBD）依据 1 计算工夫序列聚类的质心。（一种新的基于质心的聚类算法，可保留工夫序列的形态）划分成每个簇的办法和个别的kmeans一样，然而在计算间隔尺度和重心的时候应用下面的1和2。import pandas as pd     # 读取数据帧，将其转化为工夫序列数组，并将其存储在一个列表中    tata = []    for i, df in enmee(dfs):                # 查看每个工夫序列数据的最大长度。        for ts in tsda:            if len(s) > ln_a:                lenmx = len(ts)                # 给出最初一个数据，以调整工夫序列数据的长度        for i, ts in enumerate(tsdata):            dta[i] = ts + [ts[-1]] * n_dd        # 转换为矢量    stack_list = []    for j in range(len(timeseries_dataset)):               stack_list.append(data)        # 转换为一维数组    trasfome_daa = np.stack(ack_ist, axis=0)    return trafoed_data数据集筹备# 文件列表flnes= soted(go.ob('mpldat/smeda*.csv'))# 从文件中加载数据帧并将其存储在一个列表中。for ienme in fiemes:    df = pd.read_csv(filnme, indx_cl=one,hadr=0)    flt.append(df)聚类后果的可视化# 为了计算穿插关系，须要对它们进行归一化解决。# TimeSeriesScalerMeanVariance将是对数据进行规范化的类。sac_da = TimeeiesalerMVarne(mu=0.0, std=1.0).fit_trnform(tranfome_data)# KShape类的实例化。ks = KShpe(_clusrs=2, n_nit=10, vrboe=True, rano_stte=sed)yprd = ks.ft_reitsak_ata)# 聚类和可视化plt.tight_layout()plt.show() 点击题目查阅往期内容 R语言k-Shape工夫序列聚类办法对股票价格工夫序列聚类 左右滑动查看更多 01 02 03 04 用肘法计算簇数什么是肘法...计算从每个点到簇核心的间隔的平方和，指定为簇内误差平方和 (SSE)。它是一种更改簇数，绘制每个 SSE 值，并将像“肘”一样蜿蜒的点设置为最佳簇数的办法。 #计算到1~10个群组 for i  in range(1,11):    #进行聚类计算。     ks.fit(sacdta)     #KS.fit给出KS.inrta_    disorons.append(ks.netia_) plt.plot(range(1,11), disorins, marker='o') * * * * * * 点击文末 **“浏览原文”**获取全文残缺材料。 本文选自《**Python用KShape对工夫序列进行聚类和肘办法确定最优聚类数k可视化**》。 **点击题目查阅往期内容**[R语言中的SOM(自组织映射神经网络)对NBA球员聚类分析](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247516548&idx=2&sn=5b75c1e34d6b40864244e1aa5a1dbe94&chksm=fd92bf8fcae5369996bef14478ddee6c2a8592019daec30320c018c1e3a3e00fdd95ce1d0f0d&scene=21#wechat_redirect) [K-means和档次聚类分析癌细胞系微阵列数据和树状图可视化比拟](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247510121&idx=1&sn=9c2b39769533229d1fd5bb2cdf185be7&chksm=fd929662cae51f74e0d487f8141a76612f721f329431ff3ec806ed6be9634da98f11f02031c7&scene=21#wechat_redirect)[KMEANS均值聚类和档次聚类：亚洲国家地区生存幸福品质异同可视化剖析和抉择最佳聚类数](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247508401&idx=2&sn=03b8a812234cc82a7f4cccd365fb1f97&chksm=fd929fbacae516ac2b6ea9a1bc73e30d40fff4f9cdab45a14213c08062f45c2085c5a19f5c43&scene=21#wechat_redirect) [PYTHON实现谱聚类算法和扭转聚类簇数后果可视化比拟](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247508051&idx=1&sn=640bd7a0dbd844d50a1a6f4d89e68c45&chksm=fd929e58cae5174e523d422a2253efebdd254f507d3b80d92519a4de21cc3a1ea784ddacb617&scene=21#wechat_redirect) [无限混合模型聚类FMM、狭义线性回归模型GLM混合利用剖析威士忌市场和钻研专利申请数据](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247507609&idx=1&sn=2526c1a15e5c2b64c4eeb218767f2a71&chksm=fd92e092cae5698418bf5bf79c98837000b8c711e81ceabb30afd7fd074c12e7729f61f390c9&scene=21#wechat_redirect) [R语言多维数据档次聚类散点图矩阵、配对图、平行坐标图、树状图可视化城市宏观经济指标数据](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247506893&idx=1&sn=3722d123322132225f076f8ccd97e2d7&chksm=fd92e5c6cae56cd0775bc5b88e7a9406613e5f04ecba1fb073190228b0649606bff742b86976&scene=21#wechat_redirect) [r语言无限正态混合模型EM算法的分层聚类、分类和密度估计及可视化](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247502736&idx=1&sn=d1b8691595a347f58e489fc0ce6edaf0&chksm=fd92f59bcae57c8de701ec891d3c8ec3bed5bc2a798d9d5937ba977372c8f07c8090caa013f5&scene=21#wechat_redirect) [Python Monte Carlo K-Means聚类实战钻研](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247501328&idx=2&sn=cb254a796edf83b34bf66ef43c651ec0&chksm=fd92f81bcae5710daaf84437bd99e7e7fa35a1634c6081bedf2db4e9b21a8ea72da44e8fc23a&scene=21#wechat_redirect) [R语言k-Shape工夫序列聚类办法对股票价格工夫序列聚类](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247500705&idx=2&sn=1e9d8fbef30b7e62aa5bd16c304f6088&chksm=fd92fdaacae574bc2ea18b9f9a3791b555e904a44d68dc3be9e3c675461cb41902baaddc5286&scene=21#wechat_redirect) [R语言对用电负荷工夫序列数据进行K-medoids聚类建模和GAM回归](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247500286&idx=2&sn=a81aebc0b60318d226968e07b0020db1&chksm=fd92fff5cae576e356df36372b9d935f0b914f13ad1ba80c91b1185acd92f2efaf2b745bcebd&scene=21#wechat_redirect) [R语言谱聚类、K-MEANS聚类分析非线性环状数据比拟](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247500104&idx=1&sn=1eb955cf5c730ed5cd07bdbe07472bb9&chksm=fd92ff43cae576552fd2a14d14f0e2af3d59f6f410221eb24b51ecc5ee0d0113f14c05c22767&scene=21#wechat_redirect) [R语言实现k-means聚类优化的分层抽样(Stratified Sampling)剖析各市镇的人口](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247499299&idx=1&sn=694818311fdfafcfd3b1bd2553200085&chksm=fd92c028cae5493e1168a2a59bd8301f001c2efb9dd1620b8e258c4b8dde1a1e7534b80caea7&scene=21#wechat_redirect) [R语言聚类有效性：确定最优聚类数剖析IRIS鸢尾花数据和可视化](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247498712&idx=1&sn=7683c54364c529923c843df31882a2ce&chksm=fd92c5d3cae54cc52dd7be623292ec059a5d924ee36c0029e8930474db6c65d0267ff0818ca4&scene=21#wechat_redirect)[Python、R对小说进行文本开掘和档次聚类可视化剖析案例](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247498465&idx=2&sn=91b7297690d8ddc5194e987a4e8a3357&chksm=fd92c4eacae54dfcc0bfab86f878b028f42302a83efb3a59e5de519a979b298f4fa8af8d68a4&scene=21#wechat_redirect) [R语言k-means聚类、档次聚类、主成分（PCA）降维及可视化剖析鸢尾花iris数据集](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247498465&idx=1&sn=dd4c1f65a1c2d8cd0dfd1236c827492a&chksm=fd92c4eacae54dfc1cda2f924c5c5c60cf497eb2079cd5459a39cc9daefca3aec7fd76cb9c32&scene=21#wechat_redirect) [R语言无限混合模型(FMM,finite mixture model)EM算法聚类分析间歇泉喷发工夫](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247497673&idx=1&sn=b31e2b3c1f703d201f09ca203caddce3&chksm=fd92c9c2cae540d4c13dbefbed1d034c62386ec2744ce372eae8099d8fdb936f857219b3fb74&scene=21#wechat_redirect) [R语言用温度对城市档次聚类、kmean聚类、主成分剖析和Voronoi图可视化](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247495156&idx=1&sn=82e9cd3cbfe47006cbb694eb24a0d74e&chksm=fd92d3ffcae55ae94850149f0d8f56de96129429754ab6b15a3e84f8c06dae05ab803431ac2a&scene=21#wechat_redirect) [R语言k-Shape工夫序列聚类办法对股票价格工夫序列聚类](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247493463&idx=2&sn=18232f6b637b9272ac503924392fe8d3&chksm=fd92d95ccae5504a43f777aa15ef10d6f74e9701c4318c41b636cbf61a3649ee2b5b2bd1d233&scene=21#wechat_redirect) [R语言中的SOM(自组织映射神经网络)对NBA球员聚类分析](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247493017&idx=1&sn=7fd07acebc2e5d7216236f287a333914&chksm=fd92db92cae55284671aaaeba424b5d6a892a293e181e6831c8585a0432b394b0f5645649e67&scene=21#wechat_redirect) [R语言简单网络分析：聚类（社区检测）和可视化](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247492713&idx=2&sn=3b1341efc989f5f395929c798ac9da60&chksm=fd92da62cae55374bec3b89f9e382a5e143171bebce4171f214a4af4d43dc6fe70c2d23b01d5&scene=21#wechat_redirect) [R语言中的划分聚类模型](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247492472&idx=3&sn=43056832fc7b4b5dd6e1cbd0f035f9de&chksm=fd92dd73cae55465b419f4572d0ba0497a20bae6047c891bc6399e12d91a0caf7d83c578e5b4&scene=21#wechat_redirect) [基于模型的聚类和R语言中的高斯混合模型](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247492432&idx=3&sn=2960efe44c2a0bbab0e2c804755adf70&chksm=fd92dd5bcae5544d6328947ce22bcb4fe9a574f440f7d4b016a4642e3ea0a74ef69aa1c88408&scene=21#wechat_redirect) [r语言聚类分析：k-means和档次聚类](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247491996&idx=3&sn=76fdce2eeb0f9eb0bcf8681e258c0a99&chksm=fd92df97cae55681e9c371f5fb7d25912d3bae75093e32f476d6bc73403f46af15c1859a5694&scene=21#wechat_redirect) [SAS用K-Means 聚类最优k值的选取和剖析](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247491396&idx=1&sn=4ca13d1b6bda580d7a60605f8e1ed2de&chksm=fd91214fcae6a859b5e670be257cf3ea29892c63b66927e48514e190e703547ff1fb8f93bd1b&scene=21#wechat_redirect) [用R语言进行网站评论文本开掘聚类](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247489693&idx=3&sn=ed0a65fc1019f2e62e90734e25b2e6cc&chksm=fd912696cae6af8050cdcb5c516ffd4ea98278ef438712c07a01c6f11f0a17f5a3744ff24d84&scene=21#wechat_redirect) [基于LDA主题模型聚类的商品评论文本开掘](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247489519&idx=3&sn=bd8179e866ebd67286a6f5e8afda3de1&chksm=fd9129e4cae6a0f29dc622fb174dc0e321f4cbf93afb0f5dee5051cd0cbb0ee9677012e6507b&scene=21#wechat_redirect) [R语言鸢尾花iris数据集的档次聚类分析](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247488780&idx=1&sn=8426dcbc64a4485383d333e3e440c81c&chksm=fd912b07cae6a21107a3aa6e9c8aefe8b2e96aea6864b8c5f561618aeeee4c3abf67e3332be3&scene=21#wechat_redirect) [R语言对用电负荷工夫序列数据进行K-medoids聚类建模和GAM回归](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247488780&idx=2&sn=c56669c116190eb04e2639194cb912f8&chksm=fd912b07cae6a211fdb7c8e8dabd6045330657c14735f07b8356d90434e622a7a7e5c1f779f9&scene=21#wechat_redirect) [R语言聚类算法的利用实例](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247487708&idx=3&sn=a7b207b86934c101a22a223c40b4741c&chksm=fd912ed7cae6a7c1d179c0b921c199beae98bc67f49939d3551adca08f0360f7b1feac861b01&scene=21#wechat_redirect)[对用电负荷工夫序列数据进行K-medoids聚类建模和GAM回归](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247516271&idx=3&sn=781a28e7bc8e5db5fb0e368d7a76566b&chksm=fd92be64cae53772b909ea0dfaa4376c8852e6f171c11c60fbe0f5fde61c095349fc08dc1eaf&scene=21#wechat_redirect) [分位数回归、GAM样条曲线、指数平滑和SARIMA对电力负荷工夫序列预测](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247509153&idx=3&sn=4aff9db04827809fecf70d91fdc482df&chksm=fd929aaacae513bccaf6b595ed861a87113abe5f140bf6982075d98fd31867c9a436698b5312&scene=21#wechat_redirect) [【视频】R语言狭义相加模型（GAM）在电力负荷预测中的利用](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247500246&idx=1&sn=f41d4fcb12796ed52b7c4cdd2fd04099&chksm=fd92ffddcae576cbb10dc1f819079c3212c8edfd0e1870927cb9067739a023b034375e04538c&scene=21#wechat_redirect) [R语言里的非线性模型：多项式回归、部分样条、平滑样条、 狭义相加模型GAM剖析](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247496258&idx=2&sn=d651743315f28e19a94c818fc3fdad9b&chksm=fd92cc49cae5455fd193e776dca6aed628f5d8fbafef2a3420f3567eb1d7a5d9caf696719286&scene=21#wechat_redirect) [R语言用规范最小二乘OLS，狭义相加模型GAM ，样条函数进行逻辑回归LOGISTIC分类](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247495252&idx=1&sn=28310cd9e77eeb87dbe8d8b4870be72d&chksm=fd92d05fcae5594948645b998c141b8a352d7cd4df043a0ced68e8032b7185af6523bebdd790&scene=21#wechat_redirect) [R语言ISLR工资数据进行多项式回归和样条回归剖析](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247494779&idx=2&sn=470849162dfc3270c69e18999e6c025a&chksm=fd92d270cae55b66adf34e437f19698959dd211bb7d54bb9c8fd84df4d550879eb3a8c9d83b5&scene=21#wechat_redirect) [R语言中的多项式回归、部分回归、核平滑和平滑样条回归模型](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247494720&idx=1&sn=def27845fe8c39827fb580baa90bd0b0&chksm=fd92d24bcae55b5d477d0fa66632940e1c675f8efa585c65218f88d2ed58d69e8bd4c688971d&scene=21#wechat_redirect) [R语言用泊松Poisson回归、GAM样条曲线模型预测骑自行车者的数量](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247492508&idx=1&sn=ea5713493413c251cdd5c2104c80f4cb&chksm=fd92dd97cae554810882ab453f5d45dd61e6699a67c41202ea6fc50cab3c5fc1398f8efa736f&scene=21#wechat_redirect) [R语言中的多项式回归、B样条曲线(B-spline Curves)回归](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247491963&idx=1&sn=dcf6f3c7dadf5dd449060c9001bb4466&chksm=fd92df70cae55666baace37b76c44e3a439cc53cdf50aa9e1a5c73d06470cd29baf7a583f37f&scene=21#wechat_redirect) [R语言狭义相加模型 (GAMs)剖析预测CO2工夫序列数据](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247495111&idx=1&sn=6a918ec70f6055e1e680160dbb4db655&chksm=fd92d3cccae55ada6264dcb7a9fd3996688d5616f3e04b0634a83ae5266f2e508f7e9d67bbe7&scene=21#wechat_redirect) [R语言中实现狭义相加模型GAM和一般最小二乘(OLS)回归](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247495047&idx=1&sn=0afeb7e0614f936d554b2ecddb42e8dd&chksm=fd92d38ccae55a9a2ed44cc090a403b45782203ac1040ba4eaa33bf3165734517eb628415e4e&scene=21#wechat_redirect) [在r语言中应用GAM（狭义相加模型）进行电力负荷工夫序列剖析](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247493193&idx=2&sn=e12e1946b1b650dde707444fb4b3b202&chksm=fd92d842cae55154975aab8696680d4b51eff20b9ce765ea13ea6211e378b0bcf0dd422a7f5d&scene=21#wechat_redirect) [R语言用泊松Poisson回归、GAM样条曲线模型预测骑自行车者的数量](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247492508&idx=1&sn=ea5713493413c251cdd5c2104c80f4cb&chksm=fd92dd97cae554810882ab453f5d45dd61e6699a67c41202ea6fc50cab3c5fc1398f8efa736f&scene=21#wechat_redirect) [Python用狭义加性模型GAM进行工夫序列剖析](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247492268&idx=2&sn=375ecb35c5d83bd11a597302cb3f03a0&chksm=fd92dca7cae555b10e66e082ae7d10a3420c5c8f1498426ea443e7e3429f68ab9d07fb7ba50f&scene=21#wechat_redirect) [R语言狭义线性模型GLM、多项式回归和狭义可加模型GAM预测泰坦尼克号幸存者](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247492140&idx=1&sn=843b0c171b2b8a6574a6585fda0263dd&chksm=fd92dc27cae55531a04913c9f9332bdbf1b5adb0da209f3aa4c256d5456b6ea64b10a40b4b71&scene=21#wechat_redirect) [R语言中的狭义线性模型（GLM）和狭义相加模型（GAM）：多元（平滑）回归剖析保险资金投资组合信用风险敞口](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247489964&idx=3&sn=8ce0c4a13c1e03422b69c8d4398e8414&chksm=fd9127a7cae6aeb11709a2fe0cf8c16b875aa3c5037420ac0f56545a7ec7f9020cd296068f2e&scene=21#wechat_redirect) [R语言对用电负荷工夫序列数据进行K-medoids聚类建模和GAM回归](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=2247488780&idx=2&sn=c56669c116190eb04e2639194cb912f8&chksm=fd912b07cae6a211fdb7c8e8dabd6045330657c14735f07b8356d90434e622a7a7e5c1f779f9&scene=21#wechat_redirect)

原文链接：https://tecdat.cn/?p=35177原文出处：拓端数据部落公众号中国是寰球生产电子和家用电器的重要制作基地和出口国，占据寰球市场超过22%的销售份额。在亚太市场销量方面也占据重要位置。作为“世界工厂”，中国领有宏大的电子制作和进口能力，涵盖智能手机、电脑、电视、消费类电器和电子元件等宽泛的产品。中国已成为多个国内外出名生产电子品牌的制作基地，尤其是在城市如深圳，领有残缺的价值链能力。中国弱小的供应链网络和寰球最大的集装箱港口，如上海、深圳和宁波-舟山，便于国内产品流通，推动市场增长。浏览原文，获取专题报告合集全文，解锁文末84份生产电子、家电相干行业钻研报告。 过来十年，中国生产电子市场因多重因素显著增长，如城市化减速、可摆布支出减少、中产阶级人口减少和低龄群体人口增长。政府政策也促成了市场增长，包含低工资劳动力、易获原材料和元件、反对翻新和高技能劳动力。疫情期间市场需求稳定，但2021年市场复苏，2022年市场逐步下滑，预计2023年市场将持续低迷。 市场增长次要受线上渠道便当、产品可持续性和耐用性改良、消费信贷便当和政府激励生产政策驱动。市场转型显著，智能家居设施风行，5G技术支持设施需要减少，消费者对高端和高性能产品趣味减少。中国制造商不断创新，将AI和5G集成到产品中，改良手机性能，推出5G反对的电脑，开发本地操作系统等，缩小对外国品牌依赖。他们也越来越偏向于应用回收塑料开发可继续产品。 中国生产电子和家用电器市场稳定，2021年增长，2022年下滑，电子商务和直播购物受欢迎。中国生产电子和家用电器市场自2019年以来经验了稳定。在疫情和封闭的影响下，大多数细分市场的销售降落，市场规模放大。然而，2021年市场呈现了显著增长，同比增长15.3%，这次要得益于对PC和笔记本电脑的强烈需要（用于近程工作）以及消费者推延购买决策，从而促成了其余生产电器和家庭娱乐设施的需要。然而，这种复苏是短暂的，2022年市场逐步下滑，次要受生产收入缩小和国内供应链稳定的影响。 近年来，电子商务和直播购物在中国消费者中越来越受欢迎。特地是在2022年，中国全国网上零售额达到了人民币13.8万亿元，其中生产电子和家用电器产品的线上销售占比别离达到了29.1%和57.8%。这种趋势的背地，次要得益于线上购物的便利性、产品多样性和沉迷式直播体验。这些体验不仅帮忙消费者疾速解决问题，还能提供实时的产品演示，从而模仿实体店的购物体验，使消费者可能做出更理智的购买决策。 本专题内的参考报告（PDF）目录Cision：2024美国生产电子展（CES 2024）媒体趋势剖析报... 报告2024-02-15融文：2024美国生产电子展(CES) 流传洞察报告 报告2024-01-22安永：2024中国生产电子和家电行业趋势报告 报告2024-01-16Centric Software：瞻望2025年：生产电子行业趋势预测... 报告2024-01-02飞书点跃：2023生产电子出海白皮书-蓝牙耳机市场深度解读 报告2023-12-14维卓：2023泰国生产电子行业剖析报告 报告2023-11-01百度营销：2023双十一IT与生产电子行业好物节通案 报告2023-10-13MassThinker：2023中国家电及生产电子博览会（AWE）趋势... 报告2023-09-09百度营销：2023百度度星选IT生产电子行业达人营销解决方案 报告2023-08-16飞书深诺：2023生产电子出海白皮书 报告2023-07-02GfK：研发驱动中国生产电子品牌 减速实现国际化与高端化 报告2023-05-04英敏特：中国家电及生产电子趋势洞察概览 报告2023-04-22百胜软件&爱剖析：2023生产电子行业数字化转型白皮书 报告2023-04-10GfK：研发驱动中国生产电子品牌 减速实现国际化与高端化 报告2023-04-02天猫：生产电子行业经营趋势白皮书 报告2023-03-15抖音电商&36氪：2022-2023年度行业报告&新趋势洞察-生产电子... 报告2023-02-26英特尔&联想：中国生产电子制作数字化转型白皮书2023 报告2023-01-30Gfk：经济科技双周期驱动中国科技类生产电子产业新生态 报告2023-01-13Gfk：2022-2023中国科技类生产电子产业倒退白皮书 报告2023-01-01超店无数：2023年TikTok家电市场洞察报告 报告2024-01-16安永：2024中国生产电子和家电行业趋势报告 报告2024-01-16国家电网：2023基于混合加强智能的电网优化调度决策办法报告 报告2024-01-12京东：2023中国高端家电市场报告 报告2024-01-09巨量算数：2023中国智造3C家电行业白皮书 报告2023-12-21虎啸：2023虎啸年度洞察报告-3C家电行业 报告2023-12-17松下&中国家电网：2023家居环境空气解决零碎低碳发展趋势报告 报告2023-12-08国家电网：低压配电物联网标准化建设实际及利用 报告2023-12-04黑猫投诉&微博家居：2023清洁家电生产察看报告 报告2023-11-29奥维云网：进击中的衰弱家电-从衰弱单品到衰弱解决方案报告 报告2023-11-20奥维云网：2023年国庆及双十一大家电市场研判 报告2023-11-10奥维云网：2023年Q3厨房小家电总结报告 报告2023-11-09魔镜市场情报：2023数码家电重点生产场景机会点洞察报告 报告2023-11-08源达信息：家用电器专题研究系列一-家用电器2023年三季报业绩稳定增长... 报告2023-11-07中国家电网：2023中国厨房&电器嵌入式集成一体化趋势报告 报告2023-11-06飞瓜快数：2023年快手厨卫家电营销洞察报告 报告2023-11-05工业互联网产业联盟：2023工业互联网标识行业利用指南（家电） 报告2023-11-02中国家电网：2023家庭洗衣场景改革趋势报告 报告2023-10-25云略：2023家电行业品牌社媒营销洞察报告 报告2023-10-23国家电网：面向现实调度的电网低碳调度辅助决策钻研及利用（2023） 报告2023-10-22落基山研究所&国家电网：2023电力需要侧灵活性系列：工业灵活性后劲及... 报告2023-10-03中国家电网&《瑞丽家居设计》：2023中国洗碗机朝思暮享先锋手册 报告2023-09-29奥维云网：2023年中国家电市场用户全流程经营治理白皮书 报告2023-09-20MassThinker：2023中国家电及生产电子博览会（AWE）趋势... 报告2023-09-09海尔智家：2023智能家电与生成式人工智能大模型-翻新与倒退白皮书 报告2023-09-01国家电网：撑持新型配电零碎建设的直流配用电关键技术及利用 报告2023-09-01和而泰：2023基于家电大模型的产业利用白皮书 报告2023-08-30Gfk：2023上半年中国家电市场总结报告 报告2023-08-22蝉妈妈智库：2023小家电行业洞察报告 报告2023-08-14巨量算数&算数&奥维云网：2023抖音趋势赛道风向标：家电3C行业专刊 报告2023-08-11国家电网：真型实证技术在配电网中的摸索与实际 报告2023-08-09库润数据：2023年小家电生产洞察报告 报告2023-08-07亿邦智库&天猫家电：2023中国家电产业带白皮书 报告2023-08-06国家电网：新型电力系统背景下虚构电厂实际 报告2023-08-02果集飞瓜：2023年H1家电行业品牌明星代言社媒营销察看报告 报告2023-07-22果集：2023年H1家电行业品牌明星代言社媒营销察看 报告2023-07-20巨量算数：2023抖音趋势赛道风向标-家电3C专刊 报告2023-07-20国家电网：放慢能源转型 发明美好未来-国网句容市供电公司服务中央经济社... 报告2023-07-02中国家电网：2023中国卫浴空间智能美学趋势 报告2023-06-17国家电网：2023年度服务中央经济社会倒退白皮书 报告2023-06-16国家电网：我国抽水蓄能开发状况及储能撑持新型电力系统构建的意识与思考 报告2023-06-08国家电网：旗号领航山海融情-新时代闽宁电力倒退报告 报告2023-06-08中国家电网：2023中国嵌入式冰箱生产指南 报告2023-06-07生产产业研究院增长实验室：2023年家电品牌增量翻新钻研报告 报告2023-05-31值得买科技：2023家电翻新趋势和“迷信生产”实际报告 报告2023-05-27数说故事：美发小家电行业趋势报告 报告2023-05-26国家电网：中欧能源技术创新单干储能畛域工作成绩和打算汇报 报告2023-05-26求信征询：2023年AWE中国家电展专题报告 报告2023-05-13飞书点跃：2023小家电出海趋势洞察白皮书 报告2023-04-30中国家电网：2023家电美学趋势报告 报告2023-04-26OneSight：2023清洁家电品牌出海市场营销趋势洞察报告 报告2023-04-24国家电网：践行“双碳” 指标 特高压+柔直技术深刻翻新 报告2023-04-23英敏特：中国家电及生产电子趋势洞察概览 报告2023-04-22亿邦智库&天猫家电：2023银发人群生产趋势洞察报告（家用电器篇） 报告2023-04-19国家电投：新型储能技术创新及绿色实际（2023） 报告2023-03-26中国家用电器研究院：2022年中国家电行业年度报告 报告2023-03-20增长黑盒：2023小家电赛道新增量钻研报告 报告2023-03-18KOLRANK：2023清洁家电行业营销洞察报告 报告2023-03-03Gfk：2022-2023年中国家电及燃气具市场剖析 报告2023-03-02GfK：2022年中国厨卫电器&小家电市场年度简报 报告2023-02-12果集：2022年家电行业社媒电商营销剖析报告 报告2023-02-05GfK：新形势下的家电批发暨2022年家电市场总结 报告2023-02-04Gfk：品质家电，品质生存：中国小家电市场剖析 报告2023-01-06Gfk：2022年新变量下的中国家电市场 报告2023-01-06天猫优品&GfK：中国家电下沉市场美好生活趋势白皮书 报告2023-01-03

原文链接：https://tecdat.cn/?p=33471原文出处：拓端数据部落公众号数字化转型指数报告2022合集依据“基础设施－平台－利用”三层指标体系，对全国300余个城市、10余个行业的数字化倒退规模进行了评估。该报告提供了覆盖全国范畴的季度数字化转型指数，为各行各业推动数字化转型提供了无益的参考。报告的评估后果能够帮忙各个城市和产业理解以后数字化转型的状况，为其制订相干策略和决策提供领导。浏览原文，获取专题报告合集全文，解锁文末193份数字化转型相干报告。 我国数字经济规模从11万亿增长到超过45万亿，在过来的十年间迈入新阶段，为经济社会倒退提供了弱小的能源。数字化转型指数报告2022合集充沛展现了我国数字经济倒退的强劲势头。 该报告合集全面洞察和评估了全国351个城市和18个次要行业的数字化转型，采纳城市和行业两个次要视角进行综合剖析。在行业指标方面，报告选取了云计算、人工智能和麻利研发等三个要害指标进行综合测算，与国家重点政策如“上云用数赋智”相响应。 报告显示，数字化转型指数持续上升，但增速有所趋缓。平台在推动数字化转型方面依然施展着显著作用，反映出平台继续推动生态复原和倒退的普惠价值。同时，云计算、人工智能等数字基础设施的倒退也减速开释了增长势能，对整体增长做出了重要奉献。 指数形成及计算方法数字化转型指数依据基础设施层、平台层和应用层的三个档次进行加权均匀，而各维度的分指数也采纳了相似的办法，通过对二级指标进行加权均匀计算得出。具体指标形成如下： 基础设施指数：云计算人工智能平安平台指数：领取电商影视娱乐利用指数：数字化洽购数字化研发数字化合作（如会议、文档）最终得出了覆盖全国300余个城市和10余个行业的季度数字化转型指数，工夫区间为2020年第一季度到2022年第一季度的九个季度，其中2020年第一季度为指标计算的基准期。 从城市角度来看，北京、上海、深圳和广州仍然位居前列，持续领跑数字化转型。而其余后位城市的排名则有所浮动。上海和北京在2020年第一季度到2022年第一季度的九个季度中稳居数字化转型指数榜单的第一梯队。大部分期间，北京名列城市榜单首位，但在2022年第一季度，上海凭借在基础设施指数方面的劣势超过北京，夺得了榜首位置。第二梯队中，深圳和广州的格局绝对稳固，深圳持续保持第三名的地位。 第三梯队中，各城市的数字化转型指数差距不大，但后位城市的排名始终在继续变动。其中，成都和杭州的排名放弃不变，数字化倒退绝对稳固；而重庆和西安的排名有所回升，数字化转型出现绝对较好的成长态势。 本专题内的参考报告（PDF）目录IBM&e-works：2023汽车行业数字化转型报告 报告2023-08-19国家能源互联网产业与技术联盟能源数字化专委会：新型电力系统与数字化转型 报告2023-08-17向量智库：小灯塔系列-中小企业数字化转型系列钻研-云存储 报告2023-08-16亿欧智库：2023年中国医疗产业数字化转型现况及能力钻研报告 报告2023-08-15艾瑞征询：2023年中国保险业数字化转型钻研报告 报告2023-08-11Convertlab：2023批发行业数字化转型实际指南 报告2023-08-10金蝶：2023国资企业数字化转型白皮书 报告2023-08-08艾媒征询：2023年中国企业数字化转型倒退白皮书 报告2023-07-31百胜软件&爱剖析：2023户外运动行业数字化转型白皮书 报告2023-07-26腾讯云：半导体行业数字化转型解决方案手册 报告2023-07-23腾讯：数字化转型指数报告2023-子报告3：公众数字化转型认知 报告2023-07-21腾讯：数字化转型指数报告2023-子报告1：数字化转型指数报告 报告2023-07-20腾讯研究院：数字化转型指数报告2023-子报告2：将来产业倒退指数 报告2023-07-13易观剖析：中国领取+SaaS服务赋能中小微企业数字化转型专题剖析202... 报告2023-07-12安永：面向元宇宙的数字化转型翻新 报告2023-07-10北京大学：教育数字化转型供应侧生态倒退现状报告 报告2023-07-09清华五道口：2022银行数字化转型指标、门路与动作 报告2023-07-04电子规范院：煤炭行业数字化转型门路及典型场景 报告2023-07-02中国重型机械工业协会：2023重型机械行业数字化转型倒退的钻研报告 报告2023-07-01腾讯研究院：2023城市能源数字化转型白皮书 报告2023-07-01华为：2023金属矿山数字化转型白皮书 报告2023-06-24北京大学：实然与应然：教育数字化转型供应侧生态倒退现状调研报告（202... 报告2023-06-24拉勾：2023年企业数字化转型组织力报告 报告2023-06-23头豹：2022年中国SCM软件行业钻研报告-SCM软件助推企业数字化转... 报告2023-06-06Checkout.com：2022年中东地区数字化转型 报告2023-06-05炎黄盈动：2023低代码PaaS减速制作行业数字化转型白皮书 报告2023-06-03青藤云平安：央企、国企数字化转型平安建设指南 报告2023-06-03中国信通院：企业数字化转型技术发展趋势钻研报告 报告2023-05-31西门子：2023成长型企业数字化转型白皮书 报告2023-05-25头豹：2022年中国数字孪生行业钻研报告-数字孪生与产业深度交融-推动... 报告2023-05-25泸州老窖：酒行业数字化转型趋势下的供应链人才队伍建设 报告2023-05-21中电金信：2023商业银行大批发数字化转型白皮书 报告2023-05-16中国信通院：企业数字化转型技术发展趋势钻研报告2023 报告2023-05-13中国工业互联网研究院：石化化工行业数字化转型门路蓝皮书 报告2023-05-07点亮智库：企业数字化转型成熟度倒退报告（2022年） 报告2023-05-07连用科技：数字化转型下企业内容治理的挑战与应答策略（2023） 报告2023-04-30艾瑞征询：2023年中国银行业数字化转型钻研报告 报告2023-04-29华东师大：AIGC技术给教育数字化转型带来的时机与挑战 报告2023-04-28致趣百川：2023年医疗营销数字化转型白皮书 报告2023-04-19头豹：2023年中国汽车数字化转型生产制作行业词条报告 报告2023-04-19极客帮：2023数字化转型案例集锦 报告2023-04-12致趣百川：2023医疗数字化转型白皮书-客户洞察与钻研 报告2023-04-10联合国教科文组织：共建寰球高等教育数字化转型生态系统-国内网络教育学院... 报告2023-04-10百胜软件&爱剖析：2023生产电子行业数字化转型白皮书 报告2023-04-102022数字经济倒退论坛：中小企业数字化转型从哪里开始，到哪里完结？ 报告2023-04-03德勤&浪潮：云数领航智慧监管-基于国资云的国资国企监管数字化转型白皮书... 报告2023-04-02艾瑞征询：中国汽车行业数字化转型解决方案白皮书 报告2023-03-31艾瑞征询：2023年中国汽车行业数字化转型解决方案白皮书 报告2023-03-30沃丰科技：AI助力能源央国企数字化转型白皮书 报告2023-03-28佩信：2023企业数字化转型组织人才倒退建设报告 报告2023-03-20FSG上海外服：后疫情时代薪酬治理和数字化趋势报告下篇之数字化转型 报告2023-03-20博锐尚格：中国购物中心能源与碳数字化转型钻研报告 报告2023-03-17ACCA&钛媒体 ：数字化转型新思（2022） 报告2023-03-13石基信息：2023年中国酒店业数字化转型趋势报告 报告2023-03-1136Kr：中国中小企业数字化转型钻研报告（2022） 报告2023-03-10央国企信创白皮书：基于信创体系的数字化转型（2022年） 报告2023-03-02阿里云：2023云原生实战指南-以利用为核心构建数字化转型最短门路 报告2023-02-26安永：2020年及当前的数字化转型-寰球电信业考察 报告2023-02-24SAP：减速高科技企业数字化转型 报告2023-02-19Morketing研究院：营销数字化转型实际白皮书 报告2023-02-16SAP：智慧新国潮-数字化转型须要数字化外围 报告2023-02-14前瞻研究院：新经济下中国企业数字化转型之路-灯塔工厂专题报告2023 报告2023-02-08百分点：地产行业数字化转型范式与利用 报告2023-02-05中国汽研&腾讯广告：新型生产趋势下车企的营销数字化转型 报告2023-02-04BCG：行领导如何落实银保监会对于银保业数字化转型的领导意见 报告2023-02-03径硕科技：2023工业制作企业市场部数字化转型数据洞察报告 报告2023-02-01IBM：解码无界，发明数字化转型的有限可能：中国银行业企业架构施行现状... 报告2023-02-01英特尔&联想：中国生产电子制作数字化转型白皮书2023 报告2023-01-30腾讯研究院 ：2023腾讯制造业数字化转型洞察报告 报告2023-01-29钉钉&中国信通院：“小快轻准”继续升高数字化转型门槛 报告2023-01-27亿欧智库：国有企业数字化转型策略与门路 报告2023-01-25毕马威：城市数字化转型准则：将来城市畅想 报告2023-01-12中国信通院：电信业数字化转型倒退白皮书（2022年） 报告2023-01-09拉勾招聘：2022国央企数字化转型人才白皮书 报告2023-01-06金融数字化倒退联盟：2022生产金融数字化转型主题调研报告- 报告2022-12-26普华永道：新基建减速数字化转型，实现“智能+”产业降级 报告2022-12-25炎黄盈动：2022低代码PaaS减速能源行业数字化转型白皮书 报告2022-12-21毕马威：将来城市畅想：城市数字化转型准则 报告2022-12-15IBM：卓越银行的基石-减速数字化转型的实际和优先工作 报告2022-12-09腾讯研究院：2022数字化转型指数年度报告 报告2022-12-06佩信：2023企业数字化转型组织人才倒退建设 报告2022-12-05头豹：2022年中国BI数据分析平台行业钻研报告-BI数据分析平台助力... 报告2022-11-26中国工业互联网研究院：中小企业“链式”数字化转型典型案例集（2022年... 报告2022-11-25中国证券业协会：证券公司数字化转型实际报告及案例汇编（2022） 报告2022-11-24腾讯研究院：国有企业数字化转型调研报告（2022年） 报告2022-11-24复旦智库：进一步促成数字经济和实体经济深度交融：减速工业互联网建设与产... 报告2022-11-15埃森哲：2022中国企业数字化转型指数 报告2022-11-13IBM：卓越银行的基石-减速数字化转型的实际和优先工作 报告2022-11-13头豹：2022年中国文字辨认OCR行业概览-产业数字化转型浪潮驱动OC... 报告2022-11-12赛迪：引领产业数字化转型，数字化场景反动十大洞察 报告2022-11-12秒针：营销数字化转型登山图（2022版）全解读 报告2022-11-09商汤：人工智能-助力产业数字化转型实际白皮书 报告2022-11-03麦肯锡：如何帮忙客户通过数字化转型实现营收、利润双冲破 报告2022-11-03时趣洞察引擎：内容营销时代的品牌数字化转型白皮书 报告2022-10-31霍尼韦尔：智能制作白皮书-卓越经营赋能制作企业数字化转型 报告2022-10-24哈佛商业评论：中国数字化转型新范式案例锦集 报告2022-10-23轻流：数字化转型白皮书：无代码驱动精益制作 报告2022-10-23艾瑞征询：2022年中国中小微企业数字化转型门路钻研报告 报告2022-10-20Lifecycle Insights：2022年数字孪生报告：产品设计... 报告2022-10-18IDC：2022寰球数字化转型预测与数字化韧性策略 报告2022-10-16施耐德电气：驾驭数字化转型-数字化赋能绿色智能制作高管洞察2022 报告2022-10-15IDC&北森：2022人力资源数字化转型白皮书 报告2022-10-12腾讯：2022中小企业数字化转型高质量倒退报告 报告2022-09-30天猫&贝恩：新批发下品牌消费者为核心的数字化转型-——消费者经营衰弱度... 报告2022-09-15中国环境与倒退国内单干委员会：助力可继续倒退的数字化转型 报告2022-09-13工息部信息技术倒退司：深入工业互联网平台利用放慢制造业数字化转型 报告2022-09-13安永：大湾区房地产科技白皮书：存量时代，大湾区房地产科技翻新与数字化转... 报告2022-09-13和君&中国农科院：2022年中国农业数字化转型白皮书 报告2022-09-01上海市城市数字化转型利用促成核心：数都上海2035 报告2022-08-31百度智能云：2022百度城市数字化转型白皮书 报告2022-08-31阿里巴巴：上海老字号餐饮品牌数字化转型指数钻研报告 报告2022-08-31IDC&石化盈科：数字化转型智造将来-石油石化行业数字化转型白皮书 报告2022-08-30致趣百川：2022医疗营销数字化转型白皮书·从「繁多CRM」到「SCR... 报告2022-08-29艾瑞征询：2022年中国制造业数字化转型钻研报告 报告2022-08-25易观剖析&微软&英特尔：企业级云原生平台驱动数字化转型白皮书 报告2022-08-24石化盈科&IDC：数字化转型智造将来——石油化工行业数字化转型白皮书主... 报告2022-08-21中关村大数据产业联盟：上市公司数字化转型白皮书 报告2022-08-21中数联盟：2022中国企业数字化转型白皮书 报告2022-08-20CCFA：便利店数字化转型指南（2022版） 报告2022-08-17Lenovo：联想数字化转型及新IT白皮书 报告2022-08-14中数联盟&元年：成就数据驱动型企业-中国企业数字化转型白皮书 报告2022-08-05元年：成就数据驱动型企业 中国企业数字化转型白皮书 报告2022-08-05德勤：国企数字化转型全面提质增效 报告2022-08-03阿里云：新一代数字化转型白皮书 报告2022-08-01元年：制造业数字化转型解决方案 报告2022-07-26云徙&爱剖析：2022汽车行业数字化转型白皮书 报告2022-07-21麦肯锡：亚洲当先批发团体的数字化转型教训 报告2022-07-19腾讯研究院：2022中国民营企业数字化转型调研报告 报告2022-07-18中国工商联：2022中国民营企业数字化转型调研报告 报告2022-07-15甲子光年：2022快消品行业线下分销链路数字化转型 报告2022-07-15五矿：冶金矿山数字化转型白皮书 报告2022-07-06艾瑞征询：2022年中国房地产数字化转型钻研报告 报告2022-06-29德勤：打算治理数字化转型施行指南——晋升转型成功率的经验教训和致胜五招 报告2022-06-28中国信通院：次要国家和地区推动制造业数字化转型的政策钻研报告（2022... 报告2022-05-27艾瑞征询：2022年中国政企洽购数字化转型白皮书 报告2022-05-26腾讯：中小企业数字化转型门路报告 报告2022-05-25教育部：智慧教育资讯_教育数字化转型专题_2022年5月 报告2022-05-20中国电子技术标准化研究院：2021年中小企业数字化转型剖析报告 报告2022-05-18腾讯研究院：重塑中小城市的将来：数字化转型的框架与门路 报告2022-05-13派拉软件：国企数字化转型解决方案白皮书 报告2022-05-11罗戈网：企业供应链低碳与数字化转型 报告2022-05-10微软&普华永道：迈向将来财务 - 中国企业财务数字化转型白皮书 报告2022-04-18艾瑞征询：2022年中国政企洽购数字化转型白皮书 报告2022-04-18华夏时报：数据智能下的金融数字化转型报告2022 报告2022-04-11亿欧智库：2022中国建筑行业数字化转型钻研报告 报告2022-04-02BCG：2020，银行领导如何落实银保监会《对于银保业数字化转型的领导... 报告2022-04-01新浪财经&苏宁金融研究院：2021中国银行业数字化转型钻研报告 报告2022-03-28金融数字化联盟&银联：2021生产金融数字化转型主题调研报告 报告2022-03-22艾瑞征询：2022年车企数字化转型趋势系列钻研之研发数字化篇 报告2022-03-15Webpower：2022数字化转型白皮书 报告2022-03-15亿欧智库：2022中国建筑行业数字化转型钻研报告 报告2022-03-11金融信息化研究所：金融业数字化转型倒退报告（白皮书） 报告2022-03-04亿欧智库：2022 银行批发客户经营数字化转型最佳实际白皮书-2022... 报告2022-03-02金融信息化研究所：2022金融业数字化转型倒退报告（白皮书） 报告2022-02-28亿欧智库：2021年实体经济企业上云与数字化转型实际洞察 报告2021-12-30工业互联网产业联盟：生物医药企业数字化转型白皮书（2021 年） 报告2021-12-29中国信通院：企业数字化转型蓝皮报告——新IT赋能实体经济低碳绿色转型 报告2021-12-29艾瑞征询：2021年中国线下企业客户经营数字化转型白皮书 报告2021-12-24五矿&信通院：冶金矿山行业数字化转型白皮书 报告2021-12-21中汽研：国有汽车企业数字化转型路线图白皮书 报告2021-12-21CCDA央数院：2021年国有企业数字化转型场景示范和线路图钻研白皮书... 报告2021-12-21华润：2021智慧医疗白皮书：医疗行业数字化转型 报告2021-12-20点亮智库：2021年国有企业数字化转型场景示范和线路图钻研白皮书 报告2021-12-17华为：数字化转型实际报告 报告2021-12-10麦肯锡：知易行难：摸索券商数字化转型成功之路 报告2021-12-03艾媒征询：2021年中国银行业数字化转型赋能组织成长趋势钻研报告 报告2021-12-03工业互联网产业联盟：生物医药企业数字化转型白皮书 报告2021-11-23普华永道：数字化转型下HR高效治理 报告2021-11-21腾讯：车企数字化转型白皮书 报告2021-11-09腾讯：数字化转型指数报告2021 报告2021-11-04国家电网：能源数字化转型白皮书（2021） 报告2021-11-03联合国工业倒退组织：规范与数字化转型：数字时代的良好治理手册（EN） 报告2021-10-27华为：数字化转型，从策略到执行 报告2021-10-25中国领取清理协会：领取产业数字化转型倒退白皮书(2021) 报告2021-10-19艾瑞征询：2021年旧式生产连锁品牌数字化转型趋势白皮书 报告2021-10-18赛迪：中国IT后市场数字化转型白皮书 报告2021-10-15IBM：体验领先者优先进行，客户体验数字化转型—优化数字体验平台能力 报告2021-10-12中国领取清理协会：2021年领取产业数字化转型倒退白皮书 报告2021-10-11中国电子技术标准化研究院：制造业数字化转型路线图（2021） 报告2021-10-09百度智能云：区域性银行数字化转型白皮书 报告2021-09-22中德智能制作联盟：中德制造业数字化转型白皮书 报告2021-09-22商汤：数字化转型白皮书：数智技术驱动智能制作 报告2021-08-06腾讯：公益数字化转型2021 报告2021-07-27艾瑞征询：2021年中国车企数字化转型趋势系列钻研之生产数字化篇 报告2021-07-23毕马威：冲破迷雾，致胜惟新——区域性银行数字化转型白皮书 报告2021-07-19艾瑞征询：2021年中国批发数字化转型钻研报告 报告2021-05-26亿欧智库：2021年地方企业数字化转型钻研报告 报告2021-05-17亿欧智库：2021年地方企业数字化转型钻研报告 报告2021-05-13普华永道：群雄逐鹿 变者胜出——商业银行财务数字化转型 报告2021-04-30亿欧智库：中医药企业数字化转型的危与机-同仁堂数字化转型钻研报告 报告2021-04-29普华永道：数字化转型下HR高效治理 报告2021-04-27毕马威：数字化转型负责人是否堪担重任 报告2021-03-19亿欧智库：2021能源电力数字化转型钻研报告 报告2021-03-17

全文链接：https://tecdat.cn/?p=33566原文出处：拓端数据部落公众号生成反抗网络（GAN）是一种神经网络，能够生成相似于人类产生的资料，如图像、音乐、语音或文本。最近咱们被客户要求撰写对于GAN生成对抗性神经网络的钻研报告，包含一些图形和统计输入。 近年来，GAN始终是钻研的热门话题。Facebook的AI钻研总监Yann LeCun称反抗训练是“过来10年中最乏味的机器学习畛域的想法”。 本文将介绍以下内容： 什么是生成模型以及它与判断模型的区别GAN的构造和训练形式如何应用PyTorch构建GAN如何应用GPU和PyTorch训练GAN以实现理论利用什么是生成反抗网络？生成反抗网络是一种能够学习模拟给定数据分布的机器学习零碎。它们最早是由深度学习专家Ian Goodfellow及其共事在2014年的一篇NeurIPS论文中提出的。 GAN由两个神经网络组成，一个网络用于生成数据，另一个网络用于辨别实在数据和假数据（因而模型具备"反抗"的性质）。尽管生成数据的构造并不陈腐，但在图像和视频生成方面，GAN获得了令人印象粗浅的成绩，例如： 应用CycleGAN进行格调转换，能够对图像进行多种令人信服的格调转换利用StyleGAN生成人脸，如网站This Person Does Not Exist上所示判断模型与生成模型如果您学习过神经网络，那么您接触到的大多数利用很可能是应用判断模型实现的。而生成反抗网络属于一类不同的模型，被称为生成模型。 在训练过程中，您会应用一个算法来调整模型的参数。指标是通过最小化损失函数使模型学习到给定输出的输入的概率分布。在训练阶段之后，您能够应用该模型通过预计输出最可能对应的数字来对新的手写数字图像进行分类，如下图所示： 您能够将用于分类问题的判断模型设想成应用训练数据来学习类别之间边界的区块。而后，它们应用这些边界来辨别输出并预测其类别。数学上来说，判断模型学习输入y给定输出x的条件概率P(y|x)。 除了神经网络，其余构造也能够用作判断模型，例如逻辑回归模型和反对向量机（SVM）。 然而，生成模型（如GAN）被训练为形容数据集的生成形式，以概率模型的模式进行。通过从生成模型中采样，您能够生成新的数据。尽管判断模型罕用于有监督学习，但生成模型通常与无标签的数据集一起应用，并可被视为一种无监督学习的模式。 应用手写数字数据集，您能够训练一个生成模型来生成新的数字。在训练阶段，您会应用某种算法来调整模型的参数，以最小化损失函数并学习训练集的概率分布。而后，通过训练好的模型，您能够生成新的样本，如下图所示： 为了输入新的样本，生成模型通常思考到一个随机元素，该随机元素影响模型生成的样本。用于驱动生成器的随机样本是从"潜在空间"中取得的，在该空间中，向量示意一种压缩模式的生成样本。 与判断模型不同，生成模型学习输出数据x的概率P(x)，通过具备输出数据分布，它们可能生成新的数据实例。 只管GAN近年来受到了宽泛关注，但它们并不是惟一可用作生成模型的架构。除了GAN，还有其余各种生成模型架构，例如： 伯劳兹曼机（Boltzmann machines）变分自编码器（Variational autoencoders）隐马尔可夫模型（Hidden Markov models）预测序列中的下一个词的模型，如GPT-2然而，因为其在图像和视频生成方面获得的令人兴奋的后果，GAN最近引起了公众的最大关注。 当初您已理解生成模型的基础知识，接下来将介绍GAN的工作原理和训练方法。 生成反抗网络（GAN）的架构生成反抗网络由两个神经网络组成，一个称为"生成器"（generator），另一个称为"判断器"（discriminator）。 生成器的作用是预计实在样本的概率分布，以提供相似实在数据的生成样本。而判断器则被训练来预计给定样本来自实在数据的概率，而不是由生成器提供的。 这些构造被称为生成反抗网络，因为生成器和判断器被训练以相互竞争：生成器试图在愚弄判断器方面变得更好，而判断器试图在辨认生成样本方面变得更好。 为了了解GAN的训练过程，思考一个示例，蕴含一个由二维样本（x, x）组成的数据集，其中 x 在 0 到 2 的区间内，x = sin(x)，如下图所示： 能够看到，这个数据集由位于正弦曲线上的点(x, x)组成，具备十分非凡的散布。GAN的整体构造用于生成相似数据集样本的(x, x)对，如下图所示： 生成器G接管来自潜在空间的随机数据，并且其作用是生成相似实在样本的数据。在这个示例中，咱们有一个二维的潜在空间，因而生成器接管随机的(z, z)对，并要求将它们转化为相似实在样本的模式。 生成反抗网络（GAN）作为生成反抗网络的首次试验，你将实现后面一节中形容的示例。 要运行这个示例，你须要应用PyTorch库，能够通过Anaconda Python发行版和conda软件包和环境管理系统来装置。 首先，创立一个conda环境并激活它： $ conda create --name gan$ conda activate gan当你激活conda环境后，你的命令提示符会显示环境的名称，即gan。而后你能够在该环境中装置必要的包： $ conda install -c pytorch pytorch=1.4.0$ conda install matplotlib jupyter因为PyTorch是一个十分沉闷的开发框架，其API可能会在新版本中发生变化。为了确保示例代码可能运行，你须要装置特定的版本1.4.0。 ...

原文链接： http://tecdat.cn/?p=3856原文出处：拓端数据部落公众号 最近咱们被客户要求撰写对于ARCH的钻研报告，包含一些图形和统计输入。 引言金融中一个重要度量是与资产相干的危险，而资产稳定率是最罕用的危险度量。然而，资产稳定率的类型有多种。稳定率不能间接观测的性质在稳定率钻研和建模中有十分重要的含意。 数据选取笔者选取1973年1月到2009年12月，英特尔公司（INTC）股票的每月收盘价数据，同时也收集同期的S\&P指数数据，前六个数据样本如下所列： ## date intc sp## 1 19730131 0.010050 -0.017111## 2 19730228 -0.139303 -0.037490## 3 19730330 0.069364 -0.001433## 4 19730430 0.086486 -0.040800## 5 19730531 -0.104478 -0.018884## 6 19730629 0.133333 -0.006575模型剖析①模型的构造用rtrt示意某项资产在tt时刻的对数收益率。稳定率钻研的根本思维是，序列rtrt是前后不相干的或低阶前后相干的，然而序列不是独立的。作为阐明，思考Intel公司股票从1973年1月到2009年12月的月对数收益率，共有444个察看值，下图给出了该对数收益率的时序图。 收益率序列看起来是安稳且随机的。接下来，咱们给出其样本自相干函数（ACF）,同时也作出对数收益率的绝对值序列｜rt｜｜rt｜的样本自相干函数。 对数收益率序列的ACF显示除了在滞后为7和14时有较小相关性之外，没有显著的序列前后相关性，并且序列rtrt的Ljung-Box统计量表明 18.6760744,相应的ｐ值为 0.0966514.而对数收益率的绝对值序列｜rt｜｜rt｜显示具备序列相关性，并且序列｜rt｜｜rt｜的Ljung-Box统计量表明 124.9064353,相应的ｐ值靠近于 0。因而，Intel公司股票月对数收益率序列是前后不相干的，但不是独立的。咱们用ARCH模型去刻画收益率序列的这种不独立性。 为了把稳定率模型放在一个适当的框架中，思考给定Ft−1Ft−1时rtrt的条件均值和条件方差，即： t=E(rt|Ft−1),2t=Var(rt|Ft−1)=E[(rt−t)2|Ft−1]t=E(rt|Ft−1),t2=Var(rt|Ft−1)=E[(rt−t)2|Ft−1] 其中，Ft−1Ft−1是在t−1t−1时刻已知的信息集。样本公司的股票收益率序列rtrt即便有前后相关性也很弱。咱们假设rtrt遵从简略的ARMA(p,q)模型，Ljung-Box统计量表明Intel股票的月对数收益率序列没有序列相关性。咱们对对数收益率序列进行单样本测验,确认序列rtrt的均值显著不等于０. ## $statistic## t## 2.37881#### $p.value## [1] 0.01779151更具体地说，测验H0:=0和Ha:≠0H0:=0和Ha:≠0的ｔ比为2.3788，p值为0.01779.因而，对Intel公司股票的对数收益率，有rt=t+trt=t+t，其中t=t=为常数。 ②ARCH效应的测验对于Intel公司股票的月对数收益率序列，均值方程仅仅由一个常数形成。 记t=rt−tt=rt−t为均值方程的残差。平方序列2tt2能够用来测验条件异方差性，即ARCH效应，咱们采纳Mcleod和Li(1983)提出的将Ljung-Box统计量ＱQ(m)Q(m)利用于序列2tt2，该测验统计量的原假如是序列2tt2前ｍ个距离的ACF值都为０. 2t=0+12t−1+⋅⋅⋅+m2t−m+et,t=m+1,⋅⋅⋅,Tt2=0+1t−12+···+mt−m2+et,t=m+1,···,T 2tt2的Ljung-Box统计量Q(12)Q(12)=92.938884，其ｐ值靠近于０,因而表明有很强的ARCH效应。也能够用Engle的拉格朗日乘子法(m=12),archTest测验结果显示,F的值为4.978,相应的p值靠近于0，进一步表明Intel公司股票对数收益率有很强的 ARCH效应。 ③ARCH模型的建设ARCH模型的根本思维是:1)资产收益率的扰动序列tt是前后不相干的，但不是独立的;2)tt的不独立性能够用其滞后值的简略二次函数来表述。ARCH(m)模型假设 t=tt,2t=0+12t−1+⋅⋅⋅+m2t−mt=tt,t2=0+1t−12+···+mt−m2 ，其中tt是均值为０、方差为１的独立同散布(iid)随机变量序列，且0>00>0,对i>0i>0有i≥0i≥0.系数ii必须满足一些正则性条件以保障tt的无条件方差是无限的。咱们假设tt遵从规范正态分布。 上图给出了均值调整对数收益率的平方序列的样本ACF和PACF.从PACF图中，咱们能够看出在距离为１、２、３和１１上有显著的相关性。为了放弃模型简略，咱们对稳定率建设一个ARCH(3)模型。相应的，为Intel公司股票的月对数收益率建设一个如下模型： rt=+t,t=tt,2t=0+12t−1+22t−2+32t−3rt=+t,t=tt,t2=0+1t−12+2t−22+3t−32 假设tt是独立同散布的规范正态序列。 咱们失去的拟合模型为：rt=0.0126+t,2t=0.0104+0.23292t−1+0.07512t−2+0.05202t−3rt=0.0126+t,t2=0.0104+0.2329t−12+0.0751t−22+0.0520t−32并且，各个参数估计值的标准误差别离是0.0055、0.0012、0.115、0.0473和0.0451,统计报告见附录。 可见，22和33的估计值在5%的程度下不是统计显著的。咱们去掉两个不显著参数，简化模型为ARCH(1) ,从新得出如下拟合模型rt=0.0131+t,2t=0.0110+0.37502t−1rt=0.0131+t,t2=0.0110+0.3750t−12其中，各个参数估计值的标准误差别离是0.0053、0.0021和0.1126,并且所以预计都是高度显著的，统计报告见附录。 ④ARCH模型的思考咱们对于Intel公司股票稳定率建设的上述模型是不是就能充沛地形容给定数据的条件异方差性了呢？ 以下，咱们对残差进行标准化解决，失去序列{t^t^}，{t^t^}的样本ACF和样本PACF图如下所示： PACF图表明在标准化残差的平方序列的高阶距离上依然有序列相关性。{t^t^}的Ljung-Box统计量为Q(10)=16.58Q(10)=16.58,p=0.08p=0.08;Q(20)=38.81Q(20)=38.81,p=0.007p=0.007.因而，如果只是关注低阶的模型，那么在５％程度下，以上所求的ARCH(1)模型就能充沛地形容给定数据的条件异方差。 ...

全文链接：http://tecdat.cn/?p=30360最近咱们被客户要求撰写对于网络购物用户行为的钻研报告，包含一些图形和统计输入。 随着网络的迅速倒退，依靠于网络的购物作为一种新型的生产形式，在全国乃至寰球范畴内飞速发展 电子商务成为越来越多消费者购物的重要途径。咱们被客户要求撰写对于网络购物行为的钻研报告。 我的项目打算应用数据挖掘的办法,以京东商城网购用户的网络购物数据为根底,对网络购物行为的三个因素：行为过程、行为后果、行为主体进行剖析。 （1）应用关联规定分析方法剖析网络购物用户的行为过程,别离探析信誉度、搜寻排名对网购用户购买决策的影响水平； （2）应用聚类分析办法,对网购用户的行为后果进行探讨,发现不同网购群体的网购习惯和特色； （3）应用分类/预测分析方法,对网购行为主体进行钻研。本我的项目还将援用其它钻研的数据及观点对本数据分析所得论断进行比拟验证。 本我的项目的论断为以京东商城为代表的网购平台运营商、商家提供网站治理、网店经营方面的参考,为商家制订网络营销策略提供决策反对。 关联规定开掘  data1[,i]=as.factor(data1[,i])##将每个变量转成因子模式}inspect(frequentsets[1:10])#查看频繁项集 从下面的表 能够看到局部频繁呈现的一些选项规定，抽取的10个频繁项集的反对度在0.3左右。 而后查看反对度最高的前10个规定 能够看到反对度最高的前十个选项汇合（称为频繁项集）的反对度在0.9左右，因而在上面应用apriori模型对数据进行剖析时，选取最小反对度为0.9左右，以便发现适合数量的规定。 set of 47 rules rule length distribution (lhs + rhs):sizes 1  2  311 24 12    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.  1.000   2.000   2.000   2.021   2.500   3.000 summary of quality measures:    support         confidence          lift       Min.   :0.9000   Min.   :0.9000   Min.   :0.9977  1st Qu.:0.9050   1st Qu.:0.9400   1st Qu.:1.0000  Median :0.9150   Median :0.9585   Median :1.0043  Mean   :0.9191   Mean   :0.9572   Mean   :1.0043  3rd Qu.:0.9300   3rd Qu.:0.9846   3rd Qu.:1.0083  Max.   :0.9850   Max.   :0.9945   Max.   :1.0141  mining info:  data ntransactions support confidence trans           200     0.9        0.3咱们失去规定的概述，能够看到他们的反对度在0.9到0.98之间，置信度也十分高，阐明这些规定具备较高的的可预测度（Predictability）。因而从这些规定能够失去比拟牢靠的推断论断。置信度太低的规定在理论利用中也不会有多大用处。 ...

全文链接：http://tecdat.cn/?p=32707原文出处：拓端数据部落公众号在金融市场中，债券的流动性危险始终是一个备受关注的问题。流动性危险是指在市场上，债券价格的稳定水平受到市场流动性的影响，这种影响可能导致债券价格的激烈稳定，从而影响投资者的收益。因而，对于债券流动性危险的度量和治理成为了投资者和金融机构的要害工作。近年来，Copula模型作为一种灵便的统计工具，曾经被广泛应用于金融畛域。 本文将帮忙客户使用Copula模型，对债券的流动性危险进行度量，旨在提供一种新的办法来评估债券的流动性危险。次要是写二元Copula，对于对债券的流动性危险来进行度量，先预计两个的边际散布，而后抉择出最优的Copula函数进行联接，之后进行蒙特卡洛模仿。 目前对于边际散布，想通过非参数核预计来预计其边际散布，不晓得是否可行，数据为年度的周数据，为52个。数据为流动性危险，liq1,liq2,liq3,h这四个指标，h代表换手率，对抉择债券的流动性危险进行度量。 读取数据 data=read.xlsx("11华微债.xlsx") 预计liq3和h这两个指标的边际散布x <- data[,c("liq3","h")]## 观测值 ##删除缺失值 x=na.omit(x)拟合 copula模型liq3 <- x$liq3 h <- x$h绘制可视化图形 失去pseudo 观测值 拟合copula参数coef 失去密度图形 模仿散布生成3965随机抽样的copula函数样本。 ##对随机数进行可视化 plot( 计算模仿数据的相干数据 预计边缘函数散布 绘制拟合值和理论值 模仿多元散布的样本进行拟合 （应用不同的df） 最受欢迎的见解 1.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e7%bb%98%e5%88%b6%e7%94%...)R语言基于ARMA-GARCH-VaR模型拟合和预测实证钻研 2.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e7%94%9f%e5%ad%98%e5%88%...)r语言实现copula算法建模依赖性案例 3.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e5%a6%82%e4%bd%95%e5%9c%...)R语言COPULAS和金融工夫序列数据VaR剖析 4.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e4%b8%ad%e4%bd%bf%e7%94%...)R语言多元COPULA GARCH 模型工夫序列预测 5.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e7%94%9f%e5%ad%98%e5%88%...)GARCH（1,1），MA以及历史模拟法的VaR比拟 6.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80ggplot2%e8%af%af%e5%b7%ae...)matlab应用Copula仿真优化市场危险数据分析 7.[](http://tecdat.cn/r-%e8%af%ad%e8%a8%80%e7%bb%98%e5%88%b6%e5%8a...)R语言实现向量主动回归VAR模型 8.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e5%a6%82%e4%bd%95%e6%89%...)R语言随机搜寻变量抉择SSVS预计贝叶斯向量自回归（BVAR）模型 9.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e4%b8%ad%e7%9a%84%e7%94%...)R语言VAR模型的不同类型的脉冲响应剖析

全文下载链接：http://tecdat.cn/?p=23681最近咱们被客户要求撰写对于线性混合效应的钻研报告，包含一些图形和统计输入。 线性混合效应模型与咱们曾经晓得的线性模型有什么不同 （ 点击文末“浏览原文”获取残缺代码数据******** ） ？ 线性混合模型（有时被称为 "多层次模型 "或 "层次模型"，取决于上下文）是一种回归模型，它同时思考了（1）被感兴趣的自变量（如lm()）所解释的变动--固定效应，以及（2）不被感兴趣的自变量解释的变动--随机效应。因为该模型包含固定效应和随机效应的混合，所以被称为混合模型。这些随机效应实质上赋予误差项构造。 固定效应和随机效应的定义可能会有所不同，所以要留神你在文献中的解释；然而，对于大多数目标来说，如果从所有感兴趣的层面收集了数据，你能够把一个变量视为固定效应因素（例如。 性别：男/女，条件：易/中/难，剂量：低/高），如果变量有一堆可能的程度，但你只对一个随机的汇合（如受试者、刺激物、教室）进行采样，只管这些样本会有一些特异性，但你个别不会关怀它们，目标是对更宽泛的人群进行概括（如所有的人、所有的场景、所有的教室）。 例子比方说，你对语言感兴趣，更确切地说，是对声音的高下与礼貌态度的关系感兴趣。你要求你的受试者对假如的场景（IV，受试者外部）做出反馈，这些场景要么是须要礼貌态度的正式场合（例如，给传授一个早退的借口），要么是比拟非正式的场合（例如，向敌人解释你为什么早退），并测量他们的音调（DV）。每个受试者都会失去一份所有场景的清单，因而每个受试者都会给出多个礼貌态度的或非正式的答复。你还留神到每个受试者的性别（IV，受试者之间），因为这是对腔调的另一个重要影响。 在迄今为止咱们所看到的线性模型中，咱们将建设这样的模型。 腔调=礼貌态度+性别+ 其中最初一项是咱们的误差项。这个误差项代表了因为咱们无奈在试验中管制的 "随机 "因素而导致的与咱们预测的偏差。 对于这种数据，因为每个受试者都给出了多个反馈（"反复测量 "设计），咱们能够看到，这将违反线性建模中重要的独立性假如：同一受试者的多个反馈不能被视为彼此独立。在咱们的计划中，每个人的腔调都略有不同，这将成为影响同一受试者所有反馈的特异性因素，从而使这些不同的反馈相互依赖（相干）而非独立。 随机效应咱们要解决这种状况的办法是为主体增加一个随机效应。这使咱们可能通过为每个受试者假如不同的 "基准 "音高值来解决这种非独立性。因而，受试者1在不同的话语中可能有233赫兹的均匀腔调，而受试者2可能有210赫兹的均匀腔调。在咱们的模型中，咱们通过对受试者的随机效应来解释这些腔调的个体差异。 咱们将一些数据为例进行剖析。 table(subject) 把数据可视化。 qplot(condition, pitch, facets = . ~ subject) 受试者 "F#"为女性受试者。对象 "M#"是男性对象。你马上就会发现，男性的声音比女性低（这是能够预期的）。但除此之外，在男性和女性群体中，你会看到很多个体差异，一些人的性别值绝对较高，而另一些人的性别值绝对较低。 来自同一主体的样本的相关性另一种说法是，在受试者外部，不同条件下的音高存在着相关性。让咱们把它形象化。 用随机截距对个体平均值进行建模咱们能够通过为每个参与者假如不同的随机截距来建设这些个体差异的模型；每个参与者都被调配了不同的截距值（即不同的均匀腔调），而混合模型基本上是为你预计这些截距。 回过头来看咱们的模型，咱们以前的公式是。 腔调=截距+礼貌+性别+ 咱们更新后的公式是这样的。 腔调=截距+礼貌+性别+(1|个体)+ "(1|subject) "是随机截距的R语法。这句话的意思是 "假如每个主体的截距都不同"......而 "1 "代表这里的截距。你能够认为这个公式是通知你的模型，它应该冀望每个受试者会有多个反馈，而这些反馈将取决于每个受试者的基准程度。这就无效地解决了因同一受试者有多个反馈而产生的非独立性问题。 请留神，该公式依然蕴含一个个别误差项。这是必要的，因为即便咱们思考到了每个主体的变动，同一主体的不同音高之间依然会存在 "随机 "差别。 点击题目查阅往期内容 R语言LME4混合效应模型钻研老师的受欢迎水平 左右滑动查看更多 01 02 03 04 对不同条件下的不同参与者的平均值有一个概念。  aggregate(pitch ~ subject, FUN = "mean") 当初用lmer() ，咱们能够预计每个参与者的平均值。为了做到这一点，咱们将为每个受试者蕴含一个随机截距，而后看一下预计的截距。 coef(lmer(pitch ~ (1 | subject)) #固定效应+随机效应的主体['（截距）'] + subject 请留神，估计值与理论均匀音高相当靠近，咱们能够看到，各受试者的理论均匀音高是估计值（Intercept），而各受试者均匀音高的标准差是随机效应的标准差（Std.Dev）。 # 应用原始数据mean<!----> ## [1] 193<!----> ...

全文链接：http://tecdat.cn/?p=32295原文出处：拓端数据部落公众号临床决策(clinical decision making)是医务人员在临床实践过程中，依据国内外医学科研的最新进展,一直提出新计划，与传统计划进行比拟后,取其最优者付诸实施，从而进步疾病诊治程度的过程。 在临床医疗实际中，许多事件的产生是随机的,对个体患者来说医治措施的疗效、远期预后经常是不确定的和不可精确预测的，到底何种抉择最好很难简略做出决定。 本文帮忙客户进行决策分析NIPPV疗效数据，在充沛评估不同计划的危险及利益之后举荐一个最佳的计划，最大限度地保障患者权利，缩小临床实践及卫生决策失误。 决策树剖析步骤 决策树分析法是通过决策树图形展现临床重要事件的可能倒退过程及终局，比拟各种备选计划的预期后果从而进行择优决策的办法。决策树分析法通常有6个步骤。 明确决策问题，确定备选计划 对欲解决的问题有分明的界定,应列出所有可能的备选计划。在决策树上决策的抉择利用决策结来代表，通常用方框示意，每个备选计划用从方框引出的臂示意，示意最终决策后果的决策结总是放在决策树的最左端。 用树形图展现决策事件决策 树的画法是从左至右，可能产生的最终终局总是放在决策树最右端,用小三角形示意，称为终局结。每一种终局都是一系列机会事件按工夫程序天然倒退的后果，在决策树上这种事件,用圆圈符号示意,称为机会结。每一个机会事件的间接终局用与圆圈联结的臂示意,不同机会结从左至右的程序是事件产生的时相关系的反映。一个机会结能够有多个间接终局，从每个机会结引出的终局必须是独立、互不容纳的状态。 表明各种事件可能呈现的概率 每一种事件呈现的可能性用概率示意，个别应从品质牢靠的文献中查找并联合专家的临床经验及本单位状况进行揣测。从每一个事件产生的各种后续事件的可能性遵从概率论的加法定律，即每一个机会结收回的间接终局的各臂概率之和必须为1.0。 对最终终局赋值 可用效用值为最终终局赋值，效用值是对患者衰弱状态偏好水平的测量,通常利用0~1的数字示意,最好的衰弱状态为1,死亡为0。有时能够用寿命年、品质调整寿命年示意。 计算每一种备选计划的期望值 计算备选计划期望值的办法是从“树尖”开始向“树根”的方向（从右向左）进行计算，效用值与其产生概率的乘积即是冀望效用值，每个机会结的冀望效用值为该机会结所有可能事件的冀望效用值之总和。在决策树中如果有次级决策结时，与机会结冀望效用值的计算方法不同，只能抉择可提供最大冀望效用值的决策臂，而疏忽其余臂。最初,抉择期望值最高的备选计划为决策计划。 对论断进行敏感性剖析 因为临床实践中的事件产生概率值及衰弱状态的效用值等都可能在肯定范畴内变动，须要进行敏感性剖析。敏感性剖析要答复的问题是:当概率及终局效用值等在一个正当的范畴内变动时，决策分析的论断方向会扭转吗?敏感性剖析的目标是测试决策分析论断的稳定性。 NIPPV疗效数据 剔除缺失数据datanew=**na.omit**(datanew)建设决策树：疗效datanew.train1=datanew.train[train2,] datanew.train2=datanew.train[-train2,]剪枝CARTmodel1 = **rpart**( (疗效) ~. **printcp**(CARTmodel1) 不剪枝 输入决策树cp值 依据cp值对决策树进行剪枝able[**which.min**(CARTmodel$c**prune**(CARTmodel, cp= C 对数据进行预测 失去训练集混同矩阵准确度和MSE#########################################准确度 **sum**(**diag**(tab))/**sum**(tab)## [1] 0.7755102###############################################MSE############## MSE=function(y,pred)**sqrt**(**mean**(**as.numeric**(y)-**as.numeric**(pred))^2) **MSE**(tree.pred,datanew.test$疗效)## [1] 0.06122449用predict的算下错率 预测分类号 输入后果到excel**brules.table**(CARTmodel2)[,**c**("Subrule","Variable","Value")] 变量重要水平 随机森林 变量重要水平**importance**(rf) **plot**(d,center=TRUE,leaflab= 混同矩阵  ###########################################准确率 **sum**(**diag**(tab))/**sum**(tab)## [1] 0.8163265*# [1] 0.7755102* ###############################################MSE############## **MSE**(**predict**(rf,datanew.test),datanew.test$疗效)## [1] 0.02040816预测分类号 逻辑回归模型M2 <- **glm**(formula = 疗效 ~ .,fami迭代回归之前的回归模型参数 迭代回归后的模型参数 逻辑回归预测 #########################################准确度 **sum**(**diag**(tab))/**sum**(tab)## [1] 0.7755102##############################################预测分类号 pred##   2   3   9  13  14  15  17  22  23  26  29  30  32  35  38  39  42  44 ##   1   1   1   1   1   1   1   1   1   2   1   1   2   2   1   1   1   2 ##  52  53  56  57  60  61  63  64  66  68  69  79  83  87  88  92  94  99 ##   1   2   1   1   1   2   1   1   2   1   1   2   1   2   2   1   2   1 ## 102 105 106 108 109 112 113 118 123 134 139 140 143 ##   2   2   2   2   2   2   1   1   1   2   2   2   1穿插验证决策树穿插验证cv.model=**cv.tree**(cpus.ltr, , prune.tree,K =10) best.size <- cv.model$size[**which**(cv.model$dev==**min**(cv.model$dev))] *# wh* ...

原文链接：https://tecdat.cn/?p=33430我国出世人口数量在2022年为956万人，比去年缩小了10%。多种因素影响了这一趋势，包含育龄人口减少、生养观点扭转以及婚育年龄推延。然而，与此同时，因为母婴人群消费水平一直进步，以及精细化喂养逐步成为育儿的支流形式，我国母婴市场产业规模持续增长。数据显示，我国的养育老本投入位居寰球前列，阐明中国的母婴市场依然有很大的发展潜力。浏览原文，获取专题报告合集全文，解锁文末76份母婴行业相干报告。 另外, 因为代际变动以及90后和Z世代的涌现，母婴生产畛域呈现了新的权势。这导致了生产取向的扭转和关注点的转移。新一代父母对于亲子关系以及高质量的育儿陪伴越来越器重。依据易观剖析，Z世代是一个寻求更新和前沿育儿形式的群体。满足Z世代新妈妈的生产需要，将可能更好地抓住母婴市场的时机。以后风行的新兴场景也成为母婴类产品最佳的营销入口。 受疫情影响，Z世代妈妈对宝宝的免疫力、身体素质和长期衰弱布局越来越关注调研数据显示，超过95%的Z世代妈妈示意非常重视宝宝的身体素质晋升，并且有久远的衰弱布局。其中，53%的妈妈示意经验疫情后更加重视宝宝的免疫力和抵抗力晋升；42%的妈妈示意在疫情前后都始终非常重视宝宝的身体素质，重视迷信的养分补给。 依据剖析，Z世代妈妈在给宝宝补充养分方面的次要需要依然集中在进步免疫力和加强身体素质上。他们十分关注宝宝的衰弱倒退，并心愿可能提供科学合理的一站式长期衰弱布局。这意味着他们心愿找到一种综合性的解决方案，以满足宝宝免疫力晋升和全面衰弱倒退的需要。因而，提供这样一种服务将更受到Z世代妈妈的青眼。 本专题内的参考报告（PDF）目录易观剖析：Z世代新母婴人群生产洞察2023 报告2023-03-29果集：2023年小红书服饰、美妆、母婴、食品四大类营销趋势及实操指南 报告2023-08-04果集行研：2023年小红书服饰、美妆、母婴、食品四大类营销趋势及实操指... 报告2023-08-03蝉妈妈：抖音电商平台母婴行业营销白皮书 报告2023-07-06易观剖析：中国互联网母婴行业年度剖析2023 报告2023-07-01巨量算数&HCR惠辰&母婴行业察看&GIMC省广团体：2023中国新母... 报告2023-06-29新榜研究院：2023母婴行业数字营销察看报告 报告2023-06-06艾普思征询：2023母婴护理服务市场倒退及投诉洞察报告 报告2023-06-03增长黑盒：2023母婴行业增量洞察报告 报告2023-05-28艾瑞征询：2023年中国母婴营养品市场洞察报告 报告2023-05-25极光：2023挪动互联网母婴亲子行业钻研报告 报告2023-05-22艺恩数据：2023年母婴赛道趋势洞察 报告2023-05-20小红书：小红书母婴618品牌种草趋势 报告2023-05-07闻道网络：2023母婴行业网络营销洞察 报告2023-05-06果集：2023年3月母婴赛道社媒电商报告 报告2023-04-26百度营销：2023百度母婴内容营销手册 报告2023-04-24美团闪购&母婴行业察看：2023母婴即时批发行业白皮书 报告2023-04-22快手&磁力引擎：2023快手母婴行业数据报告 报告2023-04-14美修大数据：2022母婴洗护品类洞察报告 报告2023-04-02果集：2023母婴品类市场预感 报告2023-03-31比达征询：2022年度中国互联网母婴市场钻研报告 报告2023-03-13巨量算数：2022抖音母婴行业年度盘点 报告2023-02-03煜寒征询：少子化让母婴产品何去何从-儿童座椅推车篇 报告2023-01-31艾瑞征询：2022年中国母婴及纸尿裤产业倒退洞察 报告2023-01-09百度营销：母婴行业人类幼崽治愈指南 报告2022-12-20易观剖析：2022年中国母婴新消费市场专题剖析 报告2022-12-08魔镜市场情报：2022母婴行业发展趋势钻研报告-婴童食品赛道洞察 报告2022-12-07果集千瓜：2022年11.11小红书平台母婴行业数据研报 报告2022-12-04魔镜市场情报：22-2022母婴行业发展趋势洞察：婴童食品赛道洞察 报告2022-11-22巨量算数&母婴研究院：2022巨量引擎母婴行业白皮书 报告2022-11-15小红书：2022年·母婴行业用户洞察报告 报告2022-11-12巨量：2022巨量引擎母婴行业白皮书 报告2022-11-08远瞩征询：2022年中国母婴用品行业剖析 报告2022-11-04小红书：2022年双11母婴行业营销趋势洞察 报告2022-10-20易观剖析：2022互联网母婴行业用户洞察 报告2022-10-19淘宝直播：4万估算高清母婴生存直播解决方案搭建操作手册 报告2022-10-16汇员帮：2022上半年中国母婴实体店生产数据分析报告 报告2022-09-11淘宝直播：2022年淘宝直播母婴产业带报告 报告2022-09-02巨量：趋势雷达-2022抖音母婴行业年中盘点 报告2022-08-27宝宝树：2022母婴行业洞察报告 报告2022-08-27比达征询：2022上半年度中国互联网母婴市场钻研报告 报告2022-08-25中国婴童网：2021中国母婴实体店生产数据分析报告 报告2022-08-24蝉妈妈：2021抖音电商母婴用品行业察看 报告2022-08-21艾媒征询：2022年中国母婴群体生产决策趋势钻研报告 报告2022-08-01微播易&CAAC：2022年母婴行业内容营销钻研报告 报告2022-06-30极光：2022挪动互联网母婴亲子行业钻研报告 报告2022-05-30解数：效用护肤的三大机会点（细分人群机会点-母婴） 报告2022-05-25宝宝树：领跑母婴市场迎接翻新时机 报告2022-05-20磁力：2022快手磁力金牛母婴玩具行业营销洞察报告 报告2022-05-19罗兰贝格：中国母婴市场趋势预感2022 报告2022-05-12头豹：2021年中国母婴用品行业概览 报告2022-05-03磁力：快手磁力金牛母婴行业营销洞察报告 报告2022-04-11艾瑞征询：2022年中国母婴行业钻研报告 报告2022-03-29艾瑞征询：2022年中国母婴新生产白皮书 报告2022-03-10网经社：2021年度中国母婴电商市场数据报告 报告2022-03-07TalkingData：2021母婴行业洞察报告 报告2022-03-04美柚&母婴行业察看：二胎妈妈纸尿裤生产洞察 报告2022-02-25艾媒征询：2021-2022年中国母婴行业新媒体营销价值钻研报告 报告2022-02-24巨量：2021抖音母婴行业年度盘点 报告2022-01-27易观剖析：2021中国母婴后浪品牌市场洞察 报告2022-01-18艾瑞征询：2021年中国移动互联网母婴行业流量报告 报告2022-01-10易观：2021中国母婴用品市场洞察 报告2021-11-21卓尔数科：2021年母婴行业洞察报告 报告2021-11-19普华永道：母婴产业倒退蓝皮书 报告2021-10-27数据威：2021年母婴食品行业 新察看 报告2021-10-15易观：中国母婴早阶人群行为及生产偏好洞察2021 报告2021-08-27飞瓜数据：2021母婴短视频及直播营销报告 报告2021-08-26宝宝树：2021母婴行业洞察报告 报告2021-08-20QuestMobile：2021母婴行业品牌营销洞察报告 报告2021-08-05QuestMobile：2021母婴行业品牌营销洞察报告 报告2021-08-04巨量：2020母婴行业年度报告 报告2021-08-04磁力数观：2021快手母婴行业数据价值报告 报告2021-08-04千瓜数据：2020年小红书母婴行业品牌投放数据报告 报告2021-08-02极光：2021年挪动互联网母婴亲子行业钻研报告 报告2021-07-27艾媒征询：2021年中国母婴人群营销趋势报告 报告2021-07-26艾瑞征询：2021年中国下沉市场母婴消费行为报告 报告2021-05-24

全文链接：https://tecdat.cn/?p=33792原文出处：拓端数据部落公众号在这篇文章中，我将尝试介绍从简略的线性回归到应用神经网络构建非线性概率模型的步骤。 这在模型噪声随着模型变量之一变动或为非线性的状况下特地有用，比方在存在异方差性的状况下。 当客户的数据是非线性时，这样会对线性回归解决方案提出一些问题： # 增加的噪声量是 x 的函数n = 20000......x_train = x[: n // 2]x_test = x[n // 2 :]y_train = y[: n // 2]......plt.show() 线性回归办法咱们用均方差作为优化指标，这是线性回归的规范损失函数。 model_lin_reg = tf.keras.Sequential(......history = model_lin_reg.fit(x_train, y_train, epochs=10, verbose=0)# 模型曾经收敛：plt.plot(history.history["loss"])...... Final loss: 5.25咱们定义一些辅助函数来绘制后果： def plot_results(x, y, y_est_mu, y_est_std=None): ...... plt.show()def plot_model_results(model, x, y, tfp_model: bool = True): model.weights...... plot_results(x, y, y_est_mu, y_est_std)模型残差的标准差不影响收敛的回归系数，因而没有绘制。 plot_modesults(mod_linreg......, tfp_model=False) TensorFlow概率咱们能够通过最大化正态分布的似然性来拟合上述雷同的模型，其中平均值是线性回归模型的估计值。 def negloglik(y, distr): ......model_lin_reg_tfp = tf.keras.Sequential( ...... lambda t: tfp.distributions.Normal(loc=t, scale=5,) ), ])model_lin_reg_tfp.compile(......)history = model_lin_reg_tf......plot_model_results(model_lin_r......rue) ...

原文链接 :https://tecdat.cn/?p=33774原文出处：拓端数据部落公众号在数字经济时代，治理和观点的转变与技术冲击同样重要。翻新是这个时代的主旋律，也是企业倒退不可或缺的门路。浏览原文，获取专题报告合集全文，解锁文末504份数字化转型相干行业钻研报告。 寰球经济正在经验以信息技术为外围的第四次经济反动，进入数字化转型时代。对于传统企业而言，数字化转型已成为必须采取行动的问题，而非可选项。 为了更好地了解数字化转型的概念，合集总结国家层面的政策动作，梳理企业在转型过程中面临的典型问题，并提出可行的门路，合集梳理了相干内容，并提炼了行业专家的外围观点和典型企业实际案例。 数字化转型带来了许多业务价值。在云计算、大数据、物联网和人工智能等新技术的推动下，数字化转型为企业带来了实实在在的价值。据调研数据显示，数字化转型中排名前三的业务价值包含： 1.利用云计算、大数据、物联网、人工智能等新生产因素进步生产效率； 2.基于挪动利用进步商业创新能力； 3.通过数字化转型实现商业新动能。 从行业角度来看，除了医疗卫生行业的挪动利用排名第一外，其余行业排名第一的业务价值均是“利用大数据、物联网和人工智能等新生产因素进步生产效率”。然而，因为不同行业所面临的问题不同，因而数字化转型的侧重点也有所不同。具体数据请参见附表（附原数据表）。 金融服务：随着互联网金融和挪动金融的疾速倒退，金融行业的业务危险程度也迅速回升。因而，数字化转型为金融行业带来的最大业务价值是通过大数据分析、物联网和人工智能来欠缺金融风险治理，晋升整体风控能力。 制造业：大数据、物联网和人工智能作为新的生产因素，疾速进步了制造业的生产效率。制造业的数字化转型侧重于疾速倒退工业物联网和人工智能，以实现智能制作。 电信与通信：5G技术的商用化不仅带来了网络性能重组，还带来了海量数据。因而，在数字化转型中，电信与通信行业更加重视通过大数据、物联网和人工智能，通过业务全渠道，实现业务翻新的同时晋升用户体验。 政府：对于政府机构而言，各级机构之间甚至同一机构的各部门之间往往存在数据隔离的问题。为了实现构建一体化政务服务平台的指标，政府的首要任务是通过数据整合和剖析进步服务和管理效率。 医疗卫生：医疗行业更加器重数字化转型过程中挪动利用对于业务创新能力的晋升。互联网、大数据、物联网、人工智能和可穿戴设施等技术的倒退推动了挪动医疗的疾速倒退。通过挪动医疗拓展医疗服务的深度和广度（例如社区医院、挪动挂号APP等），医疗行业用户可能在简化整个医患流程的同时，进步服务水平和效率。 本专题内的参考报告（PDF）目录淘天团体：2023线上城市白皮书-以天猫生态为例基于数字化平台的服务-... 报告2023-09-25重塑增长：2023埃森哲中国企业数字化转型指数 报告2023-09-20饿了么：2023智慧菜场：全渠道经营与数字化转型钻研报告 报告2023-09-16易观剖析：中国数字化慢病治理市场洞察2023 报告2023-09-15中国连锁经营协会&德勤&微盟：2023批发连锁品牌数字化经营钻研及策略... 报告2023-09-14CCFA&德勤&微盟：2023批发连锁品牌数字化经营钻研及策略报告 报告2023-09-14清华大学策略与平安钻研核心：人工智能与国内平安钻研动静第10期-德国人... 报告2023-09-12爱剖析：2023证券数字化实际报告 报告2023-09-12FocusSend：流动营销数字化降级实操指南 报告2023-09-10神策数据：多渠道协同，银行业数字化营销实际新范式白皮书 报告2023-09-09瑞云服务云：2023企业出海售后服务数字化白皮书 报告2023-09-09普华永道：2023汽车数字化转型下的数据经营白皮书 报告2023-09-09联合国亚太经社会：2023年东南亚国家联盟数字化和可继续贸易 报告2023-09-08华为：寰球能源转型及数字化转型成功实践-电力2023年案例集 报告2023-09-08InfoQ：行知数字中国数字化转型案例集锦 报告2023-09-08爱数：数据驱动企业数字化经营 报告2023-09-07i人事：重塑将来：医药畛域HR数字化翻新实际（2023） 报告2023-09-07申橙征询：2023汽车工业数字化与XR技术白皮书 报告2023-09-03IDC&挪动云：建设医疗云平台，构建全民衰弱数字化枢纽 报告2023-09-03腾讯基金会：2023数字化农村儿童美育利用扫描报告 报告2023-09-01中国信息化周报社：数字化转型洞察与实际 报告2023-09-01众安保险&蚂蚁保：2023宠物数字化保险发展趋势洞察白皮书 报告2023-08-3036Kr：2023年中国制造业数字化转型钻研报告 报告2023-08-30金蝶：2023国资国企数字化转型蓝皮书 报告2023-08-29IDC&华勤：夯实数字化基础设施迈向将来智能世界白皮书 报告2023-08-27金蝶&毕马威：2023生命科学产业数字化转型白皮书 报告2023-08-25戴尔科技：数字化转型过程中CIO的策略价值和战略思维 报告2023-08-22金蝶：2023不动产产业数字化转型白皮书 报告2023-08-21InfoQ：2023中国企业数字化人才倒退白皮书 报告2023-08-19IBM&e-works：2023汽车行业数字化转型报告 报告2023-08-19金蝶：2023光伏行业数字化联结白皮书 报告2023-08-17国家能源互联网产业与技术联盟能源数字化专委会：新型电力系统与数字化转型 报告2023-08-17Convertlab：2023批发行业数字化利用场景搭建指南 报告2023-08-17向量智库：小灯塔系列-中小企业数字化转型系列钻研-云存储 报告2023-08-16亿欧智库：2023年中国医疗产业数字化转型现况及能力钻研报告 报告2023-08-15上海社会科学院信息研究所：2023上海数字化绿色化协同倒退最佳实际案例... 报告2023-08-14艾瑞征询：2023年中国保险业数字化转型钻研报告 报告2023-08-11Convertlab：2023批发行业数字化转型实际指南 报告2023-08-10金蝶：2023国资企业数字化转型白皮书 报告2023-08-08青云：2023金融行业数字化倒退与建设白皮书 报告2023-08-06马士基：定制数字化套装-揭秘供应链中游的制胜法宝 报告2023-08-05IDC&挪动云：2023建设医疗云平台构建全民衰弱数字化枢纽-中国移动... 报告2023-08-04山东大学：能源反动和数字化时代低压直流供用电零碎的倒退契机与瞻望 报告2023-07-31思略特：2023汽车行业营销数字化行业察看报告 报告2023-07-31贵阳智能大数据策略研究院：绿色金融的数字化将来 报告2023-07-31德勤风驭：2023年Q1Q2银行业信贷投向趋势数字化研判报告 报告2023-07-31北京金融科技产业联盟：2023金融数据中心网络数字化能力建设钻研报告- 报告2023-07-31爱剖析：以数为擎数字化助力药企开拓提质增效新门路 报告2023-07-31艾媒征询：2023年中国企业数字化转型倒退白皮书 报告2023-07-31施耐德电气：迈向以客户为核心的一流供应链-精益、韧性、绿色、数字化 报告2023-07-27百胜软件&爱剖析：2023户外运动行业数字化转型白皮书 报告2023-07-26普华永道：2023年数字化汽车报告 报告2023-07-24腾讯云：半导体行业数字化转型解决方案手册 报告2023-07-23腾讯：数字化转型指数报告2023-子报告3：公众数字化转型认知 报告2023-07-21新华三：城市数字化倒退指数（2023）-区县篇 报告2023-07-20新华三：城市数字化倒退指数（2023）-城市篇 报告2023-07-20亿邦智库：2023数字化洽购倒退报告 报告2023-07-20腾讯：数字化转型指数报告2023-子报告1：数字化转型指数报告 报告2023-07-20头豹研究院：2023年寰球灯塔工厂行业概览-数字化反动衰亡-智能工厂巨... 报告2023-07-13腾讯研究院：数字化转型指数报告2023-子报告2：将来产业倒退指数 报告2023-07-13易观剖析：中国领取+SaaS服务赋能中小微企业数字化转型专题剖析202... 报告2023-07-12易观剖析：中国商业银行信用卡业务数字化专题研究2023H1 报告2023-07-11安永：面向元宇宙的数字化转型翻新 报告2023-07-10Focussend：B2B营销数字化渐进式倒退之路 报告2023-07-10施耐德：迈向以客户为核心的一流供应链- 精益、韧性、绿色、数字化 报告2023-07-09北京大学：教育数字化转型供应侧生态倒退现状报告 报告2023-07-09爱剖析：2023购物中心经营数字化白皮书 报告2023-07-08清华五道口：2022银行数字化转型指标、门路与动作 报告2023-07-04玄武云行业研究院：2023饮料行业营销数字化白皮书 报告2023-07-03电子规范院：煤炭行业数字化转型门路及典型场景 报告2023-07-02中国重型机械工业协会：2023重型机械行业数字化转型倒退的钻研报告 报告2023-07-01腾讯研究院：2023城市能源数字化转型白皮书 报告2023-07-01武汉市商务局&饿了么：2023武汉老字号数字化翻新报告 报告2023-06-27华为：2023金属矿山数字化转型白皮书 报告2023-06-24北京大学：实然与应然：教育数字化转型供应侧生态倒退现状调研报告（202... 报告2023-06-24拉勾：2023年企业数字化转型组织力报告 报告2023-06-23中国银行保险报&普华永道：2022保险业数字化客户经营白皮书 报告2023-06-22腾讯营销洞察：2023年中国奢侈品市场数字化趋势洞察报告 报告2023-06-22德勤：搭建协同生态系统助力数字化组织实际 报告2023-06-20Gartner：路线图：利用数据与剖析推动企业数字化倒退 报告2023-06-20华为&中国信通院：工业数字化智能化2030白皮书 报告2023-06-17亿欧智库：2023年5月医疗衰弱产业数字化月报 报告2023-06-15上海交通大学：数字化智慧病理科建设白皮书 报告2023-06-15RRL&商派：2023⻝品饮料行业批发数字化洞察报告 报告2023-06-14IDC：寰球和中国服务器市场趋势分享：数字化时代的新计算平台 报告2023-06-14金蝶软件：工业4.0时代如何构建数字化工厂 报告2023-06-12Focussend：2023企业直播营销白皮书-数字化直播营销 报告2023-06-12腾讯基金会：2023年公益组织数字化洞察报告 报告2023-06-11中国上演行业协会&抖音直播：文艺表演个人数字化倒退报告-以文艺表演个人... 报告2023-06-08直客通：2022酒店数字化营销白皮书 报告2023-06-07头豹：2022年中国SCM软件行业钻研报告-SCM软件助推企业数字化转... 报告2023-06-06Checkout.com：2022年中东地区数字化转型 报告2023-06-05罗戈钻研：供应链物流碳治理数字化与科技翻新 报告2023-06-04炎黄盈动：2023低代码PaaS减速制作行业数字化转型白皮书 报告2023-06-03青藤云平安：央企、国企数字化转型平安建设指南 报告2023-06-03毕马威：踊跃转型构建批发生产行业数字化体系 报告2023-06-02中国信通院：企业数字化转型技术发展趋势钻研报告 报告2023-05-31中国会展经济研究会：中国会展主办机构数字化调研报告（2023） 报告2023-05-30西门子：2023成长型企业数字化转型白皮书 报告2023-05-25微吼：数字化流动系列-混合流动策动指南 报告2023-05-25头豹：2022年中国数字孪生行业钻研报告-数字孪生与产业深度交融-推动... 报告2023-05-25泸州老窖：酒行业数字化转型趋势下的供应链人才队伍建设 报告2023-05-21捷配工业互联网研究院：2023工业数字化关键技术及发展趋势报告 报告2023-05-18安永：中国企业出海并购后的数字化治理计划 报告2023-05-18中电金信：2023商业银行大批发数字化转型白皮书 报告2023-05-16金蝶：古代农牧行业数字化解决方案 报告2023-05-15月狐数据：2023中国农村数字化倒退钻研报告 报告2023-05-14天财商龙&商米：2023批发及餐饮行业数字化倒退白皮书 报告2023-05-14倍智：2022年度中国企业数字化人才供应链治理成熟度调研白皮书 报告2023-05-14中国信通院：企业数字化转型技术发展趋势钻研报告2023 报告2023-05-13金融数字化倒退联盟：增量开辟与存量挖潜-信用卡客户经营专题报告（202... 报告2023-05-13中国百货业协会：2022百购行业IT及数字化零碎需要调查报告 报告2023-05-11中国百货商业协会：基于数字化经营的CRM3.0零碎建设指南 报告2023-05-09中国工业互联网研究院：石化化工行业数字化转型门路蓝皮书 报告2023-05-07点亮智库：企业数字化转型成熟度倒退报告（2022年） 报告2023-05-07连用科技：数字化转型下企业内容治理的挑战与应答策略（2023） 报告2023-04-30艾瑞征询：2023年中国银行业数字化转型钻研报告 报告2023-04-29华东师大：AIGC技术给教育数字化转型带来的时机与挑战 报告2023-04-28戴尔科技：2023数字化高韧性企业外围素质白皮书 报告2023-04-28思略特：2023年数字化汽车报告 报告2023-04-26亿欧智库：2023中国数字化营销产品技术钻研报告 报告2023-04-24头豹：2022年中国物流科技行业钻研-数字化运输治理平台 报告2023-04-21观远数据&魔镜市场情报：2023消费品数字化经营白皮书 报告2023-04-21普华永道：2022年数字化工厂转型调研报告 报告2023-04-20致趣百川：2023年医疗营销数字化转型白皮书 报告2023-04-19头豹：2023年中国汽车数字化转型生产制作行业词条报告 报告2023-04-19艾瑞征询：中国供应链金融数字化行业钻研报告 报告2023-04-18中国物流与洽购联合会：数实交融，向产业要效益-从2022中国产业数字化... 报告2023-04-17Convertlab：2023年数字化经营增长指南2.0 报告2023-04-16极客帮：2023数字化转型案例集锦 报告2023-04-12致趣百川：2023医疗数字化转型白皮书-客户洞察与钻研 报告2023-04-10微吼：2023数字化流动系列-线上业绩发布会经营指南 报告2023-04-10联合国教科文组织：共建寰球高等教育数字化转型生态系统-国内网络教育学院... 报告2023-04-10百胜软件&爱剖析：2023生产电子行业数字化转型白皮书 报告2023-04-10艾瑞征询：ToB数字化产业投融资月报-2023年3月及一季度汇总 报告2023-04-09IBM：2023 年寰球银行和金融市场瞻望：在不确定的时代构建数字化优... 报告2023-04-06Gartner：后数字化时代：从金融潮到产能潮白皮书（2023） 报告2023-04-032022数字经济倒退论坛：中小企业数字化转型从哪里开始，到哪里完结？ 报告2023-04-03德勤&浪潮：云数领航智慧监管-基于国资云的国资国企监管数字化转型白皮书... 报告2023-04-02物联云仓：2023年冷链物流数字化利用专题研究报告 报告2023-04-01艾瑞征询：中国汽车行业数字化转型解决方案白皮书 报告2023-03-31艾瑞征询：2023年中国汽车行业数字化转型解决方案白皮书 报告2023-03-30沃丰科技：AI助力能源央国企数字化转型白皮书 报告2023-03-28潘海洪：物流元宇宙-物流数字化的终极状态 报告2023-03-27链上数字产业研究院：2022中国产业数字化政策剖析报告 报告2023-03-27Meltwater融文：2023年中国数字化营销洞察报告 报告2023-03-27甲子光年：2023建筑业工程项目管理数字化钻研报告 报告2023-03-24FSG上海外服：2022企业薪酬治理和数字化趋势报告 报告2023-03-24佩信：2023企业数字化转型组织人才倒退建设报告 报告2023-03-20FSG上海外服：后疫情时代薪酬治理和数字化趋势报告下篇之数字化转型 报告2023-03-20汤森路透：数字化技术赋能跨境电商贸易合规（2023） 报告2023-03-18博锐尚格：中国购物中心能源与碳数字化转型钻研报告 报告2023-03-17第一新声：2022年中国新生产产业数字化钻研报告 报告2023-03-16爱点击：2023全域数字化经营实战手册 报告2023-03-15百信银行：商业银行“Bank Digital Mesh”数字化成熟度评... 报告2023-03-13ACCA&钛媒体 ：数字化转型新思（2022） 报告2023-03-13石基信息：2023年中国酒店业数字化转型趋势报告 报告2023-03-11头豹：数字能源系列（二）-2022年中国能源云行业钻研报告-能源数字化... 报告2023-03-10融文&维奥思社：2023寰球数字化营销洞察报告 报告2023-03-10爱剖析：2022地产科技利用实际报告-行业承压，数字化助力地产企业破局... 报告2023-03-1036Kr：中国中小企业数字化转型钻研报告（2022） 报告2023-03-10灼识征询：2023寰球数字化女性衰弱行业蓝皮书 报告2023-03-05CTR：2022年广电媒体数字化倒退钻研报告 报告2023-03-02央国企信创白皮书：基于信创体系的数字化转型（2022年） 报告2023-03-02Meltwater融文：2023年寰球数字化营销洞察报告 报告2023-03-02元年：数字化时代的全面估算治理洞察钻研报告 报告2023-02-27神策数据：2022汽车行业数字化经营白皮书 报告2023-02-27百信银行：商业银行“Bank Digital Mesh”数字化成熟度评... 报告2023-02-27微吼：营销的进化：数字化流动营销策略白皮书 报告2023-02-26腾讯研究院：全真互联-银行数字化倒退钻研报告 报告2023-02-26艾媒征询：2022年中国声音经济数字化利用发展趋势报告 报告2023-02-26阿里云：2023云原生实战指南-以利用为核心构建数字化转型最短门路 报告2023-02-26腾讯研究院：探元打算2022-中国文化遗产数字化钻研报告 报告2023-02-24安永：2020年及当前的数字化转型-寰球电信业考察 报告2023-02-24爱剖析：2022-2023营销数字化实际报告 报告2023-02-19SAP：减速高科技企业数字化转型 报告2023-02-19易观剖析：中国产业数字化趋势报告2023 报告2023-02-16SAP：赋能企业数字化制作能力，晋升竞争劣势与效益 报告2023-02-16Morketing研究院：营销数字化转型实际白皮书 报告2023-02-16SAP：通过SAP数字化供应链打造韧性供应链 报告2023-02-15石基信息：寰球旅游业数字化倒退钻研报告 报告2023-02-14普华永道：2022年数字化工厂转型调研报告 报告2023-02-14SAP：智慧新国潮-数字化转型须要数字化外围 报告2023-02-14甲子光年：2023年Web3.0体验营销方法论白皮书-营销数字化：从新... 报告2023-02-12爱剖析：2022出海数字化系列报告之“出海实时互动与通信”厂商全景报告 报告2023-02-11爱剖析：2022出海数字化系列报告之“出海实时互动与通信”厂商全景报告 报告2023-02-11贝恩公司：中国数字化批发银行报告（2023） 报告2023-02-10中金资本：私募股权投资行业数字化白皮书 报告2023-02-08前瞻研究院：新经济下中国企业数字化转型之路-灯塔工厂专题报告2023 报告2023-02-08神策数据：2022跨境出海数字化营销白皮书 报告2023-02-06微吼&直播研究院出品：2023数字化流动营销布局指南 报告2023-02-05神策研究院：B2B电商数字化经营白皮书 报告2023-02-05百分点：地产行业数字化转型范式与利用 报告2023-02-05中国汽研&腾讯广告：新型生产趋势下车企的营销数字化转型 报告2023-02-04BCG：行领导如何落实银保监会对于银保业数字化转型的领导意见 报告2023-02-03径硕科技：2023工业制作企业市场部数字化转型数据洞察报告 报告2023-02-01IBM：解码无界，发明数字化转型的有限可能：中国银行业企业架构施行现状... 报告2023-02-01英特尔&联想：中国生产电子制作数字化转型白皮书2023 报告2023-01-30阿里云&达摩院：2022企业数字化咨询服务白皮书 报告2023-01-30腾讯研究院 ：2023腾讯制造业数字化转型洞察报告 报告2023-01-29红杉中国：2022企业数字化年度指南 报告2023-01-29甲子光年：2023中小企业数字化模式翻新钻研报告 报告2023-01-27钉钉&中国信通院：“小快轻准”继续升高数字化转型门槛 报告2023-01-27中国联通：中国联通新型智慧城市数字化经营服务白皮书 报告2023-01-25易观剖析：中国产业数字化趋势报告2023 报告2023-01-25亿欧智库：国有企业数字化转型策略与门路 报告2023-01-25华为：财政数字化最佳实际白皮书 报告2023-01-25蛋壳研究院：数字化心理健康行业钻研报告：互联网医疗和数字疗法构筑心理健... 报告2023-01-25爱剖析：2022消费品批发数字化厂商全景报告 报告2023-01-25易观剖析：2022中国产业数字化倒退成熟度指数报告 报告2023-01-19Thoughtworks&中金资本：私募股权投资行业数字化白皮书 报告2023-01-17易观剖析：2023年中国企业数字化技术利用十大趋势 报告2023-01-16友泰：保险业数字化客户经营能力体系建设规范报告暨蓝皮书 报告2023-01-14毕马威：汽车营销与研发数字化交换 报告2023-01-14拉勾招聘：2022年度数字化科技人才招聘白皮书 报告2023-01-12毕马威：城市数字化转型准则：将来城市畅想 报告2023-01-12艾瑞征询：2022年中国影像数字化行业钻研报告 报告2023-01-12启信宝：2022年数字化洽购与供应商治理白皮书 报告2023-01-11江苏数字化倒退钻研报告（智慧城市篇） 报告2023-01-10中国信通院：数字化绿色化协同倒退白皮书（2022年） 报告2023-01-09中国信通院：工业数字化绿色化交融倒退白皮书（2022年） 报告2023-01-09中国信通院：电信业数字化转型倒退白皮书（2022年） 报告2023-01-09拉勾招聘：2022年智能汽车行业数字化人才白皮书 报告2023-01-08拉勾招聘：2022国央企数字化转型人才白皮书 报告2023-01-06MobTech袤博&天眼查&卫瓴科技：2022年企业级SaaS数字化营... 报告2023-01-06亿欧智库：2022中国人力资源数字化倒退钻研报告 报告2023-01-04月狐数据：2022年汽车行业数字化营销趋势洞察报告 报告2023-01-01德勤：2022年中国首席财务官调查报告第2期：数智时代，首席财务官的数... 报告2022-12-30甲子光年：低代码助力修建企业精益建造数字化钻研报告 报告2022-12-28艾瑞征询：2022年中国大型企业数字化降级门路钻研 报告2022-12-27金融数字化倒退联盟：2022生产金融数字化转型主题调研报告- 报告2022-12-26普华永道：新基建减速数字化转型，实现“智能+”产业降级 报告2022-12-25元透社：可口可乐元宇宙数字化营销 报告2022-12-25腾讯&BCG：中国奢侈品市场数字化趋势洞察报告（2022年版） 报告2022-12-23阿里云：企业数字化咨询服务白皮书 报告2022-12-23炎黄盈动：2022低代码PaaS减速能源行业数字化转型白皮书 报告2022-12-21工业互联网：面向融资和订单场景的中小企业根底数字化能力指南 报告2022-12-20中智征询：企业人才治理数字化趋势调研报告 报告2022-12-19虎啸：2022中国省域营销数字化服务机构图谱解读报告 报告2022-12-18虎啸：2022中国省域营销数字化服务机构图谱 报告2022-12-18腾讯&BCG：中国高端美妆市场数字化趋势洞察报告（2022年版） 报告2022-12-16电子规范院&爱波瑞：中国制造业精益数字化白皮书2022 报告2022-12-16普华永道：2022年数字化工厂转型调研报告 报告2022-12-15毕马威：将来城市畅想：城市数字化转型准则 报告2022-12-15爱剖析：2022洽购数字化实际报告 报告2022-12-14艾瑞征询：2022年10-11月ToB数字化产业投融资月报 报告2022-12-11爱剖析：2022洽购数字化厂商全景报告 报告2022-12-10北京商报社：2022年度金融数字化调查报告 报告2022-12-09IBM：卓越银行的基石-减速数字化转型的实际和优先工作 报告2022-12-09头豹：2022年中国低代码无代码平台行业钻研报告-低代码无代码疾速构建... 报告2022-12-07思略特：消费品企业数字化营销及经营新策略 报告2022-12-07腾讯研究院：2022数字化转型指数年度报告 报告2022-12-06特赞：2022鞋服时尚内容数字化白皮书 报告2022-12-06佩信：2023企业数字化转型组织人才倒退建设 报告2022-12-05帆软：电子电气数字化经营解决方案 报告2022-12-04中国港口协会：2022国内物流产业数字化倒退报告 报告2022-12-01特赞：创意服务数字化洽购白皮书2022 报告2022-11-28埃森哲&近景：中国发电企业低碳数字化解决方案白皮书 报告2022-11-28CMO训练营：2022中国企业营销数字化成熟度报告 报告2022-11-28T钻研：培养增长新动能：中国汽车后市场数字化能力降级与翻新洞察 报告2022-11-27头豹：2022年中国BI数据分析平台行业钻研报告-BI数据分析平台助力... 报告2022-11-26中国工业互联网研究院：中小企业“链式”数字化转型典型案例集（2022年... 报告2022-11-25中国证券业协会：证券公司数字化转型实际报告及案例汇编（2022） 报告2022-11-24腾讯研究院：国有企业数字化转型调研报告（2022年） 报告2022-11-24毕马威：将来银行2.0-如何打造数字化时代的智链公司银行 报告2022-11-24中国船东协会：2022国内物流产业数字化倒退报告 报告2022-11-22头豹：2022年中国城轨云行业概览-把握数字化时机-城轨业务上云（摘要... 报告2022-11-16明源云：2022零碳产业园区数字化倒退白皮书 报告2022-11-15复旦智库：进一步促成数字经济和实体经济深度交融：减速工业互联网建设与产... 报告2022-11-15阿里云：产业集群数字化-构建协同倒退的新生态 报告2022-11-15中欧商业在线：2021-2022 TOP20数字化学习最佳企业实际奖年... 报告2022-11-13亿欧智库：2022专精特新企业数字化治理能力建设白皮书 报告2022-11-13埃森哲：2022中国企业数字化转型指数 报告2022-11-13IBM：卓越银行的基石-减速数字化转型的实际和优先工作 报告2022-11-13头豹：2022年中国文字辨认OCR行业概览-产业数字化转型浪潮驱动OC... 报告2022-11-12赛迪：引领产业数字化转型，数字化场景反动十大洞察 报告2022-11-12华为&安永：电力数字化2030白皮书 报告2022-11-10秒针：营销数字化转型登山图（2022版）全解读 报告2022-11-09CTR：2022年车生存数字化全景洞察报告 报告2022-11-07德勤&瓴羊：DAAS 数字化新世代的最优解 报告2022-11-04商汤：人工智能-助力产业数字化转型实际白皮书 报告2022-11-03麦肯锡：如何帮忙客户通过数字化转型实现营收、利润双冲破 报告2022-11-03头豹：2022年中国资产数字化与融资服务行业概览 报告2022-11-02奥哲：2022年度特辑：专精特新数字化实际精选 报告2022-11-02时趣洞察引擎：内容营销时代的品牌数字化转型白皮书 报告2022-10-31前瞻：专精特新企业数字化程度白皮书 报告2022-10-31动脉橙：2022年数字化临床试验行业钻研报告 报告2022-10-31e签宝：电子签约 - 数字化利用最佳实际 报告2022-10-31头豹：2022年中国农业数字化发展趋势报告-数字化推动农村振兴策略（摘... 报告2022-10-27亿欧数据：医疗衰弱产业数字化月报-2022年9月刊 报告2022-10-26头豹：2022年中国连锁批发超市数字化服务行业概览（精简版） 报告2022-10-26易观剖析：2022年中国小微普惠数字化过程专题剖析 报告2022-10-25数权将来：2021互联网医疗数字化倒退蓝皮书 报告2022-10-24霍尼韦尔：智能制作白皮书-卓越经营赋能制作企业数字化转型 报告2022-10-24哈佛商业评论：中国数字化转型新范式案例锦集 报告2022-10-23轻流：数字化转型白皮书：无代码驱动精益制作 报告2022-10-23蛋壳研究院：健康险3.0时代：数字化助力健康险破“卷”新生 报告2022-10-21氚云&前瞻：专精特新企业数字化程度白皮书 报告2022-10-21艾瑞征询：2022年中国中小微企业数字化转型门路钻研报告 报告2022-10-20Lifecycle Insights：2022年数字孪生报告：产品设计... 报告2022-10-18BCG：致胜的金融机构以数字化策略为根底（英文版） 报告2022-10-18麦肯锡：数字化劳动力-全力激活人效潜能， 助力企业行稳致远 报告2022-10-16IDC：2022寰球数字化转型预测与数字化韧性策略 报告2022-10-16施耐德电气：驾驭数字化转型-数字化赋能绿色智能制作高管洞察2022 报告2022-10-15IDC：将来算力推动企业迈向数字化2.0 报告2022-10-15轻流：数字化精益生产治理白皮书 报告2022-10-14轻流：企业售后服务数字化白皮书 报告2022-10-13FAFULI：2022企业数字化衰弱福利白皮书 报告2022-10-13IDC&北森：2022人力资源数字化转型白皮书 报告2022-10-12蓝凌：勘察设计行业数字化白皮书 报告2022-10-08轻流&IDC：无代码平台利用白皮书-圆桌式开发推动企业数字化翻新 报告2022-10-06思齐圈&IPSOs Strategy3&LIGHTUP：2022医疗数... 报告2022-10-04艾瑞征询：2022年中国财税数字化行业钻研报告 报告2022-10-01腾讯：2022中小企业数字化转型高质量倒退报告 报告2022-09-30头豹：2022年中国资产治理数字化企业比照剖析报告-工商银行、中国人寿... 报告2022-09-28CCFA&阿里：2022年中国生存服务业数字化倒退报告 报告2022-09-28数字100：数字化体验治理驱动企业增长 报告2022-09-24convertlab：2022年数字化经营增长指南-企业数字化案例深度... 报告2022-09-24埃森哲：数字化保险商：以客户为核心迈入数字时代 报告2022-09-23亿邦智库：物品编码与洽购数字化专题报告 报告2022-09-22浦发银行&清华大学：金融科技新动力：数字化劳动力的利用与前瞻（精华版） 报告2022-09-20阿里云：数字化与碳中和：园区篇 报告2022-09-18神策研究院：教育机构数字化经营的方法论及实战 报告2022-09-17天猫&贝恩：新批发下品牌消费者为核心的数字化转型-——消费者经营衰弱度... 报告2022-09-15艾瑞征询：中国汽车行业数字化营销白皮书 报告2022-09-15亿欧智库：2022年中国医药营销数字化钻研报告 报告2022-09-14中国环境与倒退国内单干委员会：助力可继续倒退的数字化转型 报告2022-09-13工息部信息技术倒退司：深入工业互联网平台利用放慢制造业数字化转型 报告2022-09-13安永：大湾区房地产科技白皮书：存量时代，大湾区房地产科技翻新与数字化转... 报告2022-09-13普华永道：财险公司企业客户数字化风险管理解决方案 报告2022-09-11中国百货商业协会：2022年零售业数字化及营销翻新案例集 报告2022-09-09亿欧智库：2022中国汽车产业数字化翻新钻研报告 报告2022-09-09甲子光年：HR SaaS利用与实际钻研报告：数字化工具与数字化服务并驾... 报告2022-09-08阿里研究院：2022数字化产业带：加强产业韧性与生机 报告2022-09-07益普索：2022医疗数字化营销蓝皮书 报告2022-09-05元年：企业数字化PaaS平台白皮书 报告2022-09-04和君&中国农科院：2022年中国农业数字化转型白皮书 报告2022-09-01阿里研究院：数字化产业带：加强产业韧性与生机 报告2022-09-01上海市城市数字化转型利用促成核心：数都上海2035 报告2022-08-31百度智能云：2022百度城市数字化转型白皮书 报告2022-08-31百度智能云：2022百度城市数字化转型白皮书 报告2022-08-31阿里巴巴：上海老字号餐饮品牌数字化转型指数钻研报告 报告2022-08-31IDC&石化盈科：数字化转型智造将来-石油石化行业数字化转型白皮书 报告2022-08-30致趣百川：2022医疗营销数字化转型白皮书·从「繁多CRM」到「SCR... 报告2022-08-29亿欧智库：车企数字化营销赋能白皮书 报告2022-08-29亿欧智库：2022中国汽车产业数字化翻新钻研报告——操作系统篇-082... 报告2022-08-29甲子光年：2022企业档案管理数字化微报告 报告2022-08-28易观剖析：信用卡业务数字化专题研究2022H1 报告2022-08-26艾瑞征询：2022年中国制造业数字化转型钻研报告 报告2022-08-25易观剖析&微软&英特尔：企业级云原生平台驱动数字化转型白皮书 报告2022-08-24亿欧智库：2022中国配备制作行业售后服务数字化钻研报告 报告2022-08-23易观数科：保险业数字化营销洞察与策略白皮书 报告2022-08-23石化盈科&IDC：数字化转型智造将来——石油化工行业数字化转型白皮书主... 报告2022-08-21中关村大数据产业联盟：上市公司数字化转型白皮书 报告2022-08-21中数联盟：2022中国企业数字化转型白皮书 报告2022-08-20商汤：打造“跨次元”的博物馆数字世界-基于AI+XR的数字化翻新摸索 报告2022-08-20甲子光年：2022中小企业数字化微报告 报告2022-08-20创客贴：2022零售业数字化摸索报告 报告2022-08-18神策研究院：跨境电商独立站数字化经营指南 报告2022-08-18CCFA：便利店数字化转型指南（2022版） 报告2022-08-17德勤：2022年寰球数字化危险调研——发现未知危险 弥合信赖落差 报告2022-08-17德勤：物流机器人产业渐入佳境 物流产业数字化提速 报告2022-08-17沙利文&头豹&PLUS：2022年中国线下动销数字化白皮书 报告2022-08-17亿邦智库：发现翻新-2022数字化洽购倒退报告 报告2022-08-16阿里云&零点无数：银发族数字化产品适老化钻研蓝皮书 报告2022-08-16Lenovo：联想数字化转型及新IT白皮书 报告2022-08-14神策数据：本地生存数字化经营解决方案 报告2022-08-12埃森哲：中国发电企业低碳数字化解决方案白皮书.pdf 报告2022-08-11头豹：2022年中国智慧养殖行业-数字化驱动养殖降级（摘要版） 报告2022-08-09网经社：2022年（上）中国产业数字化市场数据报告 报告2022-08-08安永：金融行业批发营销体系数字化营销白皮书 报告2022-08-08阿里云：AI时代下的汽车业数字化改革 报告2022-08-07中数联盟&元年：成就数据驱动型企业-中国企业数字化转型白皮书 报告2022-08-05元年：成就数据驱动型企业 中国企业数字化转型白皮书 报告2022-08-05头豹：2022年保险数字化厂商全景图（上）-从产业链维度深度解析保险公... 报告2022-08-05头豹：2022年中国智能制作倒退洞察-数字化浪潮下的高景气赛道（摘要版... 报告2022-08-04亿邦能源：2022数字化洽购倒退报告 报告2022-08-03德勤：国企数字化转型全面提质增效 报告2022-08-03爱剖析：2022爱剖析· 银行数字化厂商全景报告 报告2022-08-03中国百货商业协会：2022百购行业IT及数字化零碎需要调查报告 报告2022-08-01麦肯锡&CCFA：2022年中国批发数字化白皮书 报告2022-08-01东南大学：双碳指标驱动的数字化新型电力系统 报告2022-08-01阿里云：新一代数字化转型白皮书 报告2022-08-01元年：制造业数字化转型解决方案 报告2022-07-26甲子光年：修建数字化钻研报告 报告2022-07-26甲子光年：2022农业数字化行业简析 报告2022-07-26保利威：2022中国企业数字化增长手册 报告2022-07-26爱剖析：2022爱剖析･银行数字化实际报告 报告2022-07-25云徙&爱剖析：2022汽车行业数字化转型白皮书 报告2022-07-21易观剖析：中国人力资源数字化生态图谱2022-灵便用工市场 报告2022-07-20麦肯锡：亚洲当先批发团体的数字化转型教训 报告2022-07-19易观剖析：数字经济全景白皮书-保险数字化篇 报告2022-07-18腾讯研究院：2022中国民营企业数字化转型调研报告 报告2022-07-18国家信息中心：全光智慧城市白皮书2.0-构建全光智慧城市 赋能城市数字... 报告2022-07-18艾瑞征询：2022年中国企业数字化学习行业钻研报告 报告2022-07-18中国工商联：2022中国民营企业数字化转型调研报告 报告2022-07-15头豹：数字化平台延长MRD动静监测服务 报告2022-07-15甲子光年：2022快消品行业线下分销链路数字化转型 报告2022-07-15雇势研究院：中国数字化招聘和游戏化测评趋势钻研报告（2022-2023... 报告2022-07-15毕马威&京东云：智慧网点与数字化营销经营白皮书 报告2022-07-15爱剖析：2022爱剖析· 国央企数字化厂商全景报告 报告2022-07-15艾瑞征询：2022年中国人力资源数字化钻研报告 报告2022-07-15艾瑞征询：2022年中国电力数字化产业钻研报告 报告2022-07-15神策数据：教育机构数字化经营的方法论及实战 报告2022-07-11观点指数&施耐德：2022数字化经营白皮书 报告2022-07-10五矿：冶金矿山数字化转型白皮书 报告2022-07-06艾瑞征询：企业数字化人才倒退白皮书 报告2022-07-02亿邦能源：品牌数字化服务商资源手册 第一期 报告2022-06-30艾瑞征询：2022年中国房地产数字化转型钻研报告 报告2022-06-29德勤：打算治理数字化转型施行指南——晋升转型成功率的经验教训和致胜五招 报告2022-06-28中国连锁经营协会&微盟：2022批发连锁品牌数字化经营钻研及策略报告 报告2022-06-26观远数据：数字化经营赋能新锐品牌精益增长-2022私域新增长线上峰会 报告2022-06-26甲子光年：洽购数字化市场钻研报告 报告2022-06-24头豹：2022年中国能源数字化反动（摘要版） 报告2022-06-21观点指数&施耐德：2022数字化经营白皮书 报告2022-06-21头豹：2022年中国数字化洽购行业：数字化浪潮已至，颠覆传统洽购模式 报告2022-06-19蛋壳：神经科学数字化翻新白皮书 （2022） 报告2022-06-16动脉网：2022年医药数字化营销行业报告 报告2022-06-16好情绪：2022年数字化精力心理健康服务行业蓝皮书 报告2022-06-13头豹：2022年中国餐饮行业数字化趋势：信息技术助力行业转型（摘要版） 报告2022-06-10亿欧智库：2022年中国数字化办公市场钻研报告 报告2022-06-08慧科迅业：后疫情时代 To B市场人如何用数字化出现多维度营销成果 报告2022-06-06特赞：2022工业制作内容数字化白皮书 报告2022-06-05艾瑞征询：2022年中国数字化洽购行业钻研报告 报告2022-06-02社科院&阿里云&钉钉：将来组织数字化倒退评估报告 报告2022-05-31天猫：天猫数字化内容营销航海指南 报告2022-05-30微众银行&金链盟：DUE Matrix银行业数字化效力评估矩阵v1.0 报告2022-05-27中国信通院：次要国家和地区推动制造业数字化转型的政策钻研报告（2022... 报告2022-05-27云学堂：2021数字化时代人才转型白皮书 报告2022-05-27艾瑞征询：2022年中国政企洽购数字化转型白皮书 报告2022-05-26腾讯：中小企业数字化转型门路报告 报告2022-05-25清华大学&阿里：欠发达县域数字化待业价值钻研报告 报告2022-05-25艾瑞征询：2022年中国供应链数字化降级行业钻研报告 报告2022-05-24教育部：智慧教育资讯_教育数字化转型专题_2022年5月 报告2022-05-20甲子光年：洽购数字化晋升企业竞争壁垒 报告2022-05-20中国电子技术标准化研究院：2021年中小企业数字化转型剖析报告 报告2022-05-18爱剖析：2022爱剖析･汽车行业数字化实际报告 报告2022-05-16爱剖析：2022爱剖析· 汽车行业数字化厂商全景报告 报告2022-05-16神策数据：在线医疗数字化经营解决方案2022 报告2022-05-13腾讯研究院：重塑中小城市的将来：数字化转型的框架与门路 报告2022-05-13派拉软件：国企数字化转型解决方案白皮书 报告2022-05-11罗戈网：企业供应链低碳与数字化转型 报告2022-05-10头豹：2022年中国智慧校园新生产互动及校园数字化生存服务平台行业概览 报告2022-05-09世界经济论坛：贸易技术的承诺：利用贸易数字化政策路径（EN） 报告2022-05-06Retail 2030：赋能批发品牌将来的数字化技术策略 报告2022-05-06好情绪：2022年数字化精力心理健康服务行业蓝皮书 报告2022-05-05动脉网&蛋壳研究院：健康险3.0时代：数字化助力健康险破“卷”新生 报告2022-05-05人民日报&直客通：2021年度中国高星级酒店数字化营销翻新发展趋势报告 报告2022-04-26中国移动：2021年中国移动5G新型智慧城市白皮书-社区治理数字化分册 报告2022-04-25德勤：数字化时代下的外围银行转型 报告2022-04-24腾讯：数字化重塑营销服体系，开启制作企业破局之路 报告2022-04-20亿欧智库：2022中小企业财税数字化倒退钻研报告 报告2022-04-20易点天下：谷歌数字化营销，为教育行业赋能。 报告2022-04-19北京大学：“下一步口头”： 数字化赋能治理协同 报告2022-04-19微软&普华永道：迈向将来财务 - 中国企业财务数字化转型白皮书 报告2022-04-18艾瑞征询：2022年中国政企洽购数字化转型白皮书 报告2022-04-18华夏时报：数据智能下的金融数字化转型报告2022 报告2022-04-11易观剖析：2022中国餐饮数字化市场专题剖析 报告2022-04-07QuestMobile：2022全面数字化倒退下的消费市场洞察 报告2022-04-07甲子光年：2022中国企业数字化办公翻新与实际产业钻研报告 报告2022-04-06神策：2022中国企业数字化经营成熟度报告 报告2022-04-02亿欧智库：2022中国建筑行业数字化转型钻研报告 报告2022-04-02亿欧智库：2021-2022中国金融数字化“新”洞察行业钻研报告 报告2022-04-02亿欧智库：2022中国公装行业数字化钻研报告 报告2022-04-02BCG：2020，银行领导如何落实银保监会《对于银保业数字化转型的领导... 报告2022-04-01爱点击：SaaS X-2022爱点击数字化经营白皮书 报告2022-03-30新浪财经&苏宁金融研究院：2021中国银行业数字化转型钻研报告 报告2022-03-28零壹智库：保险科技案例报告-微保科技__数字化赋能保司交易治理 报告2022-03-25沃丰科技&中国通信院：智能客服数字化趋势及央国企转型实际报告 报告2022-03-25金融数字化倒退联盟：中国生产金融逾期资产清收及处理专题报告 报告2022-03-25腾讯&网聚资本&AMT：食品与餐饮连锁企业数字化增长指引参考 报告2022-03-25易观剖析：2022年企业数字化技术利用十大趋势预测：数字经济全景白皮书 报告2022-03-23QuestMobile：2022全面数字化倒退下的消费市场洞察 报告2022-03-23自然资源爱护协会：渔业数字化报告 报告2022-03-22金融数字化联盟：中国生产金融逾期资产清收及处理专题报告 报告2022-03-22金融数字化联盟&银联：2021生产金融数字化转型主题调研报告 报告2022-03-22德勤：数字化势在必行：民营企业将如何在数字化畛域占据主导地位？ 报告2022-03-17普华永道：超过数字化的七大策略要务 报告2022-03-17艾瑞征询：2022年车企数字化转型趋势系列钻研之研发数字化篇 报告2022-03-15Webpower：2022数字化转型白皮书 报告2022-03-15亿欧智库：2022中国建筑行业数字化转型钻研报告 报告2022-03-11网经社：2021年度中国产业数字化市场数据报告 报告2022-03-08金融信息化研究所：金融业数字化转型倒退报告（白皮书） 报告2022-03-04亿欧智库：2022 银行批发客户经营数字化转型最佳实际白皮书-2022... 报告2022-03-02亿欧智库：生物医药行业全面费用治理数字化白皮书 报告2022-03-02爱剖析：2021爱剖析·房企数字化厂商全景报告 报告2022-03-01爱剖析：2022爱剖析･时尚品牌数字化实际报告 报告2022-03-01普华永道：数字化时代的客户经营转型报告 报告2022-02-28金融信息化研究所：2022金融业数字化转型倒退报告（白皮书） 报告2022-02-28亿欧智库：业余服务行业全面费用治理数字化白皮书 报告2022-02-25普华永道：引领将来的数字化领导力模型 报告2022-02-25普华永道：数字化领导力打算 报告2022-02-25零壹智库：中国数字化小微金融翻新实际报告（2021） 报告2022-02-25Salesforce：2021 数字化趋势报告 报告2022-02-16亿欧智库：连锁经营行业全面费用治理数字化白皮书 报告2022-02-11易观剖析：企业数字化十大预测2022 报告2022-02-07Retail 2030：赋能批发品牌将来的数字化技术策略 报告2022-01-26易观剖析：企业数字化十大预测2022 报告2022-01-18罗兰贝格：车企数字化营销白皮书 报告2022-01-14复旦大学&众安保险：2021保险数字化营销白皮书 报告2022-01-10爱剖析：2021爱剖析·区域性银行数字化厂商全景报告 报告2022-01-07爱剖析：2021爱剖析·时尚品牌数字化厂商全景报告 报告2022-01-07爱剖析：2021爱剖析·中国房企数字化实际报告 报告2022-01-07亿欧智库：2021年中国政企数字化网络安全钻研报告（下） 报告2022-01-07

全文链接：http://tecdat.cn/?p=30647最近咱们被客户要求撰写对于GARCH 的钻研报告，包含一些图形和统计输入。 从Engle在1982发表自回归条件异方差(ARCH)模型的论文以来，金融工夫序列数据的波动性就倍受关注。同时，近几年又呈现了钻研股票市场的稳定传递性 多市场的多维狭义自回归条件异方差模型及其在不同条件下的扩大与变形，它们不仅蕴含了单变量的稳定个性，而且很好的形容了不同变量间的互相关系。所以，多维GARCH模型为剖析金融市场的相互影响提供了无力的工具。 咱们围绕多变量GARCH技术进行一些征询，帮忙客户解决独特的业务问题。本文波及多变量GARCH模型的构建。为此，请思考以下模型 BEKKCCC-GARCH 和 DCC-GARCHGO-GARCHBEKKBEKK（1，1）具备以下模式： 下图显示了具备上述参数的模仿序列： BEKK 模型的调整通常计算成本很高，因为它们须要预计大量参数。在本节中，咱们将应用该包来预计上一节中模仿多变量序列的参数。\对于 BEKK 模型（1，1） 的调整，咱们应用以下语法 fit.bek.m<-BE(matsim)估计数由以下公式给出： CCC-GARCH和DCC-GARCH c.H1<-eccc.sim(nobs=1000, c.a1, c.A1, c.B1, c.R1, d.f=5, model="diagonal")#'h'模仿条件方差的矩阵(T × N )#'eps'是模仿的工夫序列与(E)CCC-GARCH过程的矩阵(T × N )<!----> plot.ts(c.H1$eps, main = "Processos simulados") 对于模仿过程，咱们将应用雷同的包预计参数，函数 .咱们有两个模仿序列，而后咱们假如它们遵循 CCC-GARCH（1，1） 以下过程 估算后果为： DCC-GARCHDCC-GARCH 模型是 CCC-GARCH 状况的推广，也就是说，咱们有 R matris 不肯定是固定的，也就是说它随工夫变动： 模仿示例为了模仿 DCC-GARCH 过程，咱们思考比拟性能。 obs=1000, d.a1, d.A1, d.B1, d.R1, dcc.para=c(d.alpha1,d.beta1), d.f=5, model="diagonal") 点击题目查阅往期内容 MATLAB用GARCH-EVT-Copula极值实践模型VaR预测剖析股票投资组合 左右滑动查看更多 ...

原文链接：http://tecdat.cn/?p=21379 原文出处：拓端数据部落公众号 最近咱们被客户要求撰写对于回归的钻研报告，包含一些图形和统计输入。 本文咱们对[逻辑回归和样条曲线进行]()介绍。 logistic回归基于以下假如：给定协变量x，Y具备伯努利散布，     目标是预计参数。 回忆一下，针对该概率应用该函数是     （对数）似然函数对数似然     其中。数值办法基于（数值）降落梯度来计算[似然函数]()的 [最大值]()。对数似然（负）是以下函数 negLogLik = function(beta){ -sum(-y*log(1 + exp(-(X%*%beta))) - (1-y)*log(1 + exp(X%*%beta))) }当初，咱们须要一个起始点来启动算法   optim(par = beta_init, negLogLik, hessian=TRUE, method = "BFGS", control=list(abstol=1e-9))在这里，咱们失去 logistic_opt$par (Intercept) FRCAR INCAR INSYS 1.656926397 0.045234029 -2.119441743 0.204023835 PRDIA PAPUL PVENT REPUL -0.102420095 0.165823647 -0.081047525 -0.005992238让咱们在这里验证该输入是否无效。例如，如果咱们（随机）更改终点的值会怎么样 plot(v_beta)par(mfrow=c(1,2))hist(v_beta[,1],xlab=names( )[ ])hist(v_beta[,2],xlab=names( )[2])  这里有个问题。留神，咱们不能在这里进行数值优化。咱们能够思考应用其余优化办法 logLikelihoodLogitStable = function(vBeta, mX, vY) { -sum(vY*(mX %*% vBeta - log(1+exp(mX %*% vBeta) + (1-vY)*(-log(1 + exp(mX %*% vBeta)) optimLogitLBFGS = optimx(beta_init, logLikelihoodLogitStable, 最长处 ...

全文链接：http://tecdat.cn/?p=32307原文出处：拓端数据部落公众号互联网时代，大量的新闻信息、网络交互、舆情信息以文本模式存储在数据库中，如何利用数据分析和文本开掘的算法，将海量文本的价值开掘进去，成为咱们团队近期的一个钻研方向，本案例就是咱们的一个尝试。 文本聚类其实也就是聚类分析在文本方向上的利用,首先咱们要把一个个文档的自然语言转换成数学信息，这样造成高维空间点之后再去计算点与点之间的间隔,而后将这些间隔比拟近的聚成一个簇，这些簇的核心成为簇心。而咱们做的就是保障簇内点的间隔足够近,簇与簇的间隔足够远。 本文将通过R语言帮忙客户来实现文本开掘、聚类和词云可视化技术，体验一下舆情剖析的魅力。 原始评论数据本文获取上海玛雅水公园景区评论数据共计1692条数据： 读取数据 pinglun=read.xlsx("玛雅景区数据5.8.xlsx")文本预处理res=pinglun1[pinglun1!=" "]; #剔除通用题目 # res=gsub(pattern="[專賣店【未拆封順豐】|<b>|</b>]+"," ",res); #剔除非凡词 res=gsub(pattern="[我|你|的|了|是]"," ",res); #清理文本里的回车！否则每个回车就会被辨认成一段文本res=gsub("\n","",res)分词+频数统计words=unlist(lapply(X=res, FUN=segmentCN)); 过滤掉1个字和词频小于100的记录d=subset(d, nchar(as.character(d$word))>1 & d$freq>=100) 输入关键词后果 write.table(d, file="/worldcup_keyword.txt", row.names=FALSE) 绘制词汇图wordcloud(d$word,d$freq,random.order=FALS kmeans聚类局部转换成评估矩阵 rating=matrix(0,length(res1),dim(d)[1])#生成评估矩阵for(i in 1:length(res1)){ words=unlist(lapply(X=res1[i], FUN=segmentCN));#对每一条记录剖析取得词频 #输入评估矩阵###############################write.table(rating, file="评估矩阵.txt", row.names=FALSE) 对评估矩阵进行k均值聚类kmeans(rating,5)#对评估矩阵进行k均值聚类词云可视化#第一个类别################################mycolors <- brewer.pal(8,"Dark2")#设置一个色彩系：wordcloud(colnames(result)[-c(115,116)],freq1[ 第二个类别wordcloud(colnames(result)[-c(115,116)],f 第三个类别wordcloud(colnames(result)[-c(115,116)],freq3[-c( 1.被提及了哪些维度第一个维度是指开心好玩，能够认为是景点的可玩性水平。 第二个维度是 排队的关键词 另外蕴含工夫，因而能够认为是景点的秩序问题 第三个维度是我的项目 公园 喇叭 寒带 漂流等关键词，能够认为是景点的玩耍我的项目维度. 2.各维度关注度如何（即被提及的频率）#第一类的关注度 可玩性水平。guanzhu1=length(which(result$kmeansmod.cluster==1))#第二类的关注度 景点的秩序问题guanzhu2=length(which(result$kmeansmod.cluster==4))#第三类的关注度 玩耍我的项目维度guanzhu3=length(which(result$kmeansmod.cluster==3))3.各维度的满意度指数#第一类的满意度指数 可玩性水平。manyi1=sum(na.omit(result$pinglun.星级.1.nrow.rating.. [which(result$kmeansmod.cluster==1)]))#第二类的满意度指数 景点的秩序问题manyi2=sum(result$pinglun.星级.1.nrow.rating.. [which(result$kmeansmod.cluster==4)]) #第三类的满意度指数 玩耍我的项目维度manyi3=sum(result$pinglun.星级.1.nrow.rating.. [which(result$kmeansmod.cluster==3)])4.三张图：各维度关注度，各维度满意度，词云colnames(manyi)=c("可玩性水平","景点的秩序问题","玩耍我的项目维度")barplot(manyi,ylab="满意度") 最受欢迎的见解 1.Python主题建模LDA模型、t-SNE 降维聚类、词云可视化文本开掘新闻组 2.R语言文本开掘、情感剖析和可视化哈利波特小说文本数据 3.r语言文本开掘tf-idf主题建模，情感剖析n-gram建模钻研 4.游记数据感知游览目的地形象 5.疫情下的新闻数据察看 6.python主题lda建模和t-sne可视化 7.r语言中对文本数据进行主题模型topic-modeling剖析 ...

原文链接：http://tecdat.cn/?p=11386原文出处：拓端数据部落公众号 最近咱们被客户要求撰写对于线性模型的钻研报告，包含一些图形和统计输入。  在这篇文章中，我将从一个根本的线性模型开始，而后从那里尝试找到一个更适合的线性模型。 数据预处理因为空气质量数据集蕴含一些缺失值，因而咱们将在开始拟合模型之前将其删除，并抉择70％的样本进行训练并将其余样本用于测试： data(airquality)ozone <- subset(na.omit(airquality), select = c("Ozone", "Solar.R", "Wind", "Temp"))set.seed(123)N.train <- ceiling(0.7 * nrow(ozone))N.test <- nrow(ozone) - N.traintrainset <- sample(seq_len(nrow(ozone)), N.train)testset <- setdiff(seq_len(nrow(ozone)), trainset)一般最小二乘模型作为基准模型，咱们将应用一般的最小二乘（OLS）模型。在定义模型之前，咱们定义一个用于绘制线性模型的函数： rsquared <- function(test.preds, test.labels) { return(round(cor(test.preds, test.labels)^2, 3))}plot.linear.model <- function(model, test.preds = NULL, test.labels = NULL, test.only = FALSE) { r.squared <- NULL if (!is.null(test.preds) && !is.null(test.labels)) { # store predicted points: test.df <- data.frame("Prediction" = test.preds, "Outcome" = test.labels, "DataSet" = "test") # store residuals for predictions on the test data test.residuals <- test.labels - test.preds test.res.df <- data.frame("x" = test.labels, "y" = test.preds, "x1" = test.labels, "y2" = test.preds + test.residuals, "DataSet" = "test") # append to existing data plot.df <- rbind(plot.df, test.df) plot.res.df <- rbind(plot.res.df, test.res.df) # annotate model with R^2 value r.squared <- rsquared(test.preds, test.labels) } ####### library(ggplot2) p <- ggplot() return(p)}当初，咱们应用lm并钻研特色预计的置信区间来建设OLS模型： ...

原文链接：http://tecdat.cn/?p=3060原文出处：拓端数据部落公众号  介绍最近咱们被客户要求撰写对于贝叶斯分层混合模型的钻研报告，包含一些图形和统计输入。 在对诊断测试准确性的零碎评估中，统计分析局部旨在预计测试的均匀（跨钻研）敏感性和特异性及其变异性以及其余测量。灵敏度和特异性之间往往存在负相关，这表明须要相干数据模型。因为用户，剖析在统计上具备挑战性 解决两个摘要统计，必须思考敏感性和特异性之间的相关性，必须思考到钻研中的敏感性和特异性的异质性应该容许纳入协变量。   本教程介绍并演示了用于诊断准确性钻研的荟萃剖析的分层混合模型。在层次结构的第一级中，给定每个钻研的灵敏度和特异性，两个二项分布用于别离形容患病和衰弱个体中真阳性和真阳性样本数的变动。在第二级，咱们应用二元散布模仿未察看到的敏感性和特异性。尽管应用了分层模型，但meta剖析的重点在于钻研中的汇总平均值，而在给定的钻研估算中很少。 应用来自两个先前公布的meta剖析的数据集来演示这些办法： 尿液中端粒酶的诊断准确性作为诊断原发性膀胱癌的肿瘤标志物，因为它是一个有问题的数据集，其相干参数估计为-1并且没有协变量而引起收敛问题（Glas et al.2003） 比拟病毒检测（应用HC2检测）的敏感性和特异性与反复细胞学查看对具备宫颈病变的女性进行分类，以检测潜在的宫颈癌前病变（Arbyn等，2013）。第二个数据集用于证实具备一个协变量的元回归，该协变量能够天然地扩大到包含几个协变量。 荟萃Meta 剖析的统计办法 推理框架和软件因为其灵活性和MCMC模仿的应用，简单建模通常能够在贝叶斯框架内更容易地实现。通过管制先验散布，贝叶斯推断能够躲避可识别性问题，而没有先验散布的频率推理中的数值迫近算法可能会因识别性问题而陷入困境。然而，贝叶斯办法通常须要统计专业知识和急躁，因为MCMC模仿是计算密集型的。相同，最频繁的办法已被蕴含在规范“程序”中，这些程序须要较少的统计常识和编程技能。此外，频率论办法通过最大似然预计（MLE）进行优化，与MCMC模仿相比，其具备更短的运行工夫。    JAGS （Plummer等人2003）是Stan的另一种可扩大的通用采样引擎。扩大JAGS须要晓得C++动态链接库（DLL）模块。依据教训，配置和构建模块是一项艰巨而繁琐的工作，尤其是在Windows操作系统中。上述毛病加上这样的事实，Stan即便从较差的初始值开始，往往会以较少的迭代收敛。    模型诊断为了评估链的模型收敛和平稳性，有必要查看潜在的比例缩减因子，无效样本大小（ESS），MCMC误差和参数的跟踪图。当所有链达到目标后验散布时，预计后验方差靠近于链方差，使得两者的比率靠近1，表明链是稳固，可能已达到目标散布。无效的样本大小示意实际上无关某个参数的信息量。当样本主动相干时，冀望参数后验散布的信息少于样本独立时的信息。因为模仿了后验散布，因而近似值有可能偏离一定量;MCMC误差靠近0示意可能已达到目标散布。   模型比拟和抉择Watanabe-Alkaike信息准则（WAIC）（Watanabe 2010）是一种最近的模型比拟工具，用于测量拟合模型在贝叶斯框架中的预测精度，用于比拟模型。WAIC能够被视为对Deviance Information Criterion（DIC）的改良，只管风行，但它曾经存在一些问题（Plummer 2008）。WAIC是一个齐全贝叶斯工具，十分靠近贝叶斯穿插验证，对从新参数化不变，可用于简略以及分层和混合模型。   数据集端粒酶数据（Glas等，2003）系统地回顾了细胞学和其余标志物（包含端粒酶）对膀胱癌初步诊断的敏感性和特异性。他们报告说，端粒酶有敏感性和特异性别离为 0.75 ，和0.86。他们得出结论，端粒酶不够灵活，不宜用于日常应用。 将数据加载到R环境中并生成以下输入## ID TP TN FN FP## 1 1 25 25 8 1## 2 2 17 11 4 3## 3 3 88 31 16 16## 4 4 16 80 10 3## 5 5 40 137 17 1## 6 6 38 24 9 6## 7 7 23 12 19 0## 8 8 27 18 6 2## 9 9 14 29 3 3## 10 10 37 7 7 22ID是钻研的标识符，DIS是患病的数量，TP是真阳性NonDis的数量，是衰弱TN的数量，是真阴性的数量。 ...

原文链接：http://tecdat.cn/?p=19889原文出处：拓端数据部落公众号 最近咱们被客户要求撰写对于Metropolis-Hastings采样的钻研报告，包含一些图形和统计输入。 如果您能够写出模型的似然函数，则 Metropolis-Hastings算法能够负责其余部分（即MCMC ）。我写了r代码来简化对任意模型的后验散布的预计。具体如下： 1）定义模型（即概率先验）。在此示例中，让咱们构建一个简略的线性回归模型（对数）。 a<-pars[1]      #截距b<-pars[2]      #斜率sd_e<-pars[3]   #残差if(sd_e<=0){return(NaN)}log_likelihood<-sum( dnorm(data[,2],pred,sd_e, log=TRUE) )先验： epsilon<-pars[3]    #残差prior_a<-dnorm(a,0,100,log=TRUE)     ##所有的非信息性先验prior_b<-dnorm(b,0,100,log=TRUE)     ## 参数.prior_epsilon<-dgamma(epsilon,1,1/100,log=TRUE)当初让咱们模仿一些数据以进行运行测试： x<-runif(30,5,15)y<-x+rnorm(30,0,5) ##斜率=1, 截距=0, epsilon=5 2）Metro Hastings 实现所有工作。 MH(li_func=li_reg,pars=c(0,1,1),3）您能够应用plotMH（）查看所有模型参数的后验 plot(mcmc) 绘制所有参数之间的相关性。 4）输入后验置信区间。 BCI#              0.025    0.975# a       -5.3345970 6.841016# b        0.4216079 1.690075# epsilon  3.8863393 6.660037接下来，我想提供一种直观的办法来可视化此算法运行的状况。 次要思维是从散布中抽取样本。积分很重要，贝叶斯定理自身： P（| D）= P（D |）P（）/ P（D） 其中P（D）是察看数据的无条件概率。因为这不依赖于推断的模型（）参数，因而P（D）是归一化常数。 因而，咱们有一个非归一化的概率密度函数，咱们心愿通过随机抽样来预计。对于简单的模型而言，随机抽样自身的过程通常很艰难，因而，咱们应用马尔可夫链来摸索散布。咱们须要一个链，如果运行工夫足够长，它将作为指标散布的随机样本整体。咱们构建的马尔可夫链的这种个性称为 遍历性。Metropolis-Hastings算法是构建这种链的一种办法。 步骤： 在参数空间k_X中抉择一些终点抉择一个候选点k_Y〜N（k_X，）。这通常称为提议散布。移至候选点的概率为：min（（k_Y）/（K_X），1）反复。以下代码通过简略的正态指标散布演示了此过程。 ###     Metropolis-Hastings 可视化                #######k_X = seed; ##将k_X设置为种子地位for(i in 1:iter){track<-c(track,k_X)    ## 链k_Y = rnorm(1,k_X,prop_sd) ##候选点## -- 绘制链的核密度估计lines(density(track,adjust=1.5),col='red',lwd=2)## -- 绘制链plot(track,1:i,xlim=plot_range,main='',type='l',ylab='Trace')## -- 绘制指标散布和提议散布 curve(dnorm(x,k_X,prop_sd),col='black',add=TRUE)abline(v=k_X,lwd=2)## 承受概率为a_X_Y if (log(runif(1))<=a_X_Y)points(k_Y,0,pch=19,col='green',cex=2)## 调整提议if(i>100)prop_sd=sd(track[floor(i/2):i])  ...

全文下载链接：http://tecdat.cn/?p=4612最近咱们被客户要求撰写对于贝叶斯简略线性回归的钻研报告，包含一些图形和统计输入。 贝叶斯剖析的许多介绍都应用了绝对简略的教学实例（例如，依据伯努利数据给出胜利概率的推理）。尽管这很好地介绍了贝叶斯原理，然而这些准则的扩大并不是含糊其辞的这篇文章将概述这些原理如何扩大到简略的线性回归。我将导出感兴趣参数的后验条件散布，给出用于实现Gibbs采样器的R代码，并提出所谓的网格点办法。 贝叶斯模型假如咱们察看数据 对于咱们的模型是 有趣味的是作出推论 如果咱们在方差项之前搁置正态前向系数和反伽马，那么这个数据的残缺贝叶斯模型能够写成： 假如超参数 是已知的，前面能够写成一个常数的比例， 括号中的术语是数据或可能性的联结散布。其余条款包含参数的联结先验散布（因为咱们隐含地假如独立前，联结先验因素）。 随同的R代码的第0局部为该指定的“实在”参数从该模型生成数据。咱们稍后将用这个数据预计一个贝叶斯回归模型来查看咱们是否能够复原这些实在的参数。 tphi<-rinvgamma(1, shape=a, rate=g)tb0<-rnorm(1, m0, sqrt(t0) )tb1<-rnorm(1, m1, sqrt(t1) )tphi; tb0; tb1;y<-rnorm(n, tb0 + tb1*x, sqrt(tphi))吉布斯采样器为了从这个后验散布中得出，咱们能够应用Gibbs抽样算法。吉布斯采样是一种迭代算法，从每个感兴趣的参数的后验散布产生样本。它通过依照以下形式从每个参数的条件前面顺次绘制： 能够看出，剩下的1,000个抽签是从后验散布中抽取的。这些样本不是独立的。绘制程序是随机游走在后空间，空间中的每一步取决于前一个地位。通常还会应用间隔期（这里不做）。这个想法是，每一个平局可能依赖于以前的平局，但不能作为依赖于10日以前的平局。 点击题目查阅往期内容 应用R语言进行Metroplis-in-Gibbs采样和MCMC运行剖析 左右滑动查看更多 01 02 03 04 条件后验散布要应用Gibbs，咱们须要确定每个参数的条件后验。 它有助于从齐全非标准化的后验开始： 为了找到参数的条件后验，咱们简略地删除不蕴含该参数的关节后验的所有项。例如，常数项 条件后验： 同样的， 条件后验能够被认为是另一个逆伽马散布，有一些代数操作。 条件后验不那么容易辨认。然而如果咱们违心应用网格办法，咱们并不需要通过任何代数。 思考网格办法。网格办法是十分暴力的形式（在我看来）从其条件后验散布进行抽样。这个条件散布只是一个函数。所以咱们能够评估肯定的密度值。在R表示法中，这能够是grid = seq（-10，10，by = .001）。这个序列是点的“网格”。 那么在每个网格点评估的条件后验散布通知咱们这个抽取的绝对可能性。 而后，咱们能够应用R中的sample（）函数从这些网格点中抽取，抽样概率与网格点处的密度评估成比例。   for(i in 1:length(p) ){    p[i]<- (-(1/(2*phi))*sum( (y - (grid[i]+b1*x))^2 ))  + ( -(1/(2*t0))*(grid[i] - m0)^2)  }    draw<-sample(grid, size = 1, prob = exp(1-p/max(p)))这在R代码的第一局部的函数rb0cond（）和rb1cond（）中实现。 应用网格办法时遇到数值问题是很常见的。因为咱们正在评估网格中未标准化的后验，因而后果可能会变得相当大或很小。这可能会在R中产生Inf和-Inf值。 例如，在函数rb0cond（）和rb1cond（）中，我实际上评估了派生的条件后验散布的对数。而后，我通过从所有评估的最大值减去每个评估之前归一化，而后从对数刻度取回。 咱们不须要应用网格办法来从条件的前面绘制。 因为它来自已知的散布 请留神，这种网格办法有一些毛病。 首先，这在计算上是简单的。通过代数，心愿失去一个已知的后验散布，从而在计算上更有效率。 其次，网格办法须要指定网格点的区域。如果条件后验在咱们指定的[-10,10]的网格距离之外具备显着的密度？在这种状况下，咱们不会从条件后验失去精确的样本。记住这一点十分重要，并且须要宽泛的网格距离进行试验。所以，咱们须要聪慧地解决数字问题，例如在R中靠近Inf和-Inf值的数字。 仿真后果当初咱们能够从每个参数的条件后验进行采样，咱们能够实现Gibbs采样器。这是在附带的R代码的第2局部中实现的。它编码下面在R中概述的雷同的算法。 iter<-1000burnin<-101phi<-b0<-b1<-numeric(iter)phi[1]<-b0[1]<-b1[1]<-6后果很好。下图显示了1000个吉布斯（Gibbs）样品的序列。红线示意咱们模仿数据的实在参数值。第四幅图显示了截距和斜率项的前面联结，红线示意轮廓。 z <- kde2d(b0, b1, n=50)plot(b0,b1, pch=19, cex=.4)contour(z, drawlabels=FALSE, nlevels=10, col='red', add=TRUE) 总结一下，咱们首先推导了一个表达式，用于参数的联结散布。而后咱们概述了从前面抽取样本的Gibbs算法。在这个过程中，咱们意识到Gibbs办法依赖于每个参数的条件后验散布的程序绘制。这是一个容易辨认的已知的散布。对于斜率和截距项，咱们决定用网格办法来躲避代数。 ...

全文链接：http://tecdat.cn/?p=11617最近咱们被客户要求撰写对于block Gibbs吉布斯采样的钻研报告，包含一些图形和统计输入。 在这篇文章中，我将对多元线性回归应用block的Gibbs采样，得出block的Gibbs采样所需的条件后验散布。而后，对采样器进行编码，并应用模仿数据对其进行测试 （ 点击文末“浏览原文”获取残缺代码数据 ）。  贝叶斯模型假如咱们有一个样本量的主题。贝叶斯多元回归假如该向量是从多元正态分布中提取的 ，通过应用恒等矩阵，咱们假如独立的察看后果。 到目前为止，这与多元正态回归雷同。则将概率最大化可得出以下解 ： 贝叶斯模型是通过指定为一个先验散布失去 。在此示例中，我将在以下状况下应用 先验值  block Gibbs在对采样器进行编码之前，咱们须要导出Gibbs采样器的 每个参数的后验条件散布。 条件后验取更多的线性代数。 这是一个十分丑陋和直观的后果。条件后验的协方差矩阵是协方差矩阵的预计， 还要留神，条件后验是一个多元散布。因而，在Gibbs采样器的每次迭代中，咱们从后验绘制出一个残缺的矢量 。 模仿我模仿的 后果向量。  运行 Gibbs采样器 会生成对实在系数和方差参数的预计。运行了500,000次迭代。周期为100,000次，10次迭代。 以下是MCMC链的图，其中实在值用红线示意。 # 计算后验摘要统计信息post_dist %>%  group_by(para) %>%  summarise(median=median(draw),            lwr=quantile(.025),            upr=quantile(.975)) %>% # 合并汇总统计信息post_dist <- post_dist %>%  left_join(post_sum_stats, by='param') # 绘制MCMC链ggplot(post_dist,aes(x=iter,y=dra)) +  geom_line() +  geom_hline(aes(yintercept=true_vals)) 这是修整后参数的后验散布： 点击题目查阅往期内容 Python用MCMC马尔科夫链蒙特卡洛、回绝抽样和Metropolis-Hastings采样算法 左右滑动查看更多 01 02 03 04 ggplot(post_dist,aes(x=draw)) +  geom_histogram(aes(x=draw),bins=50) +  geom_vline(aes(xintercept = true_vals)) 仿佛可能取得这些参数的正当后验预计。为了确保贝叶斯预计器失常工作，我对1,000个模仿数据集反复了此过程。 这将产生1,000组后验均值和1,000组95％置信区间。均匀而言，这1000个后验均值应以实在值为核心。均匀而言，实在参数值应在95％的工夫的置信区间内。 以下是这些评估的摘要。 “预计平均值”列是所有1,000个模仿中的均匀后验平均值。偏差百分比均小于5％。对于所有参数，95％CI的覆盖率约为95％。 扩大 咱们能够对该模型进行许多扩大。例如，能够应用除正态分布外的其余散布来拟合不同类型的后果。 例如，如果咱们有二元数据，则能够将其建模为： 而后在上放一个先验散布。这个想法将贝叶斯线性回归推广到贝叶斯GLM。 在本文中概述的线性状况下，能够更灵便地对协方差矩阵建模。相同，假如协方差矩阵是对角线且具备单个公共方差。这是多元线性回归中的同方差假如。如果数据是分类的（例如，每个受试者有多个察看后果），咱们能够应用反Wishart散布来建模整个协方差矩阵。 点击文末 “浏览原文” 获取全文残缺材料。 本文选自《R语言中的block Gibbs吉布斯采样贝叶斯多元线性回归》。 点击题目查阅往期内容 Python用MCMC马尔科夫链蒙特卡洛、回绝抽样和Metropolis-Hastings采样算法 R语言贝叶斯METROPOLIS-HASTINGS GIBBS 吉布斯采样器预计变点指数分布剖析泊松过程车站等待时间 R语言马尔可夫MCMC中的METROPOLIS HASTINGS，MH算法抽样（采样）法可视化实例 python贝叶斯随机过程：马尔可夫链Markov-Chain，MC和Metropolis-Hastings，MH采样算法可视化 Python贝叶斯推断Metropolis-Hastings（M-H）MCMC采样算法的实现 Metropolis Hastings采样和贝叶斯泊松回归Poisson模型 Matlab用BUGS马尔可夫区制转换Markov switching随机稳定率模型、序列蒙特卡罗SMC、M H采样剖析工夫序列R语言RSTAN MCMC：NUTS采样算法用LASSO 构建贝叶斯线性回归模型剖析职业声望数据 R语言BUGS序列蒙特卡罗SMC、马尔可夫转换随机稳定率SV模型、粒子滤波、Metropolis Hasting采样工夫序列剖析 R语言Metropolis Hastings采样和贝叶斯泊松回归Poisson模型 R语言贝叶斯MCMC：用rstan建设线性回归模型剖析汽车数据和可视化诊断 R语言贝叶斯MCMC：GLM逻辑回归、Rstan线性回归、Metropolis Hastings与Gibbs采样算法实例 R语言贝叶斯Poisson泊松-正态分布模型剖析职业足球比赛进球数 R语言用Rcpp减速Metropolis-Hastings抽样预计贝叶斯逻辑回归模型的参数 R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病 R语言中贝叶斯网络（BN）、动静贝叶斯网络、线性模型剖析错颌畸形数据 R语言中的block Gibbs吉布斯采样贝叶斯多元线性回归 Python贝叶斯回归剖析住房累赘能力数据集 R语言实现贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归剖析 Python用PyMC3实现贝叶斯线性回归模型 R语言用WinBUGS 软件对学术能力测验建设档次（分层）贝叶斯模型 R语言Gibbs抽样的贝叶斯简略线性回归仿真剖析 R语言和STAN,JAGS：用RSTAN,RJAG建设贝叶斯多元线性回归预测选举数据 R语言基于copula的贝叶斯分层混合模型的诊断准确性钻研 R语言贝叶斯线性回归和多元线性回归构建工资预测模型 R语言贝叶斯推断与MCMC：实现Metropolis-Hastings 采样算法示例 R语言stan进行基于贝叶斯推断的回归模型 R语言中RStan贝叶斯层次模型剖析示例 R语言应用Metropolis-Hastings采样算法自适应贝叶斯预计与可视化 R语言随机搜寻变量抉择SSVS预计贝叶斯向量自回归（BVAR）模型 WinBUGS对多元随机稳定率模型：贝叶斯预计与模型比拟 R语言实现MCMC中的Metropolis–Hastings算法与吉布斯采样 R语言贝叶斯推断与MCMC：实现Metropolis-Hastings 采样算法示例 R语言应用Metropolis-Hastings采样算法自适应贝叶斯预计与可视化 视频：R语言中的Stan概率编程MCMC采样的贝叶斯模型 R语言MCMC:Metropolis-Hastings采样用于回归的贝叶斯预计 ...

全文链接:https://tecdat.cn/?p=33760原文出处：拓端数据部落公众号概述：家喻户晓，心脏疾病是目前寰球最次要的死因。开发一个可能预测患者心脏疾病存在的计算零碎将显著升高死亡率并大幅升高医疗保健老本。机器学习在寰球许多畛域中被广泛应用，尤其在医疗行业中越来越受欢迎。机器学习能够在预测要害疾病（例如心脏病）的存在或不存在方面施展重要作用。 如果能提前精确预测这些信息，能够为医生提供重要见解，从而可能相应并无效地进行患者医治。以下演示了对风行的心脏疾病数据库进行的探索性数据分析。除此之外，还应用不同办法（如逻辑回归、随机森林和神经网络）进行心脏病预测。 数据集：数据集蕴含76个属性，但倡议咱们只应用其中的14个进行剖析。在本文中，应用一个合并的数据集构建分类器，并应用穿插验证技术进行性能评估。 特色： Age：年龄（以年为单位）。Gender：性别，1示意男性，0示意女性。Cp：胸痛类型，取值1：典型心绞痛，取值2：非典型心绞痛，取值3：非心绞痛疼痛，取值4：无症状。Trestbps：静息血压（以毫米汞柱为单位）。Chol：血清胆固醇（以毫克/分升为单位）。Fbs：空腹血糖 > 120 mg/dl，1示意真，0示意假。Restecg：静息心电图后果，取值0：失常，取值1：ST-T波异样，取值2：依据Estes规范显示可能或明确的左室肥厚。Thalach：达到的最高心率（每分钟心跳数）。Exang：静止诱发心绞痛，1示意是，0示意否。Oldpeak：绝对于劳动引起的ST段压低。Slope：峰值静止ST段的斜率，取值1：上坡，取值2：平坦，取值3：下坡。Ca：血管数量（0-3）。Thal：3 = 失常；6 = 固定缺点；7 = 可逆性缺点。Target：两个类别，因而是一个二分类问题。指标：预测一个人是否患有心脏疾病。 读取数据集并查看是否有缺失值 head(heartDiseaseData) sum(is.na(heartDiseaseData))## [1] 0colnames(heartDiseaseData)[1]<-"age"str(heartDiseaseData) 数据预处理heartDiseaseData$cp<-as.factor(heartDiseaseData$cp)levels(heartDiseaseData$cp)[levels(heartDiseaseData$cp)==0] <- "Chest Pain Type 0"levels(heartDiseaseData$cp)[levels(heartDiseaseData$cp)==1] <- "Chest Pain Type 1"levels(heartDiseaseData$cp)[levels(heartDiseaseData$cp)==2] <- "Chest Pain Type 2"levels(heartDiseaseData$cp)[levels(heartDiseaseData$cp)==3] <- "Chest Pain Type 3"... 查看缺失值 sum(is.na(heartDiseaseData))## [1] 0数据摘要 summary(heartDiseaseData) 健康人和心脏病患者的观测总数。 ggplot(heartDiseaseData,aes(t... 女性心脏病的发病率高于男性 ggplot(heartDiseaseData,aes(target, fill=target)) +... 能够察看到，健康人和患有心脏病的人的 Rest ECG 散布没有显著差别。 ggplot(heartDiseaseData,aes(trestbps, fill=target)) + geom_histogram(aes(y=..density..),breaks=seq(90, 200, by=10), ... 能够察看到心脏病在各个年龄段均匀分布。此外，患者的中位年龄为56岁，最年老和最年长的患者别离为29岁和77岁。能够从图表中察看到，患有心脏病的人的中位年龄小于健康人。此外，患心脏病的患者的散布稍微歪斜。因而，咱们能够将年龄作为一个预测特色。 ggplot(heartDiseaseData,aes(age, fill=target)) + ... ggplot(heartDiseaseData,aes(x=target, y=age, fill=target)) + ... ...

原文链接：http://tecdat.cn/?p=23785原文出处：拓端数据部落公众号最近咱们被客户要求撰写对于贝叶斯非参数模型的钻研报告，包含一些图形和统计输入。 概述最近，咱们应用贝叶斯非参数（BNP）混合模型进行马尔科夫链蒙特卡洛（MCMC）推断。 在这篇文章中，咱们通过展现如何应用具备不同内核的非参数混合模型进行密度估计。在前面的文章中，咱们将采纳参数化的狭义线性混合模型，并展现如何切换到非参数化的随机效应示意，防止了正态分布的随机效应假如。 应用Dirichlet Process Mixture模型进行根本密度估计提供了通过Dirichlet过程混合（DPM）模型进行非参数密度估计的机制（Ferguson, 1974; Lo, 1984; Escobar, 1994; Escobar and West, 1995）。对于一个独立和雷同散布的样本 ，该模型的模式为 这个模型实现是灵便的，运行任意核的混合。, 能够是共轭的，也能够是不共轭的（也是任意的）基度量 . 在共轭核/基数测量对的状况下，可能检测共轭的存在，并利用它来进步采样器的性能。 为了阐明这些能力，咱们思考对R中提供的Faithful火山数据集的喷发间隔时间的概率密度函数进行预计。 data(faithful) 观测值  对应于数据框架的第二列，而 . 应用CRP表示法拟合高斯location-scale 散布混合散布模型阐明咱们首先思考用混合正态分布的location-scaleDirichlet过程s来拟合转换后的数据 其中 对应的是正态-逆伽马散布。这个模型能够解释为提供一个贝叶斯版本的核密度估计 用于应用高斯核和自适应带宽。在数据的原始尺度上，这能够转化为一个自适应的对数高斯核密度估计。 引入辅助变量，表明混合的哪个成分产生了每个观测值，并对随机量进行积分，咱们失去模型的CRP示意（Blackwell and MacQueen, 1973）。 其中 是向量中惟一值的数量，是第个惟一值在中呈现的次数。这个阐明分明地表明，每个观测值都属于最多正态分布聚类中的任何一个，并且CRP散布与分区构造的先验散布绝对应。 这个模型的阐明是这样的 y[i] ~ dnorm(mu[i], var = s2[i]) mu[i] <- muTilde[xi[i]] s2[i] <- s2Tilde[xi[i]] xi[1:n] ~ dCRP(alpha, size = n) muTilde[i] ~ dnorm(0, var = s2Tilde[i]) s2Tilde[i] ~ dinvgamma(2, 1) alpha ~ dgamma(1, 1)请留神，在模型代码中，参数向量muTilde和s2Tilde的长度被设置为.咱们这样做是因为目前的实现要求提前设置参数向量的长度，并且不容许它们的数量在迭代之间变动。因而，如果咱们要确保算法总是按预期执行，咱们须要在最坏的状况下工作，即有多少个成分就有多少个观测值的状况。但它的效率也有点低，无论是在内存需要方面（当 规模大时，须要保护大量未占用的成分）还是在计算累赘方面（每次迭代都须要更新大量不须要后验推理的参数）。当咱们在上面应用伽马散布的混合时，咱们将展现一个能提高效率的计算捷径。 还须要留神的是，的值管制着咱们先验预期的成分数量，的值越大，对应于数据占据的成分数量越多。因而，通过指定一个先验值，咱们为模型减少了灵活性。对Gamma先验的非凡抉择容许应用数据加强计划从相应的全条件散布中无效取样。也能够抉择其余的先验，在这种状况下，这个参数的默认采样是一个自适应的随机游走Metropolis-Hastings算法。 运行MCMC算法上面的代码设置了数据和常数，初始化了参数，定义了模型对象，并建设和运行了MCMC算法。默认采样器是一个折叠的吉布斯采样器（Neal, 2000）。 ...

原文链接：http://tecdat.cn/?p=23236 原文出处：拓端数据部落公众号最近咱们被客户要求撰写对于贝叶斯MCMC的钻研报告，包含一些图形和统计输入。 什么是频率学派？在频率学派中，察看样本是随机的，而参数是固定的、未知的数量。 概率被解释为一个随机过程的许多观测的预期频率。 有一种想法是 "实在的"，例如，在预测鱼的生存环境时，盐度和温度之间的相互作用有一个回归系数？什么是贝叶斯学派？在贝叶斯办法中，概率被解释为对信念的主观掂量。 所有的变量--因变量、参数和假如都是随机变量。咱们用数据来确定一个预计的确定性（可信度）。 这种盐度X温度的相互作用反映的不是相对的，而是咱们对鱼的生存环境所理解的货色（实质上是粗率的）。指标频率学派 保障正确的误差概率，同时思考到抽样、样本大小和模型。 毛病：须要对置信区间、第一类和第二类谬误进行简单的解释。长处：更具备外在的 "客观性 "和逻辑上的一致性。贝叶斯学派 剖析更多的信息能在多大程度上进步咱们对一个零碎的意识。 毛病：这都是对于信奉的问题! ...有重大影响。长处: 更直观的解释和施行，例如，这是这个假如的概率，这是这个参数等于这个值的概率。可能更靠近于人类天然地解释世界的形式。理论利用中：为什么用贝叶斯具备无限数据的简单模型，例如层次模型，其中 理论的先验常识非常少贝叶斯法令： 一些典型的贝叶斯速记法。 留神: 贝叶斯的最大问题在于确定先验散布。先验应该是什么？它有什么影响？指标:计算参数的后验散布：（|X）。点估计是后验的平均值。 一个可信的区间是 你能够把它解释为一个参数在这个区间内的概率 。 计算皮埃尔-西蒙-拉普拉斯（1749-1827）（见：Sharon Bertsch McGrayne: The Theory That Would Not Die) 有些问题是可剖析的，例如二项式似然-贝塔先验。 如果你有几个参数，而且是奇数散布，你能够用数值乘以/整合先验和似然（又称网格近似）。 但如果你有很多参数，这是不可能实现的操作只管该实践能够追溯到1700年，甚至它对推理的解释也能够追溯到19世纪初，但它始终难以更宽泛地施行，直到马尔科夫链蒙特卡洛技术的倒退。MCMCMCMC的思维是对参数值i进行 "抽样"。 回顾一下，马尔科夫链是一个随机过程，它只取决于它的前一个状态，而且（如果是遍历的），会生成一个安稳的散布。 技巧 "是找到渐进地靠近正确散布的抽样规定（MCMC算法）。\  有几种这样的（相干）算法。 Metropolis-Hastings抽样Gibbs 抽样No U-Turn Sampling (NUTS)Reversible Jump一个一直倒退的文献和工作体系! Metropolis-Hastings 算法开始:跳到一个新的候选地位:计算后验:如果如果转到第2步Metropolis-Hastings: 硬币例子你抛出了5个侧面。你对的最后 "猜想 "是 MCMC: p.old <- prior *likelihood while(length(thetas) <= n){ theta.new <- theta + rnorm(1,0,0.05) p.new <- prior *likelihood if(p.new > p.old | runif(1) < p.new/p.old){ theta <- theta.new p.old <- p.new }画图: ...

原文链接：http://tecdat.cn/?p=21978 原文出处：拓端数据部落公众号 最近咱们被客户要求撰写对于Stan,JAGS的钻研报告，包含一些图形和统计输入。 本文将介绍如何在R中用rstan和rjags做贝叶斯回归剖析，R中有不少包能够用来做贝叶斯回归剖析，比方最早的（同时也是参考文献和例子最多的）R2WinBUGS包。这个包会调用WinBUGS软件来拟合模型，起初的JAGS软件也应用与之类似的算法来做贝叶斯剖析。然而JAGS的自由度更大，扩展性也更好。近来，STAN和它对应的R包rstan一起进入了人们的眼帘。STAN应用的算法与WinBUGS和JAGS不同，它改用了一种更弱小的算法使它能实现WinBUGS无奈胜任的工作。同时Stan在计算上也更为快捷，能节约工夫。 例子设Yi为地区i=1，…，ni=1，…，n从2012年到2016年选举支持率减少的百分比。咱们的模型 式中，Xji是地区i的第j个协变量。所有变量均中心化并标准化。咱们抉择2∼InvGamma（0.01,0.01）和∼Normal（0100）作为误差方差和截距先验散布，并比拟不同先验的回归系数。 加载并标准化选举数据# 加载数据 load("elec.RData") Y <- Y[!is.na(Y+rowSums(X))] X <- X[!is.na(Y+rowSums(X)),] n <- length(Y) p <- ncol(X)## [1] 3111 p## [1] 15 X <- scale(X)# 将模型拟合到大小为100的训练集，并对残余的观测值进行预测 test <- order(runif(n))>100 table(test)## test## FALSE TRUE ## 100 3011 Yo <- Y[!test] # 观测数据 Xo <- X[!test,] Yp <- Y[test] # 为预测预留的地区 Xp <- X[test,]选举数据的探索性剖析 boxplot(X, las = 3 image(1:p, 1:p, main = "预测因子之间的相关性") rstan中实现对立先验散布如果模型没有明确指定先验散布，默认状况下，Stan将在参数的适合范畴内收回一个对立的先验散布。留神这个先验可能是不适合的，然而只有数据创立了一个适合的后验值就能够了。 data { int<lower=0> n; // 数据项数 int<lower=0> k; // 预测变量数 matrix[n,k] X; // 预测变量矩阵 vector[n] Y; // 后果向量}parameters { real alpha; // 截距 vector[k] beta; // 预测变量系数 real<lower=0> sigma; // 误差rstan_options(auto_write = TRUE)#fit <- stan(file = 'mlr.stan', data = dat)print(fit) ...

原文链接：http://tecdat.cn/?p=21545原文出处：拓端数据部落公众号  最近咱们被客户要求撰写对于贝叶斯推断的钻研报告，包含一些图形和统计输入。 示例1：应用MCMC的指数分布采样任何MCMC计划的指标都是从“指标”散布产生样本。在这种状况下，咱们将应用平均值为1的指数分布作为咱们的指标散布。所以咱们从定义指标密度开始： target = function(x){ if(x<0){ return(0)} else { return( exp(-x)) }}定义了函数之后，咱们当初能够用它来计算几个值（只是为了阐明函数的概念）： target(1)[1] 0.3678794target(-1)[1] 0接下来，咱们将布局一个Metropolis-Hastings计划，从与指标成比例的散布中进行抽样 x[1] = 3 #这只是一个起始值，我设置为3for(i in 2:1000){ A = target(proposedx)/target(currentx) if(runif(1)<A){ x[i] = proposedx # 承受概率min（1，a） } else { x[i] = currentx #否则“回绝”口头，放弃原样 }留神，x是马尔可夫链的实现。咱们能够画几个x的图：         咱们能够将其封装在一个mcmc函数中，以使代码更整洁，这样更改起始值和提议散布更容易 for(i in 2:niter){ currentx = x[i-1] proposedx = rnorm(1,mean=currentx,sd=proposalsd) A = target(proposedx)/target(currentx) if(runif(1)<A){ x[i] = proposedx # 承受概率min（1，a） } else { x[i] = currentx # 否则“回绝”口头，放弃原样 }当初咱们将运行MCMC计划3次，看看后果有多类似： ...

原文链接：https://tecdat.cn/?p=33756原文出处：拓端数据部落公众号目前，寰球正面临百年未有的大变局。我国提出了一系列重大策略和方针，如建设制作强国、构建国内与国内双循环格局、建设对立的国内大市场、碳达峰与碳中和等，推动我国向着社会主义现代化强国迈进。 浏览原文，获取专题报告合集全文，解锁文末169份供应链数智化相干行业钻研报告。 与此同时，物联网、大数据、云计算、人工智能等信息技术曾经激发出了新一轮工业革命，衍生出了泛滥新的产业机会，引领了人类生存与生产方式的改革。将来，数字经济倒退将成为我国倒退的重要方向，互联网的疾速倒退也扭转了人们的生产行为习惯，衍生出了许多新型商业场景。这些新的商业场景和技术的呈现拉近了企业与消费者之间的间隔，放慢了商业改革的过程。 在双循环格局下，供应链面临新机遇和挑战: ● 作为国内循环的重要通道，供应链须要适应国内多样化、个性化需要的疾速变动，进步响应速度、运行效率和降低成本，为客户发明价值。关键在于供应链数字化转型，优化供应链各环节，实现供应端到需要端的畅通。 ● 供应链是资源配置和产业链构建的重要伎俩，须要反对企业实际人类命运共同体理念和一带一路倡导，通过技术、品牌、资金和资源等因素，反对中国积极参与社会倒退，并满足国内需要。关键在于数字化转型，进步供应链的响应速度、健壮性和安全性，抵挡危险。 ● 作为利益相干方之间重要的协同机制，供应链须要实现国内两个循环之间的交互，实现可继续协调倒退。要害是通过数字化转型，反对区域贸易协定、自由贸易区、跨境电商和保税仓库等改革，晋升国内与国内供应链的协调性和效率。 智能化是指利用智能决策技术，优化资源配置，晋升运作效率，从而发明新的价值。随着市场增速逐步放缓，企业们的关注重点逐步从开辟新市场转向了抢夺存量市场。然而，存量市场是无限的，销售增长须要通过相互竞争来实现。为了吸引消费者，企业不仅须要晋升品牌价值和产品力，还须要通过老本管制来放弃低成本竞争劣势。因而，晋升运作效率和盈利能力成为了以后市场竞争的要害。 供应链能力作为掂量企业流通效率和综合盈利效率的重要指标，间接影响着产品的流通效率、老本和服务水平。通过高效利用供应链中的各个渠道和环节资源，能够在晋升流通效率和服务水平的同时降低成本。然而，面对日益简单的供应链网络，传统的人工决策形式曾经无奈全面思考到全局因素，制约了运作效率的晋升，也更难以发现新的价值机会和渠道。 本专题内的参考报告（PDF）目录沙利文征询：2023中国制药产业数智化发展蓝皮书 报告2023-09-17用友：2023大型企业项目数智化转型白皮书 报告2023-08-28IDC&领羊：以数智化引擎促增长摸索批发倒退新机遇白皮书 报告2023-08-05IDC&领羊：2023中国批发行业数智化成熟度白皮书 报告2023-07-31猎聘：数智化人才助力产业降级-医疗器械人才趋势察看简报2023 报告2023-07-26易观剖析：大模型对企业数智化降级与业务经营的影响与应答 报告2023-07-20亿邦智库：2023纺织服装产业数智化翻新报告 报告2023-07-20大数据技术标准推动委员会：私域营销数智化实际指南（1.0版） 报告2023-07-20利多码：2023食品行业营销数智化洞察报告 报告2023-07-04InfoQ：软件工程数智化钻研报告-可观测利用篇2023 报告2023-06-14IDC：建设数字中国 降级数智底座-企业数智化底座白皮书 报告2023-06-11上海交通大学&安得：2023供应链数智化白皮书 报告2023-05-17菜鸟：助力企业晋升供应链数智化能力 报告2023-05-04中国移动研究院：数智化助力县域产业高质量倒退钻研报告（2023） 报告2023-05-02麦肯锡：行稳致远打造中国数智化保险企业制胜策略（2023） 报告2023-04-28阿里云：平安应急数智化转型白皮书 报告2023-04-21用友：2023大型企业财务数智化转型白皮书 报告2023-04-18腾讯：数实交融构建面向未来的数智化企业（2023） 报告2023-04-12新生代市场监测机构：茅台”美时代“策略三问之二：解析茅台APP，赋能数... 报告2023-04-02安得智联：供应链数智化白皮书（2023） 报告2023-03-28亿欧智库&芯榜：2022中国半导体IC研发制作数智化服务商钻研报告 报告2023-03-01MAS：2023数智化企业发展趋势报告 报告2023-02-24腾讯云智能&埃森哲：2022产业数智化转型方法论白皮书 报告2023-01-03亿欧智库：2022中国半导体IC研发制作数智化服务商钻研报告 报告2022-12-2736氪：中国能源批发行业数智化降级服务商-智慧油客企业调研报告 报告2022-12-14阿里云：家电行业数智化转型白皮书（2022年） 报告2022-12-03头豹：2022年中国双碳畛域的数智化技术利用剖析系列短报告（四）-智慧... 报告2022-11-18利多码：白酒行业营销数智化洞察报告 报告2022-11-16阿里云&中国家电网：家电行业数智化转型白皮书 报告2022-11-16利多码：白酒行业营销数智化洞察报告 报告2022-11-16头豹：2022年中国双碳畛域的数智化技术利用剖析系列短报告（三）-智慧... 报告2022-11-10罗兰贝格&百度：中国保险行业数智化瞻望及寰球案例剖析白皮书 报告2022-11-0736Kr：2022年中国人力资源数智化转型钻研报告 报告2022-11-02亿邦能源：京东工业品数智化供应链专题报告 报告2022-09-01亿邦能源：京东工业品数智化供应链专题报告 报告2022-09-01京东云&清华大学：2022政务热线数智化发展报告 报告2022-08-1321世纪经济报道&惟客数据：衰弱养老数智化白皮书 报告2022-07-25甲子光年：碳中和数智化实际案例报告-制造业能效治理 报告2022-07-18CIECC&京东：中国生产促成数智化发展报告（2022）】 报告2022-06-17用友网络：2022大型企业财务数智化转型白皮书-实时会计智能财务 报告2022-06-07甲子光年：碳中和畛域的数智化实际简析报告 报告2022-06-01艾瑞征询：2022年中国批发私域数智化增长白皮书 报告2022-05-19智篆：数智化转型：钻石模型白皮书 报告2022-03-30雷锋网：批发数智化需要报告 报告2022-01-2936氪：2021年中国出行行业数智化钻研报告 报告2021-11-08BCG&阿里妈妈：2021营销数智化趋势洞察报告-DEEPLINK深链... 报告2021-10-19商汤：疫情白皮书：后疫情时代的数智化减速 报告2021-08-06毕马威：共奏数智华丽乐章：2020消费品生态全链路数智化转型白皮书 报告2021-07-15毕马威：2021消费者数智化经营白皮书 报告2021-06-18仲量联行：2023中国新能源汽车供应链前瞻报告：解构新时代整零关系 报告2023-09-13Retail TouchPoints：供应链可见性 报告2023-09-12罗戈钻研：寰球供应链的灯塔企业2023 报告2023-09-07安永：2023可继续供应链倒退洞察报告 报告2023-09-07罗戈钻研：供应链打算（SCP）改革的现状和发展趋势 报告2023-08-30IBM商业价值研究院：CSCO语录：CSCO角色演变如何重塑供应链 报告2023-08-27埃森哲：让供应链成为价值链：打造企业绿色供应链的三个要害 报告2023-08-21头豹：2023年中国生鲜农产品供应链钻研报告 报告2023-08-17奇安信：2023中国软件供应链平安剖析报告 报告2023-08-07罗戈钻研：值得关注的最新顶级战略性供应链技术趋势 报告2023-08-06马士基：定制数字化套装-揭秘供应链中游的制胜法宝 报告2023-08-05马士基：全渠道正过后：擘画亚太区蓬勃需要下的供应链“护城河” 报告2023-08-03施耐德电气：迈向以客户为核心的一流供应链-精益、韧性、绿色、数字化 报告2023-07-27牛津经济研究院：五大供应链策略助力企业晋升韧性躲避危险（2023） 报告2023-07-27罗戈网：供应链的将来发展趋势和预测 报告2023-07-26麦肯锡征询：金属和矿产行业净零资料过渡-对寰球的影响供应链 报告2023-07-20头豹：2023年供应链金融科技企业-联易融、中企云链企业钻研报告（摘要... 报告2023-07-20罗兰贝格：2023寰球汽车供应链外围企业竞争力白皮书 报告2023-07-20头豹：2023年中国农业供应链金融行业概览-金融加码助力农业闯出新气象 报告2023-07-20施耐德：迈向以客户为核心的一流供应链- 精益、韧性、绿色、数字化 报告2023-07-09马士基：强势赋能新能源汽车电池供应链 报告2023-07-04斯元商业征询：网络安全科技供应链报告-厂商成分剖析及国产化代替指南（2... 报告2023-07-03头豹研究院：2023年中国供应链金融行业钻研报告-技术特色与业务模式 报告2023-06-26灼识征询：2022-2023中国古代物流及数智供应链产业翻新倒退蓝皮书... 报告2023-06-15安永：绿色供应链-可继续供应链驱动企业价值回归 报告2023-06-13IDC&悠桦林：2023智能供应链打算白皮书 报告2023-06-13头豹：2022年中国SCM软件行业钻研报告-SCM软件助推企业数字化转... 报告2023-06-06中物联：2023第四届食材供应链国内大会会后报告 报告2023-06-04罗戈钻研：供应链物流碳治理数字化与科技翻新 报告2023-06-04罗戈钻研：企业供应链零（低）碳实际 报告2023-06-02艾瑞征询：2022年中国服装供应链行业钻研报告 报告2023-05-25泸州老窖：酒行业数字化转型趋势下的供应链人才队伍建设 报告2023-05-21阿里巴巴：供应链卓越经营助力品牌晋升货品力 报告2023-05-18上海交通大学&安得：2023供应链数智化白皮书 报告2023-05-17德勤：快消行业供应链转型思考与实际 报告2023-05-15倍智：2022年度中国企业数字化人才供应链治理成熟度调研白皮书 报告2023-05-14BCG：麻利供应链：时尚行业竞争劣势新源泉 报告2023-05-13普华永道：2023在华跨国企业高管洞察：亚太供应链重塑调研报告 报告2023-05-10绿金委：供应链金融反对绿色金融与普惠金融交融倒退钻研报告 报告2023-05-04菜鸟：助力企业晋升供应链数智化能力 报告2023-05-04嘉实：2023多电动汽车制作可继续供应链趋势报告 报告2023-05-03高毅资产：寰球供应链的再思考2023 报告2023-05-02中国人民大学&万联网：中国供应链金融生态调研报告（2023） 报告2023-04-19罗戈钻研：2023中国低碳供应链&物流翻新倒退报告 报告2023-04-19艾瑞征询：中国供应链金融数字化行业钻研报告 报告2023-04-18头豹：2022年中国C2M（用户直连制作）行业-短路经济赋能供应链改革... 报告2023-04-07微软：构建具备竞争劣势的供应链白皮书 报告2023-04-03京东科技：供应链金融科技重塑产业模式钻研报告 报告2023-04-03安得智联：供应链数智化白皮书（2023） 报告2023-03-28埃森哲：可视化范畴3排放之供应链 报告2023-03-12头豹：2022年中国生物试剂行业-欠缺“医药供应链”平安（摘要版） 报告2023-02-24GISDEC：2022产业链供应链数字经济翻新利用示范案例集 报告2023-02-24食材供应链分会：2022年预制菜行业现状问题、政策规范及趋势剖析报告 报告2023-02-22埃森哲：供应链云端转型钻研报告：企业高管指南 报告2023-02-22罗戈钻研：2023中国供应链物流翻新科技报告 报告2023-02-21美国交通部：货运与物流对交通产业的供应链价值评估 报告2023-02-19SAP：通过SAP数字化供应链打造韧性供应链 报告2023-02-15上海大学：中国上市公司供应链金融需要剖析报告（2022） 报告2023-01-27物联云仓：智慧供应链行业钻研报告 报告2023-01-14京东：2022京东供应链金融科技产品白皮书 报告2023-01-06IPE：2022年度绿色供应链CITI指数 报告2023-01-04BCG：在不确定的时代增强寰球半导体供应链 报告2022-12-26上海大学：供应链金融专业术语汇编2022 报告2022-12-12埃森哲：善用可视化能力，构建供应链韧性 报告2022-12-08奇安信：2022中国软件供应链平安剖析报告 报告2022-12-04天猫：天猫DTC企业经营指南：供应保障，供应链致胜 报告2022-12-03斯元商业征询：网络安全科技供应链报告-厂商成分剖析及国产化代替指南（2... 报告2022-11-30天猫：天猫DTC企业经营指南-供应保障 ,供应链致胜 报告2022-11-28英诺森：资产密集型企业供应链发展趋势白皮书 报告2022-11-21盖世汽车：激光雷达供应链报告（2022版） 报告2022-11-13IBM：以转型为己任：数据主导的古代供应链翻新之道 报告2022-11-09联想：供应链智能决策技术白皮书 报告2022-11-03毕马威：2022年寰球半导体行业瞻望-只管供应链面临严厉挑战-但财务和... 报告2022-10-28霍尼韦尔：端到端整体供应链解决方案 报告2022-10-23IBM：掌控您的转型：以数据为主导的古代供应链转型 报告2022-10-23灼识征询：2022中国供应链金融科技行业蓝皮书 报告2022-10-19新安盟：软件供应链平安技术白皮书 报告2022-10-11安永：药品供应链将来瞻望 报告2022-10-04罗兰贝格：2022寰球汽车供应链外围企业竞争力白皮书 报告2022-09-27中国信通院&京东云：数智供应链白皮书 报告2022-09-25联结公布：智慧供应链-数智世界·链通寰球 报告2022-09-17毕马威：中美贸易摩擦背景下供应链转型降级白皮书 报告2022-09-16信通院&中物联&京东云：数智供应链白皮书 报告2022-09-08亿邦能源：京东工业品数智化供应链专题报告 报告2022-09-01亿邦能源：京东工业品数智化供应链专题报告 报告2022-09-01悬镜&ISC&中国电信：软件供应链平安治理与经营白皮书（2022） 报告2022-08-29中国连锁经营协会：2022年度中国零售业供应链优良案例集 报告2022-08-13头豹：2022年中国区块链技术在供应链中的利用趋势报告（摘要版） 报告2022-08-12IEA：寰球电动汽车电池供应链 报告2022-08-12Zebra：技术主导的透明度晋升医药供应链弹性 报告2022-08-07商务部：跨国公司在中国：寰球供应链重塑中的再抉择 报告2022-08-02苹果：苹果供应链中的人与环境2022停顿报告 报告2022-07-27供应链钻研元：近场电商市场摸索报告 报告2022-07-18花旗银行：2022年寰球供应链更新报告（英） 报告2022-07-11罗戈钻研：2021中国端到端供应链治理服务商钻研报告 报告2022-06-17中国信通院：工业互联网晋升产业链供应链现代化程度钻研报告（2022年） 报告2022-06-09中国银行：2021年人民币国际化白皮书——跨境供应链中的人民币 报告2022-06-07艾瑞征询：2022年中国供应链数字化降级行业钻研报告 报告2022-05-24罗静：供应链外围业务、流程及零碎 报告2022-05-22世界经济论坛：供应链可继续倒退政策：现状（EN） 报告2022-05-16罗戈网：中国低碳供应链&物流翻新倒退报告（第二局部）供应链物流碳盘查与... 报告2022-05-16罗戈网：企业供应链低碳与数字化转型 报告2022-05-10沙利文：中国新茶饮供应链白皮书，2022 报告2022-05-08车百智库&罗兰贝格：迎接寰球汽车供应链改革 报告2022-04-28罗戈钻研：2022中国低碳供应链&物流翻新倒退报告 报告2022-04-25仲量联行：中国医疗器械供应链发展趋势报告 报告2022-04-12埃森哲：降级电动汽车供应链火烧眉毛 报告2022-04-08罗戈钻研：2021年供应链&物流行业投融资剖析报告 报告2022-02-25罗戈：网2022中国供应链物流翻新科技报告 报告2022-02-07工业互联网产业联盟：基于工业互联网的供应链翻新与利用白皮书 报告2021-12-29工业互联网产业联盟：工业互联网平台赋能产业链供应链白皮书 报告2021-12-29IBM&CCFA：2021中国批发消费品行业供应链专项钻研报告 报告2021-12-09亿欧智库：2021中国智能电动汽车ADAS供应链现状钻研报告 报告2021-12-06中国贸促会：一体化供应链物流服务倒退白皮书 报告2021-10-18阿里：2020年中国食品冷链供应链钻研报告 报告2021-09-27京东物流：食品饮料行业供应链倒退与渠道改革趋势 报告2021-09-07罗戈：2021中国低碳供应链翻新倒退报告 报告2021-08-31艾瑞征询：2021年中国IT服务供应链数字化降级钻研报告 报告2021-08-16毕马威：批发供应链的将来 报告2021-03-30IBM：借助 AI 驱动的工作流程建设供应链弹性 报告2021-01-18

原文链接：http://tecdat.cn/?p=20828 最近咱们被客户要求撰写对于非凸惩办函数回归的钻研报告，包含一些图形和统计输入。 本文应用lasso或非凸惩办拟合线性回归，GLM和Cox回归模型的正则化，特地是最小最大凹度惩办函数 (MCP) 和润滑切片相对偏差惩办（SCAD），以及其余L2惩办的选项（ “弹性网络”）。还提供了用于执行穿插验证以及拟合后可视化，摘要，推断和预测的实用程序。 咱们钻研 前列腺数据，它具备8个变量和一个间断因变量，行将进行根治性前列腺切除术的男性的PSA程度（按对数尺度）： X <- data$Xy <- data$y要将惩办回归模型拟合到此数据，执行以下操作： reg(X, y)此处的默认惩办是最小最大凹度惩办函数 (MCP) ，但也能够应用SCAD和lasso惩办。这将产生一个系数门路，咱们能够绘制 plot(fit) 留神，变量一次输出一个模型，并且在的任何给定值下，几个系数均为零。要查看系数是多少，咱们能够应用以下 coef 函数： coef(fit, lambda=0.05)# (Intercept) lcavol lweight age lbph svi # 0.35121089 0.53178994 0.60389694 -0.01530917 0.08874563 0.67256096 # lcp gleason pgg45 # 0.00000000 0.00000000 0.00168038该 summary 办法可用于后抉择推断： summary(fit # MCP-penalized linear regression with n=97, p=8# At lambda=0.0500:# -------------------------------------------------# Nonzero coefficients : 6# Expected nonzero coefficients: 2.54# Average mfdr (6 features) : 0.424# # Estimate z mfdr Selected# lcavol 0.53179 8.880 < 1e-04 *# svi 0.67256 3.945 0.010189 *# lweight 0.60390 3.666 0.027894 *# lbph 0.08875 1.928 0.773014 *# age -0.01531 -1.788 0.815269 *# pgg45 0.00168 1.160 0.917570 *在这种状况下， 即便调整了模型中的其余变量之后，lcavol， svi以及 lweight 显然与因变量关联，同时 lbph， age和 pgg45 可能只是偶尔包含。通常，为了评估模型在的各种值下的预测准确性，将执行穿插验证： ...

原文链接：http://tecdat.cn/?p=23689最近咱们被客户要求撰写对于LSTM的钻研报告，包含一些图形和统计输入。 本文摸索Python中的长短期记忆（LSTM）网络，以及如何应用它们来进行股市预测 （ 点击文末“浏览原文”获取残缺代码数据）。 在本文中，你将看到如何应用一个被称为长短时记忆的工夫序列模型。LSTM模型很弱小，特地是在保留长期记忆方面。在本文中，你将解决以下主题。 了解为什么你须要可能预测股票价格的变动。下载数据 - 应用从雅虎财经收集的股市数据宰割训练-测试数据，并进行数据归一化利用单步预测技术。探讨LSTM模型。用以后的数据预测和可视化将来的股票市场为什么你须要工夫序列模型？你心愿对股票价格进行正确的建模，所以作为一个股票买家，你能够正当地决定何时买入股票，何时卖出股票以取得利润。这就是工夫序列模型的作用。你须要好的机器学习模型，它能够察看一连串数据的历史，并正确预测该序列的将来数据。 提醒：股票市场的价格是高度不可预测和稳定的。这意味着数据中没有统一的模式，使你可能近乎完满地模仿股票价格随工夫变动。 然而，咱们不要一味地认为这只是一个随机的或者随机的过程，机器学习没有心愿。咱们至多对数据进行建模，做出的预测与数据的理论行为相干。换句话说，你不须要将来确切的股票价值，而是须要股票价格的变动（也就是说，如果它在不久的未来会上涨或上涨）。 # 可用的库import numpy as npimport tensorflow as tf下载数据股票价格有几种不同的变量。它们是 收盘：当天的收盘股票价格收盘价：当天的开盘股价高点：数据中最高的股票价格低点：当天的最低股价获取数据你要利用航空公司的股票市场价格来进行预测，所以你把股票代码设置为 "AAL"。此外，你还定义了一个url\_string，它将返回一个JSON文件，其中蕴含航空公司过来20年的所有股市数据，以及一个file\_to\_save，它是你保留数据的文件。 接下来，指定条件：如果你还没有保留数据，从你在url\_string中设置的URL中抓取数据；把日期、低点、高点、成交量、收盘价、开盘价存储到一个pandas DataFrame df中，把它保留到file\_to\_save。     # 从URL中抓取数据    # 将日期、低点、高点、成交量、收盘价、开盘价存储到Pandas DataFrame中            #提取股票市场数据            df = pd.DataFrame(columns=['Date', 'Low', 'High', 'Close', ' Open'])              print('数据保留到：%s'%file_to_save)            # 如果数据曾经存在，只需从CSV中加载即可    否则。        print('文件曾经存在，从CSV中加载数据')        df = pd.read_csv(file_to_save)数据摸索在这里你将把收集的数据输入到DataFrame中。你还应该确保数据是按日期排序的，因为数据的程序在工夫序列建模中至关重要。 # 按日期对数据框架进行排序df = df.sort_values('Date')# 仔细检查后果df.head() 数据可视化当初让咱们来看看是什么样的数据。 plot(range(df.shape[0]),(df)/2.0) 这张图曾经阐明了很多问题。我抉择这家公司而不是其余公司的起因是，这张图随着工夫的推移，股票价格有不同体现行为。这将使模型学习更加持重，并且给你一个价格变动来测试对各种状况的预测有多好。 另一个须要留神的是，靠近2017年的数值要比靠近20世纪70年代的数值高得多，而且稳定也大。因而，你须要确保数据在整个工夫范畴内体现为相似的价格范畴，须要将数据标准化。 点击题目查阅相干内容 R语言Keras用RNN、双向RNNs递归神经网络、LSTM剖析预测温度工夫序列、 IMDB电影评分情感 左右滑动查看更多 01 02 03 04 将数据宰割成训练集和测试集你将应用通过取一天中最高和最低价格的平均值计算出的两头价格。 当初你能够把训练数据和测试数据离开。训练数据将是工夫序列的前4000个数据点，其余的将是测试数据。 train_data = mid[:4000]test_data = mid[4000:]标准化数据当初你须要定义标准化来标准数据。将训练和测试数据变动为[data\_size, num\_features]的维度。 将测试数据和训练数据绝对于训练数据归一。scaler = MinMaxScaler()因为你先前的察看，即不同时间段的数据有不同的值范畴，通过将全序列宰割成窗口来标准化数据。如果你不这样做，晚期的数据将靠近于0，对学习过程不会有太大的价值。这里你抉择了一个800的窗口大小。 提醒：在抉择窗口大小时，不要太小，因为当你进行窗口标准化时，会在每个窗口的最末端引入一个断点，因为每个窗口都是独立标准化的。 # 用训练数据和平滑数据训练window_size = 800scaler.transform(train_data[di:di+window_size,:])将数据重塑为[data_size]的形态。 # 重塑训练和测试数据reshape(-1)# 对测试数据进行标准化解决scaler.transform(test_data).reshape(-1)当初你能够应用指数挪动平均线对数据进行平滑解决。 请留神，你应该只平滑训练数据。 # 当初进行指数挪动均匀平滑解决# 所以数据会比原来的锯齿状数据有一个更平滑的曲线  EMA = gamma*train[i] + (1-gamma)*EMA  train[i] = EMA通过平均法进行单步超前预测 平均法容许你通过将将来的股票价格示意为以前察看到的股票价格的平均值来进行预测（通常是提前一个工夫步）。上面看两种均匀技术；规范平均法和指数挪动平均法。你将对这两种算法产生的后果进行定性（目测）和定量（均匀平方误差）的评估。 均匀平方误差（MSE）的计算方法是：取前一步的实在值和预测值之间的平方误差，并对所有的预测值进行均匀。 规范均匀能够通过首先尝试将其作为一个均匀计算问题的模型来了解这个问题的难度。首先，尝试预测将来的股票市场价格（例如，xt+1），作为一个固定大小的窗口（例如，xt-N，...，xt）（例如之前的100天）内先前察看到的股票市场价格的平均值。尔后，尝试更高级的 "指数挪动均匀 "办法，看看它的成果如何。而后，进入长短期记忆模型 首先，失常的平均数。 换句话说，你说t+1的预测是你在t到t-N的窗口内察看到的所有股票价格的平均值。     pred.append(np.mean(train[idx-window_size:idx]))    mse_errors.append((std_avg[-1]-train[pred_idx])**2)<!----> MSE: 0.00418看一下上面的均匀后果。它与股票的理论行为相当靠近。接下来，你将看到一个更精确的一步预测办法。 plt.plot(std_avg_pred)plt.legend(fontsize=18)plt.show() 那么，下面的图表（和MSE）阐明了什么？ 仿佛对于十分短的预测（提前一天）来说，这个模型还不算太差。鉴于股票价格不会在一夜之间从0变动到100，这种行为是正当的。接下来，应用指数挪动平均线。 指数挪动平均线你可能曾经在互联网上看到一些文章，应用非常复杂的模型，并预测了简直精确的股票市场行为。然而请留神! 这些只是视觉上的错觉，并不是因为学到了有用的货色。你将在上面看到如何用一个简略的平均法来复制这种行为。 在指数挪动平均法中，你计算xt+1为。 其中  和  是在一段时间内放弃的指数挪动均匀数值。. 上述公式基本上是计算t+1工夫步长的指数挪动平均线，并将其作为超前一步的预测。决定最近的预测对EMA的奉献是什么。例如，=0.1只能失去以后值的10%进入EMA。因为你只取最近的一小部分，它容许保留你在平均数中很早看到的更早的值。请看上面用于预测向前一步的状况。 for idx in range(1,N):    mean = mean*dec + (1.0-de)*train[idx-1]    pred.append(mean)<!----> MSE: 0.00003<!----> plt.plot(mid_data)plt.plot(pred) ...

原文链接：http://tecdat.cn/?p=24456原文出处：拓端数据部落公众号最近咱们被客户要求撰写对于RStan 的钻研报告，包含一些图形和统计输入。 如果你正在进行统计分析：想要加一些先验信息，最终你想要的是预测。所以你决定应用贝叶斯。\然而，你没有共轭先验。你可能会破费很长时间编写 Metropolis-Hastings 代码，优化承受率和提议散布，或者你能够应用 RStan。  Hamiltonian Monte Carlo（HMC）HMC 是一种为 MH 算法生成提议散布的办法，该提议散布被承受的概率很高。具体算法过程请查看参考文献。\打个比方：\给粒子一些动量。\它在滑冰场四周滑行，大部分工夫都在密度高的中央。\拍摄这条轨迹的快照为后验散布提供了一个倡议样本。\而后咱们应用 Metropolis-Hastings 进行校对。 NUTS采样器（No-U-turn Sampler）HMC，像RWMH一样，须要对步骤的数量和大小进行一些调整。\No-U-Turn Sampler "或NUTs（Hoffman和Gelman（2014）），对这些进行了自适应的优化。\NUTS建设了一组可能的候选点，并在轨迹开始自圆其说时立刻进行。 Stan 的长处能够产生高维度的提议，这些提议被承受的概率很高，而不须要花工夫进行调整。\有内置的诊断程序来剖析MCMC的输入。\在C++中构建，所以运行迅速，输入到R。 示例如何应用 LASSO 构建贝叶斯线性回归模型。 构建 Stan 模型\数据：n、p、Y、X 先验参数，超参数\参数：\模型：高斯似然、拉普拉斯和伽玛先验。\输入：后验样本，后验预测样本。 数据int<lwer=0> n;vectr[n] y;rel<loer=0> a;参数vetor[p+1] beta;real<lowr=0> siga;转换后的参数（可选）vectr[n] liped;lnpred = X*bea;模型bta ~ dolexneial(0,w);siga ~ gama(a,b);\或没有矢量化， for(i in 1:n){y[i]~noral(X[i,]*beta,siga);}生成的数量（可选）vecor[n] yprict;for(i in 1:n){prdit[i] = nrmlrng(lnprd[i],siga);对后验样本的每一个元素都要评估一次这个代码。 职业声望数据集这里咱们应用职业声望数据集，它有以下变量 教育：职业退职者的均匀教育水平，年。 支出：退职者的平均收入，元。 女性：退职者中女性的百分比。 权威：Pineo-Porter的职业声望得分，来自一项社会考察。 普查：人口普查的职业代码。 类型：职业的类型 bc: 蓝领\prof: 业余、治理和技术\wc: 白领\   在R中运行library(rstan)stan(file="byLASO",iter=50000) 在3.5秒内运行25000次预热和25000次采样。\第一次编译c++代码，所以可能须要更长的工夫。 绘制后验分布图par(mrow=c(1,2))plot(denty(prs$bea)\ 预测散布plot(density)\ 链诊断splas[[1][1:5,] 链诊断trac("beta" )\  链诊断pa(pars="beta")\ 更多链诊断Stan 还能够从链中提取各种其余诊断，如置信区间、无效样本量和马尔可夫链平方误差。\链的值与各种链属性、对数似然、承受率和步长之间的比拟图。\  Stan 出错stan应用的步骤太大。\能够通过手动减少冀望的均匀接受度来解决。\adapt\_delta，高于其默认的0.8\  ...

原文链接：http://tecdat.cn/?p=24334最近咱们被客户要求撰写对于贝叶斯线性回归的钻研报告，包含一些图形和统计输入。 像任何统计建模一样，贝叶斯建模可能须要为你的钻研问题设计适合的模型，而后开发该模型，使其合乎你的数据假如并运行 1. 理解 Stan统计模型能够在R或其余统计语言的各种包中进行拟合。但有时你在概念上能够设计的完满模型，在限度了你能够应用的散布和复杂性的软件包或程序中很难或不可能实现。这时你可能想转而应用统计编程语言，如Stan。 Stan是一种旧式的语言，它提供了一种更全面的学习和实现贝叶斯模型的办法，能够适应简单的数据结构。Stan开发团队的一个指标是通过清晰的语法、更好的采样器（这里的采样是指从贝叶斯后验散布中抽取样本）以及与许多平台（包含R、RStudio、ggplot2和Shiny）的集成，使贝叶斯建模更易于应用。 在这个入门教程中，咱们将从一个线性模型开始，经验模型建设的迭代过程。在咱们的高级stan教程中，咱们将摸索更简单的模型构造。 首先，在建设模型之前，你须要定义你的问题并理解你的数据。摸索它们，绘制它们，计算一些汇总统计。 一旦你对你的数据和你想用统计模型答复的问题有了理解，你就能够开始建设贝叶斯模型的迭代过程。 设计你的模型。抉择先验对后验散布进行采样。查看模型收敛（traceplots、rhats ）应用后验预测批判性地评估模型并查看它们与您的数据的比拟状况反复…模仿数据也是很好的做法，以确保你的模型正确，作为测试你的模型的另一种形式。 2. 数据首先，让咱们找到一个能够拟合简略线性模型的数据集。 气候变化对地球最显着的影响之一是北半球每年海冰范畴的缩小。让咱们应用 Stan 的线性模型摸索海冰范畴如何随工夫变动。 通过运行setwd("your-file-path") 蕴含您本人的文件门路的代码 ，将您的工作目录设置为您保留数据的文件夹 。当初，让咱们加载数据： # 增加stringsAsFactors = F意味着数字变量将不会被# 作为因子/分类变量读入ece <- red.cv("sv", stinsAsFators = F)咱们来看一下数据： 咱们能够用这些数据提出什么钻研问题？以下状况如何： 钻研问题： 北半球的海冰范畴是否会随着工夫的推移而缩小？ 为了摸索这个问题的答案，首先咱们能够做一个数字。 plot( th ~ yr, data)图 1. 北半球海冰范畴随工夫的变动。 当初，让咱们应用 lm(). l1 <- lm(exnoh ~ yer, data = sie)summary(l1)咱们能够将该模型增加到咱们的绘图中： ablne(m1, l = 2, ty = 2, w = 3)图 2. 北半球海冰范畴随工夫的变动（加上线性模型拟合）。 记住线性模型的方程： y = + ∗ x + 误差 在 Stan 你须要指定你想模型。                                     兴许咱们曾经找到了问题的答案，但本教程的重点是摸索应用编程语言 Stan，所以当初让咱们尝试在 Stan 中编写雷同的模型。 筹备数据让咱们重命名变量并将年份从 1 索引到 39。对于贝叶斯模型的一个要害是您必须应用信息散布来形容数据中的变动。因而，您心愿确保您的数据合乎这些散布，并且它们将实用于您的模型。在这种状况下，咱们真的想晓得从数据集的开始到数据集完结的海冰是否产生了变动，而不是 1979 年到 2017 年。咱们不须要咱们的模型预计 500 年或 600 年的海冰是什么样的，就在咱们的数据集的持续时间内。因而，咱们将年份数据设置为索引 1 到 30 年。 ...

全文链接：https://tecdat.cn/?p=33742原文出处：拓端数据部落公众号简介在抉择最佳拟合试验数据的方程时，可能须要一些教训。当咱们没有文献信息时该怎么办？咱们建设模型的办法通常是经验主义的。也就是说，咱们察看过程，绘制数据并留神到它们遵循肯定的模式。 例如，咱们的客户可能察看到一种动物对某种毒性物质的反馈是S形的。因而，咱们须要一个S形函数来拟合咱们的数据，然而，咱们如何抉择正确的方程呢？ 我认为列出最常见的方程以及它们的次要个性和参数的意义可能会有用。因而，我还将给出相应的R函数。 非线性回归的一个问题是它以迭代形式工作：咱们须要提供模型参数的初始猜想值，算法逐渐调整这些值，直到（有心愿）收敛到近似最小二乘解。依据我的教训，提供初始猜想可能会很麻烦。因而，应用蕴含R函数十分不便，这能够极大地简化拟合过程。 让咱们加载必要的包。 library(nlme)曲线形态曲线能够依据其形态进行简略分类，这对于抉择正确的曲线来钻研过程十分有帮忙。咱们有： 多项式 线性方程二次多项式凹/凸曲线（无拐点） 指数方程渐近方程负指数方程幂曲线方程对数方程矩形双曲线Sigmoid 曲线 逻辑方程Gompertz 方程对数-逻辑方程（Hill 方程）Weibull 类型 1Weibull 类型 2具备最大值的曲线 Brain-Cousens 方程*多项式多项式是形容生物过程的最灵便的工具。它们简略，并且尽管是曲线状的，但它们在参数上是线性的，并且能够通过应用线性回归来拟合。一个毛病是它们不能形容渐近过程，而这在生物学中十分常见。此外，它们容易适度拟合，因为咱们可能会试图增加项来改善拟合，而很少关怀生物现实性。 线性方程显然，这不是一条曲线，只管值得在这里提到。方程为： 其中 b0 是当 X = 0 时 Y 的值，b1 是斜率，即 X 减少/缩小一个单位时 Y 的减少/缩小。当 b1>0 时，Y 随着 X 的减少而减少，否则随之缩小。 二次方程该方程为： 其中，当 X=0 时， b0 是 Y 的值，当 X=0 时， b1和 b2 各自没有明确的生物学意义。然而，思考到一阶导数为： 它测量了在 X 减少一个单位时 Y 的减少/缩小。咱们能够看到这种减少/缩小不是恒定的，而是依据 X 的程度而变动。 在最大值/最小值处，响应为： R 中的多项式拟合在 R 中，能够应用线性模型函数 'lm()' 进行多项式拟合。尽管这不是高效的办法，但在某些状况下，我发现自己须要应用 'nls()' 或 'drm()' 函数进行多项式拟合。 凹/凸曲线让咱们进入非线性畛域。凹/凸曲线形容了非线性关系，通常带有渐近线和无拐点。咱们将列出以下最罕用的曲线类型。 指数方程指数方程形容了递增/递加的趋势，具备恒定的绝对速率。最常见的参数化模式是： 其余可能的参数化模式包含： 上述参数化模式是等价的，能够通过设置 ...

全文链接：http://tecdat.cn/?p=31784原文出处：拓端数据部落公众号最近咱们被客户要求撰写对于决策树的钻研报告，包含一些图形和统计输入。 为解决城市交通拥堵问题，本文提出了一种基于 Matlab决策树的交通预测办法，咱们通过采集上海地区的空气质量数据和温度数据，帮忙客户在 Matlab中实现决策树建模，利用所提取的天气和温度特色建设决策树，对将来的出行工夫、出行路线等进行预测。结果表明：该办法可实现交通工夫、出行路线的预测，并能在将来三天进行无效预测工夫长度与空气质量、温度相干。 数据外面一个是天气数据（区县主动站实况数据），只把地区为徐家汇的取出来，其余地点的不必参考。 另一个是空气数据（实时空气质量数据）。 预期后果依据空气中的空气质量和天气数据中的温度及天气情况做一个交通出行的举荐。 举个例子：明天温度0度 天气晴朗 空气质量优 出行形式能够为 公交车或地铁。 明天温度15度 天气晴朗 空气质量优 出行形式为 步行。 明天温度15度 天气晴朗 管制品质轻度净化 呈现形式为 公交车或地铁。 读取气温数据[data, ~, raw] = xlsread('区县主动站实况数据.xlsx','Sheet2');筛选对应日期数据data=data(1:9649,:);raw=raw(1:9649,:);找出徐家汇地区的数据index=strcmp(raw(:,3),'徐家汇')读取空气质量数据[data2, ~, raw2, dateNums] = xlsread('实时空气质量数据（历史）2.xlsx','Sheet1','','筛选对应日期数据data2=data2(4415:end,:);raw2=raw2(4415:end,:);失去对应工夫 index=1:3:2880失去对应工夫的 空气质量数据 mydata=[raw,raw2]; 建设决策规定分类类别号 label=mydata(:,18);%label=label(2:end);将类别号赋值给outData outData=label;取得特色变量矩阵 inData = [data,data2]; % 输出特色矩阵依据训练集数据创立决策树 classregtree(inData, o)查看决策树 view(mytree); 决策树规定Decision tree for classification  1  if x5<11.5 then node 2 elseif x5>=11.5 then node 3 else 步行  2  if x5<3.5 then node 4 elseif x5>=3.5 then node 5 else 步行  3  if x13<0.45 then node 6 elseif x13>=0.45 then node 7 else 步行  4  if x1<2.01504e+011 then node 8 elseif x1>=2.01504e+011 then node 9 else 公交车或地铁  5  if x12<91.5 then node 10 elseif x12>=91.5 then node 11 else 步行  6  if x11<11.5 then node 12 elseif x11>=11.5 then node 13 else 步行  7  if x9<27.5 then node 14 elseif x9>=27.5 then node 15 else 公交车或地铁  8  if x6<1.6 then node 16 elseif x6>=1.6 then node 17 else 公交车或地铁  9  class = 步行 10  if x8<86.5 then node 18 elseif x8>=86.5 then node 19 else 步行 11  class = 公交车或地铁 12  if x7<1.5 then node 20 elseif x7>=1.5 then node 21 else 步行 13  if x9<94 then node 22 elseif x9>=94 then node 23 else 公交车或地铁 14  if x9<8.5 then node 24 elseif x9>=8.5 then node 25 else 步行 15  if x6<2.75 then node 26 elseif x6>=2.75 then node 27 else 公交车或地铁 16  class = 公交车或地铁 17  class = 步行 18  class = 步行 19  if x1<2.01502e+011 then node 28 elseif x1>=2.01502e+011 then node 29 else 步行 20  class = 步行 21  if x1<2.01504e+011 then node 30 elseif x1>=2.01504e+011 then node 31 else 步行 22  if x4<6.95 then node 32 elseif x4>=6.95 then node 33 else 公交车或地铁 23  class = 步行 24  if x6<0.35 then node 34 elseif x6>=0.35 then node 35 else 公交车或地铁 25  if x8<49.5 then node 36 elseif x8>=49.5 then node 37 else 步行 26  if x6<2.25 then node 38 elseif x6>=2.25 then node 39 else 公交车或地铁 27  if x11<26.5 then node 40 elseif x11>=26.5 then node 41 else 步行 28  class = 步行 29  class = 公交车或地铁 30  class = 步行 31  class = 公交车或地铁 32  if x5<142.5 then node 42 elseif x5>=142.5 then node 43 else 步行 33  class = 公交车或地铁 34  class = 步行 35  if x5<311 then node 44 elseif x5>=311 then node 45 else 公交车或地铁 36  if x9<22 then node 46 elseif x9>=22 then node 47 else 公交车或地铁 37  if x12<135 then node 48 elseif x12>=135 then node 49 else 步行 38  if x5<102.5 then node 50 elseif x5>=102.5 then node 51 else 公交车或地铁 39  if x8<18.5 then node 52 elseif x8>=18.5 then node 53 else 公交车或地铁 40  if x12<40.5 then node 54 elseif x12>=40.5 then node 55 else 步行 41  if x6<3 then node 56 elseif x6>=3 then node 57 else 公交车或地铁 42  class = 步行 43  if x1<2.01503e+011 then node 58 elseif x1>=2.01503e+011 then node 59 else 公交车或地铁 44  class = 公交车或地铁 45  class = 步行 46  if x4<21.75 then node 60 elseif x4>=21.75 then node 61 else 公交车或地铁 47  if x14<40.5 then node 62 elseif x14>=40.5 then node 63 else 步行 48  if x12<78.5 then node 64 elseif x12>=78.5 then node 65 else 步行 49  if x5<212 then node 66 elseif x5>=212 then node 67 else 公交车或地铁 50  if x14<35.5 then node 68 elseif x14>=35.5 then node 69 else 公交车或地铁 51  if x6<1.85 then node 70 elseif x6>=1.85 then node 71 else 步行 52  class = 公交车或地铁查看所有预测的分类标签 ...

全文链接：http://tecdat.cn/?p=32071原文出处：拓端数据部落公众号最近咱们被客户要求撰写对于交易策略的钻研报告，包含一些图形和统计输入。 随着中国的证券市场规模的一直壮大、市场翻新一直深入、信息披露不断完善、市场监管一直强化，随着古代投资组合实践的倒退和计算机技术的提高，投资者为了在股票交易中获得更多的收益，就须要有正当无效的投资策略，因素模型的根底上倒退出泛滥量化钻研模型。对于这些模型的钻研可能帮忙投资者无效的跟踪市场的变动，为得出更好的投资策略而提供帮忙。Logistic选股模型正是这些泛滥模型中的一个。 因素模型因素模型是建设在证券收益率对各种因素或指数变动具备肯定敏感性的假如根底之上的一种模型。证券的收益率具备相关性，这种相关性是通过对模型中的一个或多个因素的独特反馈而体现进去。证券收益率中不能被因素模型所解释的局部被认为是各种证券的共性，因此与其余证券无关。因素模型也被称为指数模型(Index model)或夏普模型(Sharp model)。 钻研思路本文以多因素模型在股票交易中的利用为背景，帮忙客户针对Logistic选股模型的实践根底以及模型原理方面剖析Logistic选股模型的可行性与稳定性。为保障模型的牢靠和稳固，应用过来五年的历史数据来检测模型。 Logistic模型在股票交易中的选股策略联合以上多因素模型与Logistic回归剖析的常识能够失去基于Logistic选股模型。这里采纳沪深300指数作为基准，将沪深300中的个股作为钻研对象，钻研其收益率超过沪深300股指收益率的概率。 这里Logistic选股模型钻研的窗口期抉择为一个月，在当月的最初一个交易日以股票或指数投资组合的收盘价买入股票或指数资产组合，在次月的最初一个交易日以股票或指数投资组合的收盘价卖出股票或指数资产组合。 这样将即能够应用Logistic回归剖析联合历史数据对组合中每支股票进行回归剖析。利用回归剖析后果预测每只股票下个月收益率大于指数投资组合收益率的概率，这时咱们选取预测中收益率大于基准收益率概率排名前40支股票，等权重组合，在当月的最初一个交易日以收盘价买入，在次月的最初一个交易日以收盘价卖出。如此即为Logistic选股模型的交易策略。 实证后果剖析#读取数据file=list.files(".",pattern=".Rdata") for(i in file)load(i)#计算对数收益率data$return2=c(0,( log((data$CLOSE.y[-1])/data$CLOSE.y[-nrow(data)])))合并因子数据和收益率数据 通过对模型的测验失去以下后果： 逻辑回归收益散布逻辑回归收益的直方图 能够看到大部分收益散布在大于0的区域 图中显示了依据模型所选股票在当期的收益率散布。从图中能够看出大部分股票收益率散布在0%至-10%之间，将近半数的股票在其交易当期内具备小额负收益。 这个图横轴代表工夫。纵轴代表应用逻辑回归模型后果在不同工夫点的收益 累计收益  组合累积和基准累积 这个图横轴代表工夫。纵轴代表应用逻辑回归模型后果在不同工夫点的收益率： 通过图中对利用Logistic选股模型选出的组合的收益率和基准收益率的比照能够看出看出通过Logistic选股模型选出的组合具备一个较安稳的收益率，而且在绝大数的工夫内收益率超过了基准收益。由此能够看出Logistic选股模型具备肯定的稳定性和有效性，在绝大多数的状况下能够选出收益率高于基准收益的组合。 组合和基准每月的收益率的比照图 逻辑回归模型后果Deviance Residuals: Min 1Q Median 3Q Max -0.86049 -0.32622 -0.05835 -0.00147 2.24675 Coefficients: Estimate Std. Error z value Pr(>|z|)(Intercept) 7.199e+00 9.101e+00 0.791 0.429SHARE_TOTALTRADABLE -9.482e-10 1.934e-09 -0.490 0.624MKT_CAP -4.653e-11 5.952e-11 -0.782 0.434MV -1.687e+00 2.033e+00 -0.830 0.407pe -9.811e-02 1.128e-01 -0.870 0.384(Dispersion parameter for binomial family taken to be 1) Null deviance: 16.081 on 41 degrees of freedomResidual deviance: 11.560 on 37 degrees of freedom (1 observation deleted due to missingness)AIC: 21.56总结构建了Logistic选股模型，并利用历史数据经行回测，验证模型的有效性，并依据试验数据失去后果证实Logistic选股模型能够在大部分状况下为投资者选出一个收益率可能超过基准收益的投资组合。然而本文的钻研也可能存在以下问题和破绽： ...

报告链接：http://tecdat.cn/?p=32044近年来，我国的跨境电子商务倒退迅速，在过来五年中，其贸易额增长率达到了16.2%，曾经成为稳固对外贸易的一支重要力量。 浏览原文，获取专题报告合集全文，解锁文末52份跨境电商行业相干报告。 一方面，随着跨境电子商务的倒退，跨境电子商务的监管政策失去了进一步的改善，跨境电子商务的规模也失去了进一步的扩充，整个电子商务的倒退也失去了进一步的倒退。另一方面，以大数据、云计算、人工智能、区块链等为代表的数字技术，对跨境电商的每一个环节都进行了全方位的浸透，成为了模式翻新、效率改革的次要推动力，因而，跨境电商的倒退也迎来了新的契机。 我国的跨境电子商务交易额始终维持着较快的倒退速度，并在稳固对外贸易方面施展了微小的作用 跨境电商的渗透率在一直进步，曾经变成了一种新的倒退能源。在2021年，我国的跨境电商交易额在国内货物进出口总额中所占的比重达到了36.3%，在过来的五年中，这一比重进步了7.3个百分点。在过来的五年中，这一数据显示出了显著的增长态势。在疫情防控常态化的大环境中，在线生产的需要失去了一直的开释，跨境电商曾经变成了稳固外贸的一支重要力量。 本专题内的参考报告（PDF）目录汤森路透：数字化技术赋能跨境电商贸易合规（2023） 报告2023-03-18网经社：2022年度中国跨境电商投诉数据与典型案例报告 报告2023-03-16雨果跨境：2023跨境电商行业趋势报告 报告2023-02-27猎聘：消费品和跨境电商人才数据 报告2023-02-19TikTok Shop：跨境电商2023年度策略报告 报告2023-02-16TikTokShop：跨境电商官网综合经营手册-直播篇 报告2023-02-13TikTokShop：跨境电商官网综合经营手册-短视频篇 报告2023-02-12TikTokShop：跨境电商官网综合经营手册 老手商家五大必做指南篇 报告2023-02-11粤贸寰球：跨境电商国内运输行业调研报告2022 报告2023-01-25AMZ123：2022跨境电商年度报告 报告2023-01-09WebEye：2022跨境电商数据分析白皮书 报告2022-12-28粤贸寰球：2022中东跨境电商平台剖析 报告2022-12-26TiChoo：2023年跨境电商寰球营销日历 报告2022-12-12粤贸寰球：跨境电商2022上半年数据报告 报告2022-12-04智慧谷&阿里云：2022跨境电商行业倒退钻研报告 报告2022-11-23增量科技：张图帮跨境电商企业做出一个好策略 报告2022-11-13财新智库：2022中国进口跨境电商产业集群倒退白皮书 报告2022-11-04yinolink：2022跨境电商品牌出海白皮书 报告2022-11-03艾瑞征询：中国跨境电商合规服务行业倒退洞察 报告2022-11-02智汇谷&阿里云：2022跨境电商行业倒退钻研报告 报告2022-10-23亿邦能源：品牌出与跨境电商倒退大势 报告2022-09-25粤贸寰球：2022印尼小家电跨境电商市场调研报告 报告2022-09-15远瞩征询：2022年中国跨境电商行业剖析 报告2022-09-14探迹：2022跨境电商物流行业发展趋势报告 报告2022-09-13探迹科技：2022跨境电商物流行业发展趋势报告 报告2022-09-07浙江省电子商务促进会：东南亚跨境电商倒退钻研报告（2022） 报告2022-08-24神策研究院：跨境电商独立站数字化经营指南 报告2022-08-18Meta：DTC跨境电商白皮书 报告2022-08-13安永：买寰球，卖寰球-跨境电商热点察看 报告2022-08-04致趣百川：跨境电商SaaS市场绝密复盘 报告2022-07-15毕马威：跨境电商批发进口药品试点助推医药产品进口翻新模式 报告2022-07-15谷歌&Shopify：中国跨境电商DTC指南 报告2022-07-05陈贤亭：跨境电商治理思维模型和实战工具 报告2022-07-04山西数据流量生态园：TikTok跨境电商趋势报告 报告2022-07-02艾瑞征询：2022年中国跨境电商SaaS行业钻研报告 报告2022-06-29艾瑞征询：2022年中国跨境电商服务行业趋势报告 报告2022-06-2936Kr：2022年中国跨境电商行业钻研报告 报告2022-06-24亿邦智库：细分增长 2022东南亚跨境电商出海报告 报告2022-06-17亿邦能源：2022寰球跨境电商服务商资源手册第一期（电子版） 报告2022-05-25Meta：2022跨境电商大促马拉松营销日历（28页） 报告2022-05-06Meta：2022跨境电商大促流动营销指南 报告2022-05-06网经社：2021年度中国跨境电商市场数据报告 报告2022-04-28亿邦智库：2021跨境电商金融服务报告220310 报告2022-03-10网经社：2021年中国跨境电商投诉数据与典型案例报告 报告2022-03-08网经社：2021年中国跨境电商投融资市场数据监测报告 报告2022-01-12阿里研究院：RCEP区域跨境电商进口（B2C）指数 报告2021-11-16亿邦智库：2021跨境电商倒退报告 报告2021-10-25Facebook：DTC 跨境电商白皮书 报告2021-10-05谷歌&德勤：2021中国跨境电商倒退报告 报告2021-08-05谷歌&德勤：2021中国跨境电商倒退报告 报告2021-08-04艾瑞征询：2021年中国跨境电商进口物流服务商行业钻研报告 报告2021-06-23亿欧智库：如日方升——2021中国进口跨境电商倒退钻研报告 报告2021-04-23*点击题目查阅往期内容 [](http://mp.weixin.qq.com/s?__biz=MzIxMTAxOTI0Ng==&mid=22474854...)[](http://mp.weixin.qq.com/s?__biz=MzIxMTAxOTI0Ng==&mid=22474899...)【专题】2022年中国企业ESG策略与实际白皮书报告PDF合集分享（附原数据表）【专题】2022中国新能源汽车内容生态趋势洞察报告PDF合集分享（附原数据表）【专题】2022年寰球手游市场报告PDF合集分享（附原数据表）【专题】2022年中国房地产数字化转型钻研报告PDF合集分享（附原数据表）【专题】2022中国新能源汽车发展趋势白皮书报告PDF合集分享（附原数据表）【专题】2022数字化经营白皮书报告PDF合集分享（附原数据表）【专题】2022广告营销行业人才趋势报告PDF合集分享（附原数据表）【专题】深度学习平台倒退报告（2022年）PDF合集分享（附原数据表）【专题】2022寰球汽车供应链外围企业竞争力白皮书报告PDF合集分享（附原数据表）【专题】疫情常态化下的品牌拓店趋势调研报告|PDF分享（附原数据表）【专题】2022年中国财税数字化行业钻研|报告PDF分享（附原数据表） 【专题】2022年母婴行业内容营销钻研|报告PDF分享（附原数据表） 【专题】2022年中国服务机器人行业钻研|报告PDF分享（附原数据表）【专题】2022新能源汽车品牌KOL口碑报告PDF合集分享（附原数据图表） 【专题】中国手术机器人行业钻研报告报告PDF合集分享（附原数据表） 【专题】2022智能汽车云服务白皮书报告PDF合集分享（附原数据图表） 【专题】2023年中国直播电商机会洞察报告合集分享（附原数据表） 大学生外卖市场需求情况考察数据可视化报告 互联网热门职位薪资比照报告 爬取微博用户行为数据语义剖析数据挖掘报告 618电商大数据分析可视化报告 数据岗位现状调查报告 共享单车大数据报告 虎扑社区论坛数据爬虫剖析报告 婚庆市场用户行为数据采集爬虫剖析报告(以小红书为例) 互联网热门职位薪资数据采集爬虫比照报告 亚马逊商品销售数据爬虫剖析报告 虎扑论坛&用户数据分析报告[](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=22474839...)[](http://mp.weixin.qq.com/s?__biz=MzU4NTA1MDk4MA==&mid=22474839...) ...

原文链接：http://tecdat.cn/?p=24492原文出处：拓端数据部落公众号介绍此剖析的目标是帮忙客户构建一个过程，以在给定时变波动性的状况下正确预计危险价值。危险价值被宽泛用于掂量金融机构的市场危险。咱们的工夫序列数据包含 1258 天的股票收益。为了解释每日收益率方差的一小部分，咱们应用 Box-Jenkins 办法来拟合自回归综合挪动均匀 (ARIMA) 模型，并测试带下划线的假如。稍后，当咱们寻找代替计划、最佳拟合散布模式时，咱们会查看收益率的正态性。咱们应用狭义自回归异方差 (GARCH) 办法预计残差的条件方差，并将其与 delta-normal 办法进行比拟。 数据出于建模过程的目标，咱们每天收集了 5 年（2013 年 2 月至 2018 年 2 月）的花旗公司股票（共 1259 个察看样本）。  # 加载库library(tidyverse)# 加载数据read.csv('stock.csv', header = T)# 每只股票一栏plot( y = stok$C , geo = 'line') 红线示意此特定工夫范畴内的均匀收盘价。 非安稳过程具备随工夫变动的均值、方差和协方差。应用非安稳工夫序列数据会导致预测不牢靠。安稳过程是均值回归的，即它在具备恒定方差的恒定均值左近稳定。在咱们的例子中，平稳性是指安稳工夫序列满足三个条件的弱平稳性： 为了解决这个问题，咱们次要应用差分法。一阶差分能够形容为 对于平稳性变换，咱们更偏向于计算简略的日收益，示意如下 ret = diff(stoks$C) / socs$C[-legth] plot(x = 1:length, y = res ) 为了验证收益率的平稳性，咱们应用了 Dickey-Fuller 测验，其中零假如示意非安稳工夫序列。 adf.test(ret) 小的 P 值 (<0.01) 表明有足够的证据回绝原假如，因而工夫序列被认为是安稳的。 Box-Jenkins 办法对于工夫序列剖析，Box-Jenkins 办法利用 ARIMA 模型来找到代表生成工夫序列的随机过程的工夫序列模型的最佳拟合。该办法应用三阶段建模办法：a) 辨认，b) 预计，c) 诊断查看。 ...

原文链接：https://tecdat.cn/?p=33736原文出处：拓端数据部落公众号气候变化是一个全球性挑战，须要国内单干来解决。目前，已有189个国家退出了《巴黎协定》，并且各大经济体纷纷承诺实现碳中和指标，如欧盟委员会的长期策略愿景，中国的碳达峰和碳中和指标，以及美国重新加入巴黎协定。 浏览原文，获取专题报告合集全文，解锁文末134份5G相干行业钻研报告。 ICT行业是第一个响应巴黎协定的行业之一，正在踊跃采取行动。 一方面，ICT行业增强了对社会节能减排的奉献。随着通信技术的倒退，挪动网络从2G、3G、4G倒退到5G，为人们的沟通和生存带来了更多便当，不仅提供语音服务，还有高清语音、挪动视频、集体利用等多种性能。特地是5G作为新型信息基础设施，曾经融入各行各业，助力社会的数字化转型，并进步传统行业的能源应用效率，促成整个社会的低碳化。 另一方面，ICT行业本身也在踊跃升高碳排放，制订碳中和指标。德国电信、沃达丰、法国电信、Telefonica、中国移动、中国电信、中国联通等多家运营商都将绿色倒退作为团体的战略目标。 寰球对于碳中和的要求晋升到了新的高度。国际电信联盟要求ICT产业在2030年前将碳排放升高45%以上。许多运营商曾经颁布了碳中和指标和相干行动计划。 ICT行业的积极行动对于实现寰球的低碳经济转型具备重要意义。通过国内单干和行业致力，咱们能够应答气候变化挑战，独特建设可继续倒退的将来。 在业务向5G网络迁徙后，整个网络的能效将失去晋升，同时能耗也会相应升高随着流量向5G网络的迁徙，网络能耗随之升高。而随着越来越多的流量迁徙到5G网络，网络功耗降落的成果也会更加显著。 此外，业务向5G网络的迁徙还能够无效地重耕存量频段，使其施展更大的价值。 目前，许多地区曾经开始5G网络的部署，并且通过实践经验发现，一直引入5G新技术能够继续进步网络能效。因而，面向未来呈现的各种5G利用，如加强事实、虚拟现实、智能工厂和智慧城市等，将带来指数级的流量增长，推动业务向更高制式承载，充分利用5G高能效劣势，从而升高网络能源消耗。 综上所述，随着业务向5G网络的迁徙，网络能耗将逐步升高，而5G的新技术和利用也将进一步晋升网络的能效，推动可继续倒退和低碳经济建设。 本专题内的参考报告（PDF）目录华为：绿色5G白皮书 报告2021-10-18中国移动研究院：5G车联网新技术赋能智慧交通新倒退 报告2023-09-17中国联通：2023“5G+工业互联网”行业利用白皮书-中国实现新型工业... 报告2023-09-16IMT-2020(5G)推动组：2023年5G-Advanced通感融... 报告2023-09-13IMT-2020(5G)推动组：面向通感算一体化光网络的光纤传感技术 报告2023-09-12宽带移动信息通信铁路行业重点实验室：2023铁路5G-R可视技术利用白... 报告2023-09-11中国联通：2023面向制造业的5G专网经营白皮书 报告2023-09-10中国移动研究院：5G专网助力数字工厂纵深倒退 报告2023-08-23TD产业联盟：2023年二季度5G产业和市场倒退报告 报告2023-08-19中国信通院&华为：5G智慧陆地倒退钻研报告（2023年） 报告2023-08-07中国联通：5G政务外网技术白皮书 报告2023-08-07中国移动研究院：5G继续演进助力5G利用新倒退 报告2023-08-06中国移动研究院：5G构筑智能倒退新动能 报告2023-08-05中国信通院：2023年5G智慧陆地倒退钻研报告 报告2023-08-04中国移动研究院：面向5G&B5G和算力网络的传送网技术倒退探讨 报告2023-07-31中国联通：2023年5G+汽车智造技术白皮书 报告2023-07-31西门子：2023工业5G全连贯工厂白皮书 报告2023-07-24中国移动：2023年5G工业UPF（OT UPF）白皮书 报告2023-07-23中兴：2023 5G工业现场网白皮书 报告2023-07-225G利用产业方阵：5G利用产业方阵翻新核心指南（2023年版） 报告2023-07-20中移智库：5G新技术发明新价值 报告2023-07-205G利用产业方阵：5G商业模式翻新倒退白皮书 报告2023-07-20中国联通研究院：5G随行网络加强架构白皮书 报告2023-07-20中国电信：5G智慧矿山交融计划白皮书（2023） 报告2023-07-11中国移动研究院：继续多维翻新锻造5G精品网络 报告2023-07-02中国联通：2023年5G网联无人机系统安全架构白皮书 报告2023-07-02中国移动研究院胡南：5G-A关键技术方向和产业停顿 报告2023-06-30毕马威：5G将来五年前景瞻望 报告2023-06-29中国电信：5G智慧矿山终端交融白皮书（2023） 报告2023-06-27中国电信：5G智慧矿山行业白皮书（2023） 报告2023-06-26中国信通院：快递业5G音讯服务钻研报告（2023年） 报告2023-06-25中国信通院：5G音讯搜寻服务钻研报告（2023年） 报告2023-06-24中国电信：2023智联可信5G视频平安白皮书 报告2023-06-19中国联通&安恒信息：2023年5G工厂网络安全白皮书 报告2023-06-16ONA：F5G全光网装置工艺和施工指南 报告2023-06-11中国广电：5G新通话白皮书（2023年版） 报告2023-06-09北京金融科技产业联盟：5G音讯金融利用白皮书 报告2023-06-08头豹：2023年5G CPE行业钻研报告-5G CPE市场前景剖析（摘... 报告2023-05-30中国联通：5G+工业互联网重点行业白皮书 报告2023-05-29中国电信：2023智联可信5G视频平安白皮书 报告2023-05-28TD产业联盟：5G产业和市场倒退报告(2023Q1) 报告2023-05-26中国电信：5G融媒体利用钻研报告2022 报告2023-05-23工业和信息化部：2022年度能源畛域5G利用典型案例汇编 报告2023-05-10中国电信：5G空间计算白皮书（2023） 报告2023-05-09TD产业联盟：寰球5G 6G产业倒退报告（2022-2023） 报告2023-04-22GSMA：5G的社会经济效益 报告2023-04-12TD产业联盟：2022年第四季度5G产业和市场倒退报告 报告2023-03-06每日互动：2022年度5G智能手机报告 报告2023-03-05中国铝业团体：5G赋能有色金属行业智能化倒退白皮书 报告2023-02-24中国广电：中国广电5G手机产品白皮书（2023年版） 报告2023-02-07中国电力迷信研究院：5G电力行业虚构专网关键技术钻研 报告2023-02-07GSMA：寰球5G终端倒退及瞻望 报告2023-02-06广电总局：5G频道技术白皮书 报告2023-01-19中国联通：中国联通5G车载终端白皮书 报告2023-01-17中国移动研究院：5G-Advanced“翻新链-产业链”双链交融口头计... 报告2023-01-14中国信通院：中国5G倒退和经济社会影响白皮书（2022年） 报告2023-01-09智次方：2023年中国5G产业全景图谱报告 报告2023-01-07TD产业联盟：5G+工业互联网产业倒退白皮书（2022） 报告2023-01-07中国工业互联网研究院：面向特定行业的“5G全连贯工厂”组网技术及验证研... 报告2023-01-03中国移动研究院：5G-MBS场景剖析报告 报告2022-12-25中国信通院：5G时代“AIoT+金融”钻研报告（2022年） 报告2022-12-11每日互动：2022年三季度5G智能手机报告 报告2022-12-10中国信通院：5G利用翻新倒退白皮书-2022年第五届“绽开杯”5G利用... 报告2022-12-05中国电信&CCFA：“5G+批发”行业利用白皮书 报告2022-12-055G America：扩大事实和3GPP演进钻研报告 报告2022-12-03中国信通院：5G利用翻新倒退白皮书-2021年第四届“绽开杯”5G利用... 报告2022-12-03德勤：电力行业5G赋能-将来电力 报告2022-11-29报告：5G对新兴市场经济增长作用微小 报告2022-11-295GDNA：5G工业互联赋能5G全连贯工厂技术白皮书 报告2022-11-23中国信通院：5G全连贯工厂建设白皮书（征求意见稿） 报告2022-11-0735斗：未来将至-5G+智慧农业利用白皮书 报告2022-10-31中国通信院&中国通信企业协会：5G音讯倒退报告（2022年） 报告2022-10-06中国移动：5G确定性工业生产网白皮书 报告2022-09-19腾讯：5G时代的新机会-2022腾讯运营商集体及家庭市场增长洞察白皮书 报告2022-08-14中国信通院：5G新通话技术与业务翻新钻研报告（2022年） 报告2022-08-0135斗：将来将至，5G+智慧农业白皮书 报告2022-07-18中国移动&华为：5G无线网络能效评估1.0白皮书 报告2022-07-06物联网智库：2022年5G产业全景图谱报告 报告2022-06-22中国移动：5G-Advanced新能力与产业倒退白皮书 报告2022-06-09中国移动：中国移动5G-RedCap技术白皮书 报告2022-06-09工業技術研究院：從MWC2022看5G到6G的技術發展與垂直應用情境展... 报告2022-06-07中国信通院：5G+体育赛事典型场景和利用（2022年） 报告2022-05-27中国移动：5G-Advanced网络技术演进白皮书2.0- 报告2022-05-23中国移动：5G-Advanced-Technology-Evoluti... 报告2022-05-23每日互动：2021年度5G智能手机报告 报告2022-05-10安永：工业4.0时代， 企业5G业务增长机会被忽视了吗 报告2022-05-07IMT-2020（5G）推动组：钢铁行业5G确定性网络钻研报告（202... 报告2022-04-30中国通信协会：5G数据安全防护白皮书 报告2022-04-27中国移动：2021年中国移动5G新型智慧城市白皮书-社区治理数字化分册 报告2022-04-25中国信通院：寰球5G专利流动报告（2022年） 报告2022-04-25中国通信协会：5G专网前沿报告（2021） 报告2022-04-07中国通信学会：5G专网前沿报告 报告2022-04-06GSMA：2022年中国5G垂直行业利用案例 报告2022-04-02中国信通院：5G ToC音视频体验需要剖析及评测（2022年） 报告2022-02-28头豹：2021年中国5G核心网行业概览 报告2022-02-25零壹智库：元宇宙-5G，将走向哪里 报告2022-02-25爱立信：5G领跑者——博得消费者青眼，支出一直增长 报告2022-02-16腾讯&罗宾5G：追光者5G策略察看 报告2022-01-06罗宾5G：罗宾5G商业评论_2021年11月 报告2022-01-06中国信通院：5G+产业规范必要专利倒退最新态势（2021年） 报告2021-12-28中国信通院：中国“5G+工业互联网”倒退报告 报告2021-12-28赛迪：5G 供给市场趋势 报告2021-12-24中国信通院：5G平安知识库 报告2021-12-13中国信通院：5G商业模式翻新倒退白皮书（第一期） 报告2021-12-13中国信通院：5G行业模组分级分类白皮书 报告2021-12-13中国信通院：5G利用翻新倒退白皮书—2021年第四届“绽开杯”5G利用... 报告2021-12-08中国信通院：证券业5G音讯服务钻研报告 报告2021-12-08中国信通院：中国5G倒退和经济社会影响白皮书——开辟蓝海 成绩初显 报告2021-12-08中国移动：5G公开挪动通信网络（5G-DMN）白皮书 报告2021-12-02中国移动：5G行业网数字孪生白皮书 报告2021-12-02中国移动：面向数字孪生的5G现场网体系架构白皮书 报告2021-12-02百度智能云：5G+AI 智能工业视觉解决方案白皮书 报告2021-11-21中国信通院：银行业5G音讯服务钻研报告 报告2021-11-19中国信通院：金融业5G音讯利用钻研报告 报告2021-11-02华为：绿色5G白皮书 报告2021-10-18绿色战争：中国数字基建的脱碳之路：数据中心与5G减碳后劲与挑战（202... 报告2021-10-05中移智库：5G-两周年：渐入佳境 报告2021-10-02多机构联结：5G-Advanced网络技术演进白皮书2021 报告2021-10-02多机构联结：5G-Advanced-Technology-Evolut... 报告2021-10-02中国移动研究院：中国移动5G高精定位能力白皮书 报告2021-10-02IMT-2020推动组：面向垂直行业的5G本地SLA需要及保障能力白皮... 报告2021-10-02高通：后疫情时代的5G经济 报告2021-09-11中移智库：5G-Advanced 翻新链产业链交融口头计划书 报告2021-08-03中移智库：5G泛视频重点业务产业剖析 报告2021-08-03艾瑞征询：2021年5G集体利用钻研报告 报告2021-07-26毕马威：5G和边缘计算价值凸显：智能交通篇 报告2021-07-23毕马威：5G和边缘计算价值凸显：工业制作篇 报告2021-07-23普华永道：5G对寰球经济的影响：中国报告 报告2021-07-08艾媒征询：2021年中国5G+新文创产业钻研报告 报告2021-06-11普华永道：5G医疗保健利用 报告2021-04-16毕马威：为企业客户解锁5G后劲 报告2021-04-15普华永道：流量启航，基建赋能，通信行业在5G时代减速前行 报告2021-04-07德勤：将来已来——5G赋能智慧电力，推动电力商业模式翻新 报告2021-03-26艾瑞征询：5G时代，通信企业的改革 报告2021-03-24

报告链接：http://tecdat.cn/?p=32028以后，随着气候变化、新冠疫情和地缘政治等重大突发事件的冲击，公司所处的宏观环境面临着越来越多的不确定性。在中国，随同着“双碳”指标的施行和“共同富裕”的施行，我国的经济增长形式正在转向一种新的、同时也是一种生态与福利并重的增长形式。在这种状况下， ESG成为了许多公司关注的焦点，也是许多公司关注的焦点。 浏览原文，获取专题报告合集全文，解锁文末60份ESG相干行业钻研报告。 ESG是一种综合思考经济效益、环境与社会效应、公司治理效应等因素，以可继续倒退为外围的一种企业评估零碎。从财务业绩指标到 ESG指标的变动，其背地的起因是由股东的角度到利益相关者的角度的变动，这是一种商业文化的巨大变化。在公司规模和盈利曾经不能再作为掂量公司优劣的惟一规范的时候，怎样才能让各方面都称心，怎样才能将公司的经营策略与 ESG策略进行有机地联合起来，就变成了一个须要企业庄重地答复的问题。 企业实际ESG最大的艰难在调查过程中，咱们发现很多被考察的公司在 ESG与其经营的关系、如何施行、在其本身的定位等问题上存在着较大的问题，同时也存在着较大的问题。 第一，目前公司对 ESG的含意及重要性还没有造成统一的意识：尽管公司的高管及普通员工对 ESG有了肯定的理解，但对其含意并没有一个明确的意识，因此也就难以进行深刻的探讨。在企业的治理阶层中，对于环境保护的重要性始终有争执。所以，在企业中，尤其是在企业中，进步对环境保护的意识，进步环境保护意识，是企业进行环境保护工作的根底。而高层管理者的 ESG关注程度通常会影响到其关注的最高程度，因而，高层管理者的深度参加是保障 ESG策略顺利施行的要害。 第二，ESG与公司经营环境的分割还没有理顺，公司的经营策略和ESG还没有联合在一起。在承受考察的公司中，大概有30%的人置信环境治理环境意味着公司的盈利将受到影响。一些承受考察的公司示意，在推广环境治理的时候，最大的艰难就是如何兼顾财务与非财务的关系。如何协调好所有人的利益，使公司的盈利和可继续倒退达到一个平衡点，并不是一件容易的事件。只管这一矛盾在短期内依然非常明显，但少数被考察公司认为，从中长期来看， ESG将会与公司的经营流动相结合，而不会与公司的利益发生冲突。 本专题内的参考报告（PDF）目录Morketing研究院：ESG案例白皮书2022 报告2023-03-24猎聘：绿色金融及ESG人才趋势报告 报告2023-03-23腾讯研究院：2023新型城市竞争力策略钻研白皮书-ESG引领下的西部城... 报告2023-03-12商道纵横：畜牧业ESG绩效榜单暨治理晋升手册（2022年版） 报告2023-03-08商道纵横：有色金属采选及加工行业ESG绩效榜单暨治理晋升手册（2022... 报告2023-03-07Meta&艾华迪：2023年ESG环境社会治理策略白皮书 报告2023-03-05Meta：ESG环境社会治理策略白皮书（2023） 报告2023-03-03仲量联行：中国房地产开发企业ESG体现报告 报告2023-03-01财新智库：2022中国ESG倒退白皮书 报告2023-02-25中国绿金委：2022年ESG及绿色金融停顿与趋势 报告2023-02-12商道纵横：房地产行业ESG绩效榜暨治理晋升手册（2022年版） 报告2023-02-05中国信通院：互联网行业社会责任ESG信息披露察看报告（2022年） 报告2023-01-30妙盈研究院：代表绿色的新能源车是否是名正言顺的ESG领导者？ 报告2023-01-27第一财经研究院：2022中国A股公司ESG评级剖析报告 报告2023-01-17富达国内：2022年可继续倒退（ESG）投资白皮书 报告2023-01-14CCDC&ICMA：中国ESG实际白皮书 ——基于发债企业和上市公司的... 报告2023-01-12中国信通院：互联网行业社会责任、ESG信息披露察看报告（2022年） 报告2023-01-09头豹：2022年中国二手手机行业概览-ESG实际-重塑循环经济 报告2022-12-27第一财经研究院：2022中国A股公司ESG评级剖析报告：基于1267家... 报告2022-12-09BCG：2022年寰球ESG合规与危险报告（英文版） 报告2022-12-06安永：ESG热潮下险资投资新挑战 报告2022-12-04德勤：放眼当下、造福将来：ESG助力企业在投后整合中开释价值 报告2022-12-03安永：ESG热潮下险资投资新挑战 报告2022-11-17毕马威：打消金融业ESG数据的割裂（第二局部） 报告2022-10-29BCG：中国ESG投资报告2.0 笃行不怠，崭露矛头 报告2022-10-27艺恩数据：ESG营销舆情趋势洞察 报告2022-10-23财新智库：2022中国信托业的ESG倒退之路 报告2022-10-21BCG：新数据显示私募股权如何与ESG叠加(英文版) 报告2022-10-18财新智库：中国信托业的ESG倒退之路（2022） 报告2022-10-03仲量联行：ESG对中国物流地产的影响：绿色仓储，共赢将来 报告2022-09-29头豹：2022年ESG指标系列-环境指标解析与企业案例（摘要版） 报告2022-09-22安永：科技企业ESG策略与口头大纲钻研报告 报告2022-09-05商道纵横：中国企业境外投资ESG信息披露指南（2022） 报告2022-09-04埃森哲：中国高科技与互联网企业ESG实际钻研 报告2022-09-04商道纵横：中国企业境外投资ESG信息披露指南（2022） 报告2022-08-31贝恩：中国企业ESG策略与实际白皮书：放眼久远，激发价值 报告2022-08-27粤开证券：ESG投资系列-双碳指标下投资机会瞻望 报告2022-08-13头豹：2022年中国企业ESG案例剖析（三）：能源企业篇 报告2022-07-25头豹：2022年中国企业ESG案例剖析（三）-能源企业篇 报告2022-07-22中欧商学院：2022 ESG白皮书 报告2022-07-06联易融：2021年度ESG报告 报告2022-06-29网商银行：2021年可继续倒退报告（ESG） 报告2022-06-29安永：中国房地产行业2021年业绩概览及ESG倒退时机 报告2022-06-26京东物流：2021环境、社会及治理（ESG）报告（53页） 报告2022-06-02灼鼎征询：2022年ESG倒退白皮书 报告2022-05-26证券时报：中国ESG倒退白皮书（2021） 报告2022-04-22德勤：发明可继续价值：房地产与环境、社会及管治（ESG） 报告2022-04-20头豹：2022年中国ESG信息披露现状剖析与将来瞻望 报告2022-04-12普华永道：不容有“失” - 许多企业都将受到欧洲环境、社会和治理(ES... 报告2022-03-25毕马威：打消金融业ESG数据的割裂 报告2022-03-23艾瑞征询：2021年财经新媒体营销价值系列报告之ESG 报告2022-03-17证券时报&易懂：A股公司ESG问卷调查报告 报告2022-03-15仲量联行：开释ESG后劲：摸索ESG与企业估值的关系 报告2022-02-17华夏基金：2021中国ESG倒退翻新白皮书 报告2022-01-04北京绿色金融与可继续倒退研究院：银行ESG实际案例及倒退倡议 报告2021-12-19零壹智库：寰球ESG投资解读：历史变迁、规模趋势与评级体系-20211... 报告2021-12-15德勤：ESG 并购投资：引领价值逻辑改革新航向 报告2021-12-03毕马威：保险业ESG重大行业趋势 报告2021-11-08毕马威：环境、社会与治理（ESG）：新一届政府的事不宜迟 报告2021-05-18普华永道：ESG报告：助力中国腾飞聚势共赢 报告2021-04-06

全文链接：http://tecdat.cn/?p=32316原文出处：拓端数据部落公众号咱们常说的中药开掘，个别是用药开掘，还有穴位的开掘，次要是想找出一些用药的法则。在西医开掘中，数据的起源比拟宽泛,有的是通过临床收集用药处方，比方，一个驰名老中医针对某一疾病的用药状况;有的是通过古籍，现代流传下来的药方;还有一种状况是在论文数据框里查找专门医治某一疾病的文献，从中找到处方，用来剖析。 Apriori算法是一种最有影响的开掘关联规定频繁项集的算法。其外围是基于两阶段频集思维的递推算法。该关联规定在分类上属于单维、单层、布尔关联规定，Apriori 算法采纳了逐层搜寻的迭代的办法，算法简单明了，没有简单的实践推导，也易于实现。 因为Apriori算法的个性，非常适宜中药处方、膏方、方剂的开掘，甚至于穴位的开掘。 本文帮忙客户得出不同处方的药物组合和频率，挖掘出药方外在的法则。 中药处方数据 读取数据a_df3=read.xlsx("开掘用.xlsx",startRow=0, colNames = F) 转换数据结构a_list=list(0) for(i in 1:nrow(a_df3)){     ##删除事务中的反复我的项目 a_list[[i]]= unique(strsplit(a_df3[i,],",")[[1]]) 将数据转换成事务类型trans2 <- as(a_list, "tran查看每个商品的呈现频率 能够看到每个物品呈现的频率，从而判断哪些物品的反对度较高。 关联规定开掘药对开掘at(dat1,parameter=list(support=0.3,minlen=2,maxle 失去频繁规定开掘inspect(frequent 查看求得的频繁项集spect(sort(frequentsets,by="suppo 依据反对度对求得的频繁项集排序并查看（等价于inspect(sort(frequentsets)[1:10]）。 建设模型apriori(dat1,parame 设置反对度为0.01，置信度为0.3summary(rules)#查看规定 查看局部规定 查看置信度 反对度和晋升度 可视化绘制不同规定图形来示意反对度，置信度和晋升度。 通过该图能够看到规定前项和规定后项别离有哪些物品 以及每个物品的反对度大小，反对度越大则圆圈越大。 ules, method = NULL,      measure = "support", shading = "lift", int 从该图能够看到反对度和置信度的关系，置信度越高晋升度也越高。 从该图能够看到反对度和置信度的关系，晋升度越高置信度也越高。 ules, method="matrix3D", measure="lift 从上图能够看到不同物品之间的关联关系，图中的点越大阐明该物品的反对度越高，色彩越深阐明该物品的晋升度越高。 plot(rules, method="doubledecker" ) 查看最高的反对度样本规定ules::inspect(head(rules 查看最高置信度样本规定sort(rules, by="confidencnspect(head(rules sort(rules, by="lift 失去有价值规定子集rules,subset=confidence>0.3 & support>0.2 & lift>=1summary(x) 依照反对度排序sort(x,by="support 依照置信度排序inspect(sort(x,by="confide 对有价值的x汇合进行数据可视化。 ...

全文链接：http://tecdat.cn/?p=30605原文出处：拓端数据部落公众号利用关联规定、聚类办法等数据挖掘技术剖析医治抑郁症的中药专利复方组方配伍法则。办法检索医治抑郁症中药专利复方，排除外用中药及中西药物合用的复方。 最近咱们被要求撰写对于用药法则的钻研报告，包含一些图形和统计输入。对入选的中药专利复方进行术语规范化等解决，抽取信息、建设表，利用数据分析软件R对数据进行关联规定剖析，利用网络分析软件进行聚类分析。 查看数据 转换成二值矩阵数据colnames(data) <- paste0("X",1:ncol(data))for(i in 1:nrow(data)) { tmp <- integer(length(total_types)) 建设aprioriplot(all_rules, method = "graph") 中药专利复方中药对的关联规定剖析药对是方剂配伍的根本模式，它反映了中药之间相辅相成、相辅相成、同类相从等配伍关系。药对中的中药在组方配伍时具备在处方中同时呈现的特点，因而在关联规定剖析中，剖析置信度较大且双向关联的规定即可失去药对。 依据置信度和反对度筛选强关联规定 K-means均值网络聚类分析抑郁症中药专利复方中药物之间造成了一个简单的配伍关系网络，关联规定剖析能够用来发现其中的药对及强关联规定，但随着反对度和置信度阈值参数的升高，关联规定大量涌现，使得其中的配伍法则变得难以剖析，利用网络聚类办法能够无效地发现其中的配伍法则。 #聚类类别号kmod$cluster 查看每个类别中的强关联规定 聚类1 聚类2 配伍关系网络的聚类分析结果显示了抑郁症医治中罕用的中药“社团”，反映了复方中一些配伍关系绝对亲密、固定的中药联结，临床使用能够进步疗效。 最受欢迎的见解 1.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e7%bb%98%e5%88%b6%e7%94%...)R语言分布式滞后非线性模型（DLNM）空气污染钻研温度对死亡率影响建模 2.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e7%94%9f%e5%ad%98%e5%88%...)R语言散布滞后线性和非线性模型（DLNM）剖析空气污染（臭氧）、温度对死亡率工夫序列数据 3.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e5%a6%82%e4%bd%95%e5%9c%...)R语言群组变量抉择、组惩办GROUP LASSO套索模型预测剖析新生儿出世体重危险因素数据和穿插验证、可视化 4.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e4%b8%ad%e4%bd%bf%e7%94%...)R语言逻辑回归、随机森林、SVM反对向量机预测FRAMINGHAM心脏病危险和模型诊断可视化 5.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e7%94%9f%e5%ad%98%e5%88%...)R语言非线性混合效应 NLME模型(固定效应&随机效应)反抗哮喘药物茶碱动力学钻研 6.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80ggplot2%e8%af%af%e5%b7%ae...)R语言应用限度均匀生存工夫RMST比拟两条生存曲线剖析肝硬化患者 7.[](http://tecdat.cn/r-%e8%af%ad%e8%a8%80%e7%bb%98%e5%88%b6%e5%8a...)分类回归决策树交互式修剪和更好看地可视化剖析细胞图像宰割数据集 8.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e5%a6%82%e4%bd%95%e6%89%...)PYTHON深度学习实现自编码器AUTOENCODER神经网络异样检测心电图ECG工夫序列 9.[](http://tecdat.cn/r%e8%af%ad%e8%a8%80%e4%b8%ad%e7%9a%84%e7%94%...)R语言如何在生存剖析与Cox回归中计算IDI，NRI指标

全文链接：http://tecdat.cn/?p=20650 原文出处：拓端数据部落公众号  视频|分类模型评估:准确率、召回率、ROC曲线、AUC与R语言生存剖析工夫依赖性ROC实现分类模型评估准确率、召回率、ROC曲线、AUC与R语言生存剖析工夫依赖性ROC实现 本文将帮忙您答复以下问题：ROC曲线是什么？曲线下的面积是多少？二元分类的决策阈值是多少？分类模型可承受的 AUC值是多少？什么是准确召回曲线？什么时候应该应用准确召回和 ROC 曲线？什么是ROC曲线？如果你用搜寻 ROC 曲线，你会失去以下答案： “ 接受者操作特色曲线或 ROC 曲线是一个图形，它阐明了二元分类器零碎在其辨别阈值变动时的诊断能力。”**这个定义不容易了解，对初学者来说可能听起来很吓人。 本文旨在帮忙您以一种简略的语言了解 ROC 曲线，以便您能够在 ROC 曲线背地建设一些根本思维。 在咱们进入 ROC 曲线之前，咱们须要记住混同矩阵是什么。 混同矩阵混同矩阵帮忙咱们可视化模型在辨别两个类别时是否“谬误”。它是一个 2x2 矩阵。行名是测试集中的理论值，列名是模型预测的。 Positive或Negative是 ML 模型预测标签的名称。每当预测谬误时，第一个词是False，当预测正确时，第一个词是True。 ROC曲线基于从混同矩阵得出的两个指标：真正例率 ( TPR ) 和假正例率 ( FPR )。TPR与召回率雷同。它是正确预测的正样本除以数据集中可用的所有理论正样本的比率。 TPR 侧重于理论的正类： 真正例率公式 反过来，FPR 是假正例预测与真负样本总数的比率。 FPR公式 ROC 曲线是基于 TPR 和 FPR 绘制的。 ROC曲线示例 通过应用 TPR 和 FPR，ROC 曲线显示了您的分类模型在所有分类阈值下的性能。 然而分类决策阈值是多少？ 首先，你的分类 ML 模型输入是一个概率。例如，您构建一个分类器来依据给定人的体重预测性别（女性或男性）。假如正类是女性（1），负类是男性（0）。而后，您将 150 公斤的分量样本传递给您的 ML 模型，该模型预测的概率为 0.23。 默认状况下，您的分类阈值为 0.5。任何高于 0.5 的概率将被归类为 1 类（正），低于 0.5 的概率将被归为 0 类（负）。给定 0.23 的概率，体重 150 公斤的人将被归类为负类（男性）。 ...

全文链接 :https://tecdat.cn/?p=33676原文出处：拓端数据部落公众号点模式分析（点格局剖析）是一组用于剖析空间点数据的技术。在生态学中，这种类型的剖析可能在客户的几个情境下呈现，但对数据生成形式做出了特定的假如，因而让咱们首先看看哪些生态数据可能与点模式分析相干或不相干。 哪些数据实用于点模式分析？点模式分析的最重要假如是点的数量和地位都须要是随机的。此外，咱们须要晓得客户的采样区域（即所谓的窗口）。以下是实用于点模式分析的示例： 森林样地中树木的地位草地区域中蚂蚁巢穴的散布以下是不适宜进行点模式分析的示例： 在较大的样地中当时定义好的子样方造成的规定网格中的群落组成记录了给定区域内固定数量的鸟巢的地位以下示例可能实用于点模式分析，也可能不实用： 动物挪动的无线电跟踪数据（请参阅针对此特定类型数据的泛滥技术）每年记录森林样地中树木地位，造成复制的点模式在 R 中进行点模式分析我将应用一个数据集来展现剖析。该数据集蕴含沿海沙丘零碎中动物和蚂蚁巢穴的地位。 从现有数据创立点模式#加载数据集dat <- read.table("daf.csv",sep=";",head=TRUE)#将坐标转换为米dat$X <- dat$X/100dat$Y <- dat$Y/100#创立点模式(all_pp <- ppp( plot( 对点模式对象进行数据操作#一个首次操作是给每个点增加信息，即所谓的标记#在这个示例中，咱们能够增加动物的物种名称marks(all_pp) <-#第二个操作能够是删除任何反复点#咱们能够应用简略的行索引来做到这一点all_pp <- unique#而后增加坐标单位summary(all_pp) #咱们能够应用标记对点模式进行子集化ant_pp <- subset(all_pp,marks=="Tetramorium_caespitum")#在这种状况下，咱们不再须要标记ant_pp <- unmark(ant_pp)标记的概念十分重要，所以我会多花几句话来介绍。标记能够是与点模式长度雷同的数字或因子向量，它们是为每个点收集的额定信息。在本示例中，这是记录的动物和蚂蚁的物种名称，但也能够是树木高度或鸟巢中的蛋数。 基于窗口的第二个乏味的操作集是依据特定窗口对点模式进行子集化： w <- hexon(entre=c(5,5))plot(antp[w]) #基于物种名称拆分split_pp <- si(all_pp)class(spitpp)## [1] "splitppp" "ppplist" "solist" "list"as.matrix(lapplysplit_p,npis),ncol=1) #也能够应用：by(all_p,maksall_p,npoints)来拆分#基于窗口进行拆分spl_ant_pp <- splitn_p,f=w)summary(plt_at_pp) 点格局的探索性剖析这是任何点格局剖析中十分重要的一步，这一步能够帮忙你：(i) 摸索密度，以及 (ii) 观察点格局是否偏离随机冀望。 den_all <- desit(slit_pp)plot(dns_ll) 首先要找出点格局是否由一个强度函数生成，如果是，则点格局是平均的；如果点格局是由多个强度函数生成的，则点格局是不平均的。这是点格局剖析中的一个重要的第一步，因为大多数函数和模型默认假如点格局是平均的。我将展现两种推断点格局平均性的办法：(i) 模仿和 (ii) 方块计数。 第一种办法是依据察看到的点格局的均匀强度，在空间上齐全随机模仿点格局。如果察看到的点格局和模仿的点格局的密度估计类似，那么咱们就有证据表明点格局是平均的。 #将察看到的密度与基于强度的随机模仿进行比拟#在图中为观测数据抉择一个随机地位pos <- sale(1:16,1)#模仿15个CSR点simp <- roisp(lmbda= intesityant_pp,win Windw(nt_p),nm=15)#将模仿汇合中的第pos个地位替换为察看数据集tmp <- sp[pos]]sim[pos]] <- ant_ppsip16]] <- tmpnaes(imp)[16] <- "Siulio 16"#计算密度估计densp <- dsiymp)#绘图，你能分辨出哪一个是观测数据集吗？pr(mfow=c(,4)mar=c(0,0,4,4))plt(as.isto(densp),zlim=rage(unlst(lapl(despran)))) ...

原文链接：https://tecdat.cn/?p=33624原文出处：拓端数据部落公众号自2022年年末以来，人工智能大模型已成为技术畛域甚至寰球翻新畛域最受关注的话题。以ChatGPT为代表的大模型产品倒退迅速，预测数据显示，到2030年，AIGC市场规模无望超过万亿元。2023年，国内次要厂商也相继推出自研的大语言模型产品，同时，国内也推出了大量的大语言模型利用，逐渐构建了基于中文语言特色的大语言模型生态。浏览原文，获取专题报告合集全文，解锁文末140份大模型相干行业钻研报告。 本合集集中钻研大语言模型产品的研发因素和外围特色，并从语言模型准确性、数据根底、模型和算法能力、平安和隐衷四个维度动手，拆分出12个细分维度，别离是语义了解、语法结构、常识问答、逻辑推理、代码能力、上下文了解、语境感知、多语言能力、多模态能力、数据根底、模型和算法能力、平安和隐衷。针对ChatGPT、Claude、Sage、天工3.5、文心一言、通义千问、讯飞星火、Moss、ChatGLM、vicuna-13B等十款大模型产品，咱们设计了超过3000个问题的评测。 此外，本合集特地关注了大模型产品在编程能力方面的体现，进步了这部分问题的权重和比例。同时，咱们还专门设置了测试中文语境特色的问题，例如方言测试、中文特色推理、对对联等。咱们心愿通过本次评测来帮忙更多技术畛域的同行取得对于中外大模型产品能力的意识，以帮忙大家在AGI守业方向抉择和工作理论利用方面取得最新的认知。 国内产品编程能力显著高于国内产品编程题目次要反映大语言模型产品进阶的逻辑推理能力。在十个模型中编程得分最高的为Claude，得分率73.47%，国内产品体现最好的为文心一言，得分率为68.37%。在四个题目分类中，大语言模型体现最好的题目分类为谬误提醒和修复，整体得分率为82.5%，而体现最差的是难度绝对较高的代码主动补全类题目，整体得分率为41.67%。 国内产品编程能力显著高于国内产品常识题目次要反映大语言模型产品对文字的根底认知和学习能力。在十个模型中常识得分最高的为文心一言，得分率73.33%，得分第二的为ChatGPT，得分率为72.67%。在九个题目分类中，大语言模型出现很大的差异化散布，即医学常识取得最高分率86%，而娱乐明星类常识仅取得24%。除IT常识问答题目外，其余八个题目分类中国内的大模型产品在中文常识环境中会的问答体现整体靠近或优于国内大模型产品。本专题内的参考报告（PDF）目录清华大学：2023大语言模型综合性能评估报告 报告2023-08-23BDS国家工程核心：2023大语言模型提醒注入攻打平安危险剖析报告 报告2023-07-31InfoQ：大语言模型综合评测报告2023 报告2023-05-30艾瑞征询：ChatGPT浪潮下，看中国大语言模型产业倒退 报告2023-04-12微软：微软GPT钻研报告 报告2023-09-07前瞻产业研究院：ChatGPT开启AlGC产业生态新时代 新风口 新生... 报告2023-08-25MarketUP：ChatGPT prompt指令模型大全 报告2023-08-15混沌学园：解锁新的生产力：如何用ChatGPT晋升业务能力 报告2023-08-09智能小伟人俱乐部：ChatGPT还须要逾越几道鸿沟-生成式AI工具应用... 报告2023-07-20高力国内：ChatGPT引发的AI人工智能产业利用前景剖析与行业新机遇 报告2023-07-04Microsoft Azure：Azure OpenAI案例集-GPT... 报告2023-06-20曲直：错过AI错过将来-如何利用chatGPT赋能国内货代 报告2023-06-06Microsoft Azure：如何借GPT疾速建构利用？把握9大通用... 报告2023-06-03CSA GCR：ChatGPT的平安影响 报告2023-05-31众安科技：2023 AIGC&ChatGPT保险行业利用白皮书 报告2023-05-26美通社：ChatGPT，AGI与营销 报告2023-05-25OpenMediation：2023年ChatGPT Plus 80+... 报告2023-05-22美通社：GPT+AI期间公关的流传时机与挑战 报告2023-05-21美通社：ChatGPT赋能品牌内容 报告2023-05-20美通社：ChatGPT在商业内容中的作用价值 报告2023-05-19法国里昂商学院&HRflag：ChatGPT对人力资源管理的影响剖析报... 报告2023-05-17奇绩论坛：ChatGPT新机遇分享 报告2023-04-26量子论：ChatGPT 实用指南（精编版）（2023） 报告2023-04-17南京航空航天大学：ChatGPT的前世今生（2023） 报告2023-04-16Ibrahim John：如何向ChatGPT发问以取得高质量答案：提... 报告2023-04-14艾瑞征询：ChatGPT浪潮下，看中国大语言模型产业倒退 报告2023-04-12猎豹挪动：为什么ChatGPT是生产力反动（2023） 报告2023-04-09中国科学院：ChatGPT对文献情报工作的影响 报告2023-04-06工业4.0俱乐部：ChatGPT认知白皮书 报告2023-04-06安信：ChatGPT挪动应用程序威逼剖析报告（2023） 报告2023-04-04微软研究院：人工通用智能的星星之火-GPT-4的晚期试验 报告2023-03-30工业4.0产业联盟：ChatGPT对企业与集体的时机与挑战 报告2023-03-30亚信科技&清华大学：2023年AIGC（GPT-4）赋能通信行业利用白... 报告2023-03-29浙商证券：AI行业深度报告-ChatGPT-AI模型框架钻研 报告2023-03-28中信建投：GPT4及ChatGPT相干利用梳理 报告2023-03-23熊鹏：ChatGPT4.0在投资中的使用初探 报告2023-03-21中兴新云：ChatGPT解读及财务利用摸索 报告2023-03-19OpenAI：GPT-4 技术报告（中文版） 报告2023-03-18OpenAI：GPT-4 技术报告（英文版） 报告2023-03-18工业4.0研究院：ChatGPT对数字孪生体倒退的启发 报告2023-03-12华东政法大学：人工智能通用大模型（ChatGPT）的停顿、危险与应答 报告2023-03-09哈尔滨工业大学：ChatGPT调研报告 报告2023-03-07智谱钻研：ChatGPT团队背景钻研报告 报告2023-03-04甲子光年：2023AIGC市场钻研报告及ChatGPT推动的改革趋势与... 报告2023-02-28浙商证券：ChatGPT钻研框架 报告2023-02-15国泰君安：ChatGPT或引领游戏产业革命 报告2023-02-15国泰君安：ChatGPT钻研框架（2023） 报告2023-02-10真格基金：ChatGPT 报告2023-02-09华西证券：ChatGPT-从新定义搜寻“入口” 报告2023-02-09量子位智库：三分钟看懂ChatGPT 报告2023-02-08中信建投：从CHAT_GPT到生成式AI（Generative AI）... 报告2023-02-01中伦：2023公司控制权抢夺钻研报告：法律大模型剖析与数据挖掘 报告2023-09-01红餐品牌研究院：小吃店模型翻新剖析报告2023 报告2023-09-01海尔智家：2023智能家电与生成式人工智能大模型-翻新与倒退白皮书 报告2023-09-01和而泰：2023基于家电大模型的产业利用白皮书 报告2023-08-30InfoQ钻研核心：2023中国人工智能成熟度模型报告 报告2023-08-28浪潮信息：AIGC大模型算力平台参考设计 报告2023-08-27头豹：2023年中国3D建模行业-3D建模-虚构模型制作过程（摘要版） 报告2023-08-26清华大学：2023大语言模型综合性能评估报告 报告2023-08-23中国移动研究院：体系化人工智能与大模型 报告2023-08-22中国移动研究院：6G内生AI架构及AI大模型 报告2023-08-21中国电子技术标准化研究院：常识图谱与大模型交融实际钻研报告 报告2023-08-16新华社研究院中国企业倒退钻研核心：人工智能大模型体验报告2.0 报告2023-08-16MarketUP：ChatGPT prompt指令模型大全 报告2023-08-15中国移动：2023“弈衡”通用大模型评测体系白皮书 报告2023-08-12商汤：2023大模型伦理准则与实际白皮书-日日新思无邪 报告2023-08-01爱剖析：中国市场大模型落地停顿与趋势洞察 报告2023-07-31安世亚太：数字孪生是基于模型的体系工程 报告2023-07-31BDS国家工程核心：2023大语言模型提醒注入攻打平安危险剖析报告 报告2023-07-31速途网&大模型之家：人工智能大模型产业翻新价值钻研报告 报告2023-07-27甲子光年：AIGC通用大模型产品测评篇 报告2023-07-25工业互联网产业联盟：工业互联网标识解析-标识数据模型白皮书 报告2023-07-25TE智库：2023中国通用大模型内容生成及安全性能力评测报告 报告2023-07-23易观剖析：大模型对企业数智化降级与业务经营的影响与应答 报告2023-07-20浙江大学大模型时代：智能设计的时机和挑战 报告2023-07-20中国工业互联网研究院：通用人工智能大模型工业畛域常识问答性能评估 报告2023-07-11腾讯研究院：大模型时代的AI十大趋势察看-人机共生 报告2023-07-11普华永道：气象数据价值系列白皮书之三：撬动气象数据价值新模型白皮书 报告2023-06-16之江实验室：2023生成式大模型平安与隐衷白皮书 报告2023-06-11中国移动研究院：面向AI大模型的智算核心网络演进白皮书 报告2023-06-03新华社研究院：人工智能大模型体验报告 报告2023-06-02InfoQ：大语言模型综合评测报告2023 报告2023-05-30中国移动：我国人工智能大模型倒退动静 报告2023-05-19沙利文：AI大模型市场钻研报告（2023）-迈向通用人工智能，大模型拉... 报告2023-05-17艾瑞征询：ChatGPT浪潮下，看中国大语言模型产业倒退 报告2023-04-12浙商证券：AI行业深度报告-ChatGPT-AI模型框架钻研 报告2023-03-28腾讯：2023全域用户经营白皮书：STAR模型，从用户经营到生意增长 报告2023-03-21德勤：生产元宇宙塑造商业新模型 报告2023-03-13百信银行：商业银行“Bank Digital Mesh”数字化成熟度评... 报告2023-03-13华东政法大学：人工智能通用大模型（ChatGPT）的停顿、危险与应答 报告2023-03-09IDC：2022中国大模型倒退白皮书-元能力引擎筑基智能底座 报告2023-03-07百信银行：商业银行“Bank Digital Mesh”数字化成熟度评... 报告2023-02-27IDC：2022中国大模型倒退白皮书⸺元能力引擎筑基智能底座 报告2023-02-21微伴助手：私域商业模型剖析与案例解析 报告2022-09-01智篆：数智化转型：钻石模型白皮书 报告2022-03-30工业互联网产业联盟：工业互联网信息模型园区利用白皮书 报告2021-12-29腾讯&智来时代：2021新职业教育机构数字化经营模型 报告2021-12-22太平洋：传媒互联网行业专题-海内AIGC利用停顿之游戏篇 报告2023-09-07甲子光年：2023年中国AIGC产业算力倒退报告 报告2023-09-05浪潮信息：AIGC大模型算力平台参考设计 报告2023-08-27艾瑞征询：2023年中国AIGC产业全景报告 报告2023-08-24贝塔数据：2023 AIGC时代-手机银行财产治理能力建设白皮书 报告2023-08-18灵汐科技：2023年AIGC行业调研报告 报告2023-08-03无界AI：AIGC之AI绘画行业倒退钻研报告2023 报告2023-07-31头豹：2023年中国AIGC细分赛道钻研报告（上）-文本和图像率先利用... 报告2023-07-31软通智慧&人大：2023年AIGC赋能城市治理利用白皮书 报告2023-07-27甲子光年：AIGC通用大模型产品测评篇 报告2023-07-25量子位：2023 AIGC算力全景与趋势报告 报告2023-07-24TE智库：2023AIGC+营销价值与利用钻研报告 报告2023-07-21亿欧智库：2023中国AIGC商业后劲钻研报告 报告2023-07-10腾讯云：AI2.0时代如何通过AIGC打造爆款营销内容？ 报告2023-07-06清华大学：从营销AIGC化到AIGC营销化0000 报告2023-07-05阿里云：玩转AIGC与利用部署 报告2023-07-02爱剖析：2023AIGC厂商全景报告 报告2023-07-01亚洲数据团体：智能时代的生产力改革：AIGC产业利用实际 报告2023-06-28猎聘：2023 AIGC人才趋势洞察报告 报告2023-06-20中国文化产业协会：中国文化元宇宙AIGC倒退钻研报告 报告2023-06-18亿欧智库：企业AIGC商业落地利用钻研报告 报告2023-06-07众安科技：2023 AIGC&ChatGPT保险行业利用白皮书 报告2023-05-26清华大学：AIGC倒退钻研1.0版0.91 报告2023-05-17亿欧智库：中国AIGC商用场景趋势捕获指北 报告2023-05-16复旦大学：AIGC时代的多模态常识工程思考与瞻望 报告2023-05-05拉勾：2023第一季度AIGC人才供需报告 报告2023-04-30华东师大：AIGC技术给教育数字化转型带来的时机与挑战 报告2023-04-28创客贴：AIGC产业倒退及利用白皮书 报告2023-04-26ArchSummit：营销畛域AIGC前沿停顿与挑战 报告2023-04-24复旦大学：AIGC时代的多模态常识工程思考与瞻望 报告2023-04-22百度：百度AIGC翻新内容营销解决方案 报告2023-04-22增长黑盒&黑盒点评：2023中国AIGC利用钻研报告 报告2023-04-18头豹：2022年中国AIGC行业钻研报告- 蓄势待发-数字内容的工业革... 报告2023-04-07甲子光年：2023AIGC利用与实际瞻望报告 报告2023-04-07量子位智库：AIGC产业全景图报告 报告2023-03-31亚信科技&清华大学：2023年AIGC（GPT-4）赋能通信行业利用白... 报告2023-03-29百度：2023百度AIGC翻新营销解决方案V2.0 报告2023-03-26脉脉：2023AIGC人才趋势报告 报告2023-03-26爱剖析：2023AIGC市场厂商评估报告：拓尔思 报告2023-03-24甲子光年：2023AIGC市场钻研报告及ChatGPT推动的改革趋势与... 报告2023-02-28腾讯研究院：AIGC发展趋势报告2023 报告2023-02-01中国信通院&京东：人工智能生成内容（AIGC）白皮书（2022年） 报告2022-09-07中国信通院：2022年人工智能生成内容（AIGC）白皮书 报告2022-09-03

报告链接：http://tecdat.cn/?p=32503最近几年，对那些致力于全球化的公司而言，国内市场上充斥着更多的不确定性与挑战。新冠疫情对寰球供应链的间接冲击，再加上日益加剧的地缘政治因素，导致寰球全球化过程减缓，国际贸易与外资在肯定水平上受到了影响。浏览原文，获取专题报告合集全文，解锁文末130份企业国际化相干行业钻研报告。 中国面临着很大的外部环境不确定因素，但外资却在一直地增长。中国在2020年的对外间接投资规模已跃居寰球首位。“一带一路”策略、“双循环”策略的施行，使中国企业走出了一条持重而自信的倒退之路。公司在逐步降级的过程中，也越来越集中。 全球化为中国企业的倒退注入了新的能源企业要想建设久远的竞争劣势，实现久远的倒退，就必须走国际化这条路。依据中国企业“走进来”考察，中国企业“走进来”的三个次要动机是：实现高增长；进步经营弹性；紧跟前沿技术。 实现高速增长 许多公司曾经意识到，在国内市场曾经趋于饱和的状况下，为了维持公司的高速倒退，他们不得不将眼光转向国外。考察结果表明，有92%的中国公司抉择了走出国门，并以此为撑持公司继续疾速倒退的根底。 2016至2020年，中国上市公司的海内支出持续增长，并已间断两年超过整体支出的增长速度。但在2019年当前，中国公司的海内支出增长因中美贸易摩擦而临时放缓。在2020年，尽管新冠疫情暴发，但因为中国是第一个打赢了防疫战的国家，各大公司都在稳步复原生产，再加上国外市场的需要越来越大，所以很多公司都抉择了国外销售，国外销售的速度比整体销售速度快了两个百分点。 本专题内的参考报告（PDF）目录贝恩公司：从“走进来”到“全球化”：中国企业加码国际化白皮书2023 报告2023-05-04GfK：研发驱动中国生产电子品牌 减速实现国际化与高端化 报告2023-05-04CCG：2023年中国国际化人才培养白皮书 报告2023-04-24国内沟通素养察看：中国与全球化智库-中国国际化人才培养白皮书 报告2023-04-23GfK：研发驱动中国生产电子品牌 减速实现国际化与高端化 报告2023-04-02埃森哲：2022中国企业国际化调研报告 报告2022-09-05埃森哲：走向寰球 行稳致远 - 埃森哲2022中国企业国际化调研 报告2022-08-31安永：中国企业出海并购后的数字化治理计划 报告2023-05-18亚马逊&普华永道：2023衰弱及生命科学行业出海合规实用指南 报告2023-05-16飞书点跃：2023小家电出海趋势洞察白皮书 报告2023-04-30亿欧智库：扬帆远航-服务助力-中国企业出海白皮书 报告2023-04-26OneSight：2023清洁家电品牌出海市场营销趋势洞察报告 报告2023-04-24领英：2023东南亚出海指南-新加坡篇 报告2023-04-21impact：2023出海营销手册-战略版 报告2023-04-19尼尔森IQ：2023年中国跨境电商平台出海白皮书 报告2023-04-17ADVANCE.AI：中国企业出海印度尼西亚倒退数字经济市场开辟指南 报告2023-04-09小U出海：2023社媒营销趋势报告 报告2023-04-08ADVANCE.AI：金融科技出海倒退报告汇编（第一辑） 报告2023-04-08飞书深诺：2023年中国企业出海信念报告 报告2023-04-05小U出海：2022美国电商市场报告 报告2023-04-02粤贸寰球：中国农产品跨境出海调研报告 报告2023-04-01SHOPLINE：2022 电动自行车行业DTC独立站出海攻略 报告2023-03-27凯度\&TikTok for Business：2023年SLG游戏出海... 报告2023-03-26SHOPLINE：2022户外行业品牌出海营销报告 报告2023-03-22SHOPLINE：2022美妆出海独立站营销报告 报告2023-03-21Nox聚星：2023跨境出海品牌海内网红营销白皮书 报告2023-03-20领英：2023东南亚出海指南-印度尼西亚篇 报告2023-03-19益普索：2023出海赛道趋势洞察-新锐生产篇 报告2023-03-17SHOPLINE：2023出海节日营销流量白皮书 报告2023-03-16头豹：出海营销0000 报告2023-03-15白鲸出海：2023日本游戏出海白皮书 报告2023-03-14飞书深诺：2023美妆护肤行业出海白皮书 报告2023-03-13维卓：2022东南亚网文漫画市场出海洞察报告 报告2023-03-10Daxue Consulting：中国品牌出海的10个常见误区 报告2023-03-07飞书深诺：2022年游戏出海年度趋势报告 报告2023-03-06西窗科技：宠物用品企业出海营销计划（2023） 报告2023-03-02SHOPLINE：出海新市场：一站售寰球解决方案 报告2023-03-01BBI&雷报：2023中国动漫出海前瞻报告 报告2023-02-24HRflag：2023从出海到大航海：跨境扩张带来的新一轮，人力资源挑... 报告2023-02-13爱剖析：2022出海数字化系列报告之“出海实时互动与通信”厂商全景报告 报告2023-02-11爱剖析：2022出海数字化系列报告之“出海实时互动与通信”厂商全景报告 报告2023-02-11品牌方舟：2022年度DTC品牌出海报告 报告2023-02-08OneSight：2022Q4BrandOSTOP100出海品牌社媒影... 报告2023-02-07神策数据：2022跨境出海数字化营销白皮书 报告2023-02-06飞书深诺：2022工具App出海市场钻研 报告2023-02-02速途车酷研究院：2023中国新能源汽车出海趋势剖析报告 报告2023-01-30维卓：2023出海营销日历 报告2023-01-28品牌方舟：2022年度DTC品牌出海报告 报告2023-01-28霞光社：2022年音视频社交出海市场钻研报告 报告2023-01-27赛文思：2022智能家居出海行业报告 报告2023-01-25罗兰贝格：中国车企出海白皮书-千帆过尽新征程，百舸争流新战场 报告2023-01-25飞书深诺：2022年金融科技出海白皮书 报告2023-01-17万里汇&增长黑盒：2023年中小微外贸企业出海白皮书 报告2023-01-07白鲸出海：2022中国手游出海白皮书 报告2023-01-04Nox聚星：2022年Q3美妆出海品牌KOL营销洞察报告 报告2022-12-30Meta：品牌出海攻略-迈向寰球 融入外乡 报告2022-12-30艺恩数据：服饰出海正过后 报告2022-12-17腾讯：2022出海产业新兴技术洞察报告 报告2022-12-17国海证券：充电桩行业深度报告-低压快充乘风起-出海正过后 报告2022-12-17易观剖析：2022年中国新能源汽车出海市场倒退洞察 报告2022-12-1536氪：2022年中国出海品牌营销钻研报告 报告2022-12-12中泰证券：充电桩行业报告-海内市场空间空前显著-看好出海布局及直流快充... 报告2022-12-09腾讯云&头豹：2022年中国出海产业趋势洞察白皮书 报告2022-12-05灼识征询：2022寰球与中国出海合规科技行业蓝皮书 报告2022-12-03OneSight：2023出海营销日历 报告2022-11-26App Growing：2022中国角色扮演手游出海洞察 报告2022-11-25艺恩数据：2022美妆出海-巨轮驶向海内如何乘风破浪 报告2022-11-24钛动科技：2022出海营销日历 报告2022-11-24浙商证券：电商系列深度报告-“出海+社区拼团+品牌化+领取”-迎增长和... 报告2022-11-17飞书深诺&艾瑞征询：2022MeetBrands中国出海品牌价值榜单报... 报告2022-11-15艾瑞征询：2022年MeetBrands中国出海品牌价值榜单报告 报告2022-11-10飞书深诺&艾瑞征询：2022中国出海品牌价值榜单报告 报告2022-11-09OneSight：中国运动鞋服品牌出海社媒营销趋势报告 报告2022-11-09宽广大：2022年Q3热门出海国家地区寰球营销趋势洞察 报告2022-11-07yinolink：2022跨境电商品牌出海白皮书 报告2022-11-03<!---->OneSight：2022Q3出海品牌社媒影响力榜单 报告2022-10-31易观剖析：”2022年中国快递出海市场倒退洞察 报告2022-10-27Twitter：无界畅游：2022年游戏出海寰球洞察白皮书 报告2022-10-26Meltwater融文：中国企业出海过程中的品牌建设实战 报告2022-10-26BCG：中国药企翻新药出海总体趋势与挑战 报告2022-10-21萃弈\&NielsenIQ：北美手游市场品牌出海增长白皮书 报告2022-10-20德勤：从出海向全球化飞跃-中国车企的第二增长曲线 报告2022-10-15AllVAlUE\&COZMOX：2022新品牌出海地图 报告2022-10-14天风证券：风电·深度-抗通缩是底层逻辑-看好海风的大型化、海风出海和国... 报告2022-10-13领英：光伏出海数字营销速成手册 报告2022-10-12有赞：2022新品牌出海地图 报告2022-10-06白鲸出海&融云：2022社交泛娱乐出海白皮书 报告2022-10-04守业邦：2022中国企业出海生态倒退报告 报告2022-10-03白鲸出海：2022Snapchat中东手游白皮书 报告2022-10-03德勤\&Tik Tok：2022电商出海营销白皮书 报告2022-09-2736氪：2022年隐衷爱护下的出海企业营销钻研报告 报告2022-09-27Nox聚星：2022年3C出海品牌KOL营销数据洞察 报告2022-09-24亿邦智库：2022独立站出海领取钻研报告 报告2022-09-16亚马逊：智能家居出海翻新实际手册 报告2022-09-14数数科技：2022中国手游出海日韩市场洞察 报告2022-09-07亿邦智库：无效翻新-2022DTC品牌出海倒退报告 报告2022-08-31亿邦智库：独立站出海领取钻研报告 报告2022-08-31萃弈：北美手游市场品牌出海增长白皮书 报告2022-08-23Meta：DTC品牌出海行业报告及实操宝典 报告2022-08-14菜鸟：中国品牌出海跨境物流白皮书 报告2022-08-11易点天下：在线教育出海趋势剖析 报告2022-08-05宽广大：2022年出海模仿经营手游寰球营销洞察报告 报告2022-08-02品牌星球&小航海：DTC出海服务商手册2022 报告2022-08-01OneSight：2022Q2出海品牌社媒影响力榜单 报告2022-08-01Meta：金融科技出海新机遇营销手册 报告2022-08-01亚马逊：智能家居出海翻新实际手册 报告2022-07-25AppGrowing：社交博彩手游出海投放 报告2022-07-05埃森哲：中国社交电商出海指南 报告2022-06-21亿邦智库：细分增长 2022东南亚跨境电商出海报告 报告2022-06-17亿欧智库：2022中国品牌出海服务市场钻研报告 报告2022-06-14AppGrowing：创意素材解析，玩转互动音频App出海投放 报告2022-06-10汇量科技：国内手游出海白皮书 报告2022-06-09Meltwater：乘风破浪出海去 中国出海品牌的跨境摸索与胜利 报告2022-05-31艾瑞征询：2022年挪动利用出海趋势洞察白皮书 报告2022-05-24Facebook：中国教育行业出海白皮书 报告2022-05-13SEVENS：2022泛亚美妆出海行业报告 报告2022-05-11OneSight：2022Q1 BrandOS TOP100出海品牌社... 报告2022-04-22易点天下：教育科技行业出海洞察 报告2022-04-19酷量科技：2021中国移动游戏出海年度报告 报告2022-03-24SHOPLINE：2022年服装行业出海营销报告 报告2022-03-24OneSight：BrandOS 2021 Q4出海品牌社媒影响力榜单 报告2022-03-23Meltwater：2022年出海企业社媒白皮书 报告2022-03-04Meta：家电及3C产品出海白皮书 报告2022-01-14App Growing：玩转创意，休闲赛道出海新机会 报告2022-01-14App Growing：中国游戏出海发行策略剖析2021 报告2022-01-14App Growing：2021年网文漫画出海白皮书 报告2022-01-14普华永道：元宇宙，VRAR与云游戏瞻望 – 中国游戏出海白皮书2021 报告2022-01-04

全文下载链接：http://tecdat.cn/?p=21506最近咱们被客户要求撰写对于TV-PSTR的钻研报告，包含一些图形和统计输入。 在本文中，当采纳两种状态时，单转换函数PSTR模型具备两个变量： 咱们的教训办法的根底包含评估N个国家的资本流动性。相应的模型定义如下： 其中，Iit是第i个国家在工夫t时察看到的国内投资与GDP的比率，Sit是国内储蓄与GDP的比率，i示意单个固定效应。残差it假设为i.i.d.（0，2）。Corbin（2001）特地应用了该模型，该模型有两个次要毛病。 首先，它假如在小组的N个国家之间资本的国内流动水平雷同，即i=，∀i=1，…，N。很显著，即便仅思考经合组织国家，这种假如也是不事实的。如前所述，曾经确定了许多显著影响资本流动的因素：国家规模、人口年龄结构、凋谢水平等。因而，假如i=意味着这些因素不影响资本流动。这样的假如显然过于严格。 其次，方程（1）表明，在模型的预计期内，储蓄保留系数是常数。这一假如也是不事实的，特地是当咱们思考具备足够长时间维度的宏观面板时：很显著，典型经合组织国家的资本流动性在60年代和90年代并不相同。 点击题目查阅往期内容 R语言面板平滑转换回归(PSTR)剖析案例实现 左右滑动查看更多 01 02 03 04 自70年代中期以来，次要经合组织国家的资本管制和资本跨境流动阻碍曾经打消，FH系数随着工夫的推移呈降落趋势。实际上，Obstfeld和Rogoff（2000）在1990-1997年期间的回归中发现，经合组织国家的储蓄保留系数为0.60，而FH在1960-74年期间16个经合组织国家的文章中强调的储蓄保留系数为0.89。因而，没有理由假如参数（参数i）是工夫不变的。 一般来说，这两个问题不能同时解决。例如，能够通过假如FH参数i是随机散布的来思考异质面板模型5。然而，在这样一个随机系数模型中，资本的流动性被假设为工夫不变的。此外，在一个简略的随机系数模型（Swamy，1970）中，参数i被假设为独立于解释变量。换言之，假如FH系数与国内储蓄与GDP之比无关。因而，它们的可变性是其余未指明的构造因素的后果。 解决这两个问题的办法是在线性面板模型中引入阈值效应。在这种状况下，第一种解决方案是应用简略面板阈值回归（PTR）模型（Hansen，1999），正如Ho（2003）所倡议的那样。在这种状况下，极其状态之间的转换机制非常简单：在每个日期，如果察看到的某个国家的阈值变量小于某个给定值，称为阈值参数，资本流动性是由一个特定的模型（或机制）来定义的，它不同于阈值变量大于阈值参数时应用的模型。例如，让咱们思考一个具备两个极其状态的PTR模型：解决这两个问题的办法是在线性面板模型中引入阈值效应。 具备单个地位参数（m = 1）的逻辑转换函数： 能够证实，I w.r.t S的弹性是时变的 我认为提取这些随工夫变动的系数对所有个体来说都是很直观的，因为它们显示了感兴趣的关系的动静，补充了转换函数的可视化。 假如咱们将此利用于Hansen数据的状况（4个变量而不是2个变量，但下面的公式实用）。咱们想钻研债权程度对投资的影响，条件是抉择转换变量为托宾Q。让咱们首先拟合模型： PSTR(data, dep='inva', indep=4:20, indep_k=c('vala','debta','cfa','sales'),tvars=c('vala'), iT=14)而后计算时变系数，并提取样本中前三家公司的托宾Q程度 for (i in 1:n){ va_i<-vala[cusip==id[i]] g<-(1+exp(-gamma*(va_i-c)))^(-1) tvc_i<-est[2] + mbeta*g最初绘制这些工夫序列： matplot(tvc, type = 'l', lwd=2,col = 1:3, xaxt='n'axis(1, at=1:nrow(tvc), labels=c(1974:1987)); legend("topleft", legend = matplot(vala, type = 'l', lwd=2,col = 1:3, xaxt = 'n', xlab='年'; axis(1, at=1:nrow(tvc), labels=c(1974:1987));legend("topleft", legend = paste('公司',colnames(vala),sep=''),咱们能够看到，投资w.r.t债权的弹性随着工夫的推移而变动，并且取决于Q的程度：Q越高（领有更多投资机会的公司），影响越强。特地是Q（2824）最高的公司（绿色曲线，右图）体现出最稳固的关系（绿色曲线，左图）。 ...

全文链接：http://tecdat.cn/?p=32198最近咱们被客户要求撰写对于神经网络的钻研报告，包含一些图形和统计输入。 多元工夫序列建模始终是吸引了来自经济，金融和交通等各个领域的钻研人员的主题 （ 点击文末“浏览原文”获取残缺代码数据 ）。 多元工夫序列预测的一个根本假如是，其变量相互依赖。 在本文中，咱们专门针对客户的多元工夫序列数据设计了神经网络框架，拟合单隐层神经网络，可能存在跳跃层连贯。 查看数据 其中Y为因变量，工夫、Y1、Y2为自变量。 读取数据data=read.xlsx("my data.xlsx") head(data) 建设神经网络模型建设单暗藏层神经网络，size参数能够确定暗藏层的节点数量，maxit管制迭代次数。 require(nnet)## Loading required package: nnet #设置因变量   y=data$Y #  y<-data.frame((y-min(y))/(max(y)-min(y)))  names(y)<-'y' 绘制拟合数据 点击题目查阅往期内容 【视频】Python用LSTM长短期记忆神经网络对不稳固降雨量工夫序列进行预测剖析|数据分享 左右滑动查看更多 01 02 03 04 预测将来的20年数据foreY1=0      foreY1=predict(mod2,data.frame(T=foreyear)  )预测新变量datanew= data.frame(T=foreyear,Y1=foreY1,Y2=foreY2) 绘制将来20年的工夫序列pre=ts(pre,start = c(2015),f=1) ###############################绘制将来20年的工夫序列plot(pre, axes = F,col=2,type="l")axis(side = 1 ,col=10) 点击文末 “浏览原文” 获取全文残缺代码数据资料。 本文选自《R语言神经网络模型预测多元工夫序列数据可视化》。 点击题目查阅往期内容 深度学习实现自编码器Autoencoder神经网络异样检测心电图ECG工夫序列spss modeler用决策树神经网络预测ST的股票 Python中TensorFlow的长短期记忆神经网络(LSTM)、指数挪动平均法预测股票市场和可视化 RNN循环神经网络 、LSTM长短期记忆网络实现工夫序列长期利率预测 联合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络工夫序列剖析 深度学习：Keras应用神经网络进行简略文本分类剖析新闻组数据 用PyTorch机器学习神经网络分类预测银行客户散失模型 PYTHON用LSTM长短期记忆神经网络的参数优化办法预测工夫序列洗发水销售数据 Python用Keras神经网络序列模型回归拟合预测、准确度检查和后果可视化 R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类：训练与后果评估可视化 深度学习：Keras应用神经网络进行简略文本分类剖析新闻组数据 Python用LSTM长短期记忆神经网络对不稳固降雨量工夫序列进行预测剖析 R语言深度学习Keras循环神经网络(RNN)模型预测多输入变量工夫序列 R语言KERAS用RNN、双向RNNS递归神经网络、LSTM剖析预测温度工夫序列、 IMDB电影评分情感 Python用Keras神经网络序列模型回归拟合预测、准确度检查和后果可视化 Python用LSTM长短期记忆神经网络对不稳固降雨量工夫序列进行预测剖析 R语言中的神经网络预测工夫序列：多层感知器（MLP）和极限学习机（ELM）数据分析报告 R语言深度学习：用keras神经网络回归模型预测工夫序列数据 Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类 R语言KERAS深度学习CNN卷积神经网络分类辨认手写数字图像数据（MNIST） MATLAB中用BP神经网络预测人体脂肪百分比数据 Python中用PyTorch机器学习神经网络分类预测银行客户散失模型 R语言实现CNN（卷积神经网络）模型进行回归数据分析 SAS应用鸢尾花(iris)数据集训练人工神经网络(ANN)模型 【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析 Python应用神经网络进行简略文本分类 R语言用神经网络改良Nelson-Siegel模型拟合收益率曲线剖析 R语言基于递归神经网络RNN的温度工夫序列预测 R语言神经网络模型预测车辆数量工夫序列 R语言中的BP神经网络模型剖析学生问题 matlab应用长短期记忆（LSTM）神经网络对序列数据进行分类 R语言实现拟合神经网络预测和后果可视化 用R语言实现神经网络预测股票实例 应用PYTHON中KERAS的LSTM递归神经网络进行工夫序列预测 python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译 用于NLP的Python：应用Keras的多标签文本LSTM神经网络分类 ...

原文链接：http://tecdat.cn/?p=19211最近咱们被客户要求撰写对于疫情数据的钻研报告，包含一些图形和统计输入。 本文用matlab剖析疫情数据集数据源咱们查看解压缩的文件。蕴含: confirmed.csv-确诊病例的工夫序列数据deaths.csv-死亡人数的工夫序列数据recovered.csv-痊愈人数的工夫序列数据地图上可视化咱们在地图上可视化已确诊病例的数量。咱们首先加载纬度和经度变量。 opts = detectImportOptions(filenames(4), "TextType","string");数据集蕴含“省/州”变量，但咱们要在“地区”等级汇总数据。在此之前，咱们须要略微整顿一下数据。 当初，咱们能够应用  groupsummary  将已确认的案例相加并均匀经纬度来按地区汇总数据。 country = groupsummary(times_conf,"Country/Region",{'sum','mean'},vars(3:end));输入中蕴含不必要的列，例如纬度和经度的总和。咱们删除这些变量。 vars = regexprep(vars,"^(sum_)(?=L(a|o))","remove_");vars = regexprep(vars,"^(mean_)(?=[0-9])","remove_");<!----> 让咱们应用  geobubble  可视化数据集中的第一个和最初一个日期数据。<!----> for ii = [4, length(vars)]    times_conf_exChina.Category = categorical(repmat("<100",height(times_conf_exChina),1));    times_conf_exChina.Category(table2array(times_conf_exChina(:,ii)) >= 100) = ">=100";    gb.LegendVisible = "off"; 点击题目查阅往期内容 Python用RNN神经网络：LSTM、GRU、回归和ARIMA对COVID19新冠疫情人数工夫序列预测 左右滑动查看更多 01 02 03 04 美国确诊病例 进入省/州级别。 figuret = tiledlayout("flow");for ii = [5, length(vars)]    gb.BubbleColorList = [1,0,1;1,0,0];    gb.LegendVisible = "off";    gb.Title = "As of " + vars(ii);    gb.SizeLimits = [0, max(times_conf_us.(vars{length(vars)}))];    gb.MapCenter = [44.9669 -113.6201];    gb.ZoomLevel = 1.7678; 能够看到它始于华盛顿，并在加利福尼亚和纽约暴发了大规模疫情。 按确诊病例排名国家/地区让咱们比拟按国家/地区确认的病例数。日期工夫格局中存在不统一之处，因而咱们一开始会将其视为文本。 opts = detectImportOptions(filenames(3), "TextType","string","DatetimeType","text");清理日期工夫格局。 Data.nDate = regexprep(Data.Date,"\/20$","/2020");Data.Date = datetime(Data.Date);咱们还须要标准化“国家/地区”中的值。 Country_Region(Country_Region == "Iran (Islamic Republic of)") = "Iran";数据集蕴含省/州变量。让咱们在“国家/地区”级别汇总数据。 countryData = groupsummary(provData,{'ObservationDate','Country_Region'}, ...    "sum",{'Confirmed','Deaths','Recovered'});countryData蕴含每日累积数据。咱们只须要最新的数字。 确认病例按国家/地区的增长咱们还能够查看这些国家中病例的增长速度。 figureplot(countryData.ObservationDate(countryData.Country_Region == labelsK(2)), ...hold onfor ii = 3:length(labelsK)    plot(countryData.ObservationDate(countryData.Country_Region == labelsK(ii)), ... 只管韩国显示出增长放缓的迹象，但它在其余中央正在减速倒退。 按国家/地区划分的新病例增长咱们能够通过减去两个日期之间已确认病例的累计数量来计算新病例的数量。 for ii = 1:length(labelsK)    country = provData(provData.Country_Region == labelsK(ii),:);    country = groupsummary(country,{'ObservationDate','Country_Region'}, ...    if labelsK(ii) ~= "Others"        nexttile您能够看到，中国和韩国没有很多新病例。可见，曾经遏制住了疫情。 咱们来看看仍有多少沉闷病例。您能够通过从确诊病例中减去复原病例和死亡来计算沉闷病例。for ii = 1:length(labelsK)    by_country{ii}.Active = by_country{ii}.Confirmed - by_country{ii}.Deaths - figure 拟合曲线无效案例的数量正在降落，曲线看起来大抵为高斯曲线。咱们能够拟合高斯模型并预测流动案例何时为零吗？ 我应用  曲线拟合工具箱  进行高斯拟合。 ft = fittype("gauss1");[fobj, gof] = fit(x,y,ft,opts);gof<!----> gof =   struct with fields:           sse: 4.4145e+08       rsquare: 0.9743           dfe: 47    adjrsquare: 0.9732          rmse: 3.0647e+03让咱们通过减少20天来将输入预测。 当初咱们对后果进行绘制。 figurearea(ObservationDate,by_country{1}.Active)hold onplot(xdates,yhat,"lineWidth",2) 韩国让咱们来查看韩国的沉闷病例，复原案例和死亡人数。 应用高斯模型无奈取得任何适合的后果。 点击文末 “浏览原文” 获取全文残缺材料。 本文选自《matlab用高斯曲线拟合模型剖析疫情数据》。 点击题目查阅往期内容 联合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络工夫序列剖析\自然语言解决NLP：主题LDA、情感剖析疫情下的新闻文本数据\联合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络工夫序列剖析\自然语言解决NLP：主题LDA、情感剖析疫情下的新闻文本数据\联合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络工夫序列剖析\用航空公司简单网络对疫情进行建模\自然语言解决NLP：主题LDA、情感剖析疫情下的新闻文本数据\疫情下的在线教学数据观\Fama French (FF) 三因子模型和CAPM模型剖析股票市场投资组合危险/收益可视化\配对交易策略统计套利量化交易剖析股票市场\Copula 算法建模相依性剖析股票收益率工夫序列案例\用COPULA模型进行蒙特卡洛(MONTE CARLO)模仿和拟合股票收益数据分析\R应用LASSO回归预测股票收益\金融工夫序列模型ARIMA 和GARCH 在股票市场预测利用\工夫序列分析模型：ARIMA-ARCH / GARCH模型剖析股票价格\自然语言解决NLP：主题LDA、情感剖析疫情下的新闻文本数据\在R语言中应用航空公司简单网络对疫情进行建模\matlab用高斯曲线拟合模型剖析疫情数据\R语言ARIMA-GARCH稳定率模型预测股票市场苹果公司日收益率工夫序列\R语言中的工夫序列分析模型：ARIMA-ARCH / GARCH模型剖析股票价格\R语言用综合信息准则比拟随机稳定率（SV）模型对股票价格工夫序列建模\R语言回测交易：依据历史信号/交易创立股票收益曲线\Python中TensorFlow的长短期记忆神经网络(LSTM)、指数挪动平均法预测股票市场和可视化\R语言k-Shape工夫序列聚类办法对股票价格工夫序列聚类\R语言逻辑回归Logistic回归剖析预测股票涨跌\R语言时变稳定率和ARCH，GARCH，GARCH-in-mean模型剖析股市收益率工夫序列\R语言中的copula GARCH模型拟合工夫序列并模仿剖析\R语言多元Copula GARCH 模型工夫序列预测\R语言ARMA-GARCH-COPULA模型和金融工夫序列案例R语言多元CopulaGARCH模型工夫序列预测R语言乘法GARCH模型对高频交易数据进行波动性预测\R语言GARCH-DCC模型和DCC（MVT）建模预计\Python应用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模仿进行股价预测\R语言工夫序列GARCH模型剖析股市稳定率\R语言ARMA-EGARCH模型、集成预测算法对SPX理论稳定率进行预测\matlab实现MCMC的马尔可夫转换ARMA - GARCH模型预计\Python应用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模仿进行股价预测\应用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略\R语言用多元ARMA,GARCH ,EWMA, ETS,随机稳定率SV模型对金融工夫序列数据建模\R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性剖析\R语言多元Copula GARCH 模型工夫序列预测\R语言应用多元AR-GARCH模型掂量市场危险\R语言中的工夫序列分析模型：ARIMA-ARCH / GARCH模型剖析股票价格\R语言用Garch模型和回归模型对股票价格剖析\GARCH（1,1），MA以及历史模拟法的VaR比拟\matlab预计arma garch 条件均值和方差模型\R语言ARMA-GARCH-COPULA模型和金融工夫序列案例 ...

全文链接：http://tecdat.cn/?p=31745原文出处：拓端数据部落公众号最近咱们被客户要求撰写对于贷款守约预测的钻研报告，包含一些图形和统计输入。 近几年来，各家商业银行陆续推出多种贷款业务，如何辨认贷款守约因素曾经成为各家商业银行衰弱有序倒退贷款业务的要害。在贷款守约预测的数据的根底上，摸索是否能通过借贷者的数据判断其守约危险，从而帮忙商业银行提前做好应答。 解决方案工作/指标依据借款者的个人信息和贷款的属性，使用SAS EM软件，应用多种模型进行剖析。 数据源筹备因获取数据的能力无限，并为了保障数据量足够微小且数据品质较高，咱们抉择了贷款守约预测的数据。整个数据集为有800,000条数据，每条数据除了ID、是否守约isDefault该目标值，还包含loanAmnt、term、interestRate、installment、grade、employmentTitle、employmentLength、homeOwnership 29个变量，变量的具体情况在数据摸索中进行形容。 特色转换为了进一步探索issueDate和earliesCreditLine这两个工夫ID的工夫长远性是否会对咱们的预测产生影响，另外减少了两个变量，别离是interval_issueDate和Interval_earliesCreditLine,都是用2020减去issueDate和earliesCreditLine的年份失去的。对缺失数据进行补缺，批改年份变量为区间型变量并对其进行分箱解决，对偏正态分布的变量进行对数解决，回绝单值型变量。 划分训练集和测试集划分数据集的50%为训练集，50%为验证集。 建模应用逐渐Logistic回归回归结果显示，贷款守约危险与年收入负相关，与债权支出比正相干，与利率正相干，与贷款金额正相干；对于分类变量，贷款年限3年的贷款守约危险显著小于贷款5年，2013-2015年的贷款守约危险显著大于2015-2017年等等。 决策树应用二分支和三分支决策树进行剖析，结果显示影响贷款守约的重要因素有homeOwnership、ficoRangeHigh、dti、grade、term、issueDate等。 随机森林调参后设置最大树个数为100，最大深度为50，显著性程度为0.05，结果显示训练误分类率为0.1964，验证误分类率为0.1974，依据Gini缩减，对分类准确度影响较大的变量为grade、interestRate、term、dti、ficoRangeHigh等。 模型比拟通过比拟发现，Logistic回归具备最小的验证误分类率，为0.1965，其次是三分支决策树和随机森林，最差的为二分支决策树。 在累积晋升度和ROC曲线上，Logistic回归和随机森林体现相近，二分支决策树和三分支决策树体现相近，然而Logistic回归和随机森林模型体现显著优于两个决策树模型。 逐步回归模型的验证误分类率低于决策树1、决策树2和随机森林模型，这表明在这四个模型中，逐步回归模型相比其余模型对于新样本具备更强的泛化能力，在对新样本守约概率的预测上更加精确。 依据后果，就数值型变量而言，守约危险与借款人的债权支出比dti、循环额度利用率revolUtil、贷款利率interestRate、贷款金额loanAmnt、借款人信用档案中未结信用额度的数量openAcc显著正相干；与待业职称employmentTitle、年收入annualIncome、借款人在贷款发放时的FICO所属的上限范畴ficoRangeLow、分期付款金额installment、信贷周转余额共计revolBal、借款人信用档案中以后的信用额度总数totalAcc显著负相关。 对于贷款发放年份issueDate，相较于2017年6月之后发放的贷款，2013年6月之前发放的贷款守约危险显著更大，贷款发放年份在2013.6-2015.6年的守约危险稍低，在2015.6-2017.6年的贷款则显著更小。 申请类型applicationType为0时，其守约危险显著小于其值为1时。 绝对于贷款等级G，贷款等级为A、B、C时，其守约危险显著更大，贷款等级为D、E、F时，守约危险则显著更小。 绝对于屋宇所有权情况homeOwnership为5时，homeOwnership为1时，守约危险显著更小，homeOwnership为0,2,3时，守约危险减小，但其后果在统计学上不显著；homeOwnership为4时，守约危险升高，但在统计学上依然不显著。 贷款用处purpose为0,4,5,8,12时，守约危险显著大于用处为13，用处为1,7,9时，守约危险显著更小，用处为2,3,6,10,11时，其守约危险绝对于13没有统计学意义。 贷款期限term为3年时，其守约危险显著小于贷款期限为5年。 验证状态verificationStatus为0时，绝对于其值为2时守约危险显著更大。其值为1时则绝对于2守约危险显著更小。 因而，倡议贷款发放机构在评估借款人的守约危险时，重点关注借款人的负债支出比、待业职称、年收入、屋宇所有权情况等个人信息，并剖析借款人的借款行为，包含其申请贷款的金额、利率、分期付款金额、用处、申请类型、贷款等级、贷款期限、验证状态，考察借款人的历史借款记录，包含循环额度利用率、借款人信用档案中未结信用额度的数量、贷款发放时的FICO所属的上限范畴、信贷周转余额共计、信用档案中以后的信用额度总数。 对于曾经发放的贷款，如果贷款行为产生于2013年6月之前，贷款发放机构应该尽快追回并做好坏账筹备。 对于分析师在此对Jiasong Xue对本文所作的奉献示意诚挚感激，他在中山大学实现了管理科学业余的学位，专一商业数据分析畛域。善于SPSS、R语言、Python。

全文链接：http://tecdat.cn/?p=32496原文出处：拓端数据部落公众号人口流动与迁徙，作为人类产生以来就存在的一种社会景象，随同着人类文明的不断进步从未间断。 人力资源是社会文化提高、人民富裕幸福、国家人寿年丰的外围推动力量。以后，我国经济正处于从以政府主导的投资驱动型的经济“旧常态”向以市场需求为主导的经济“新常态”转型过渡期。 本文帮忙客户综合使用R语言灰色预测模型和logistic逻辑回归模型，以及综合使用ARIMA模型和logistic模型，失去武汉市外省流入人口规模的预测。 文献回顾国内对于流动人口的定量预测模型有很多,如马尔萨斯模型1、马尔可夫链模型[2]、指数平滑预测模型[3]、宋健模型、BP神经网络模型、单变量的双曲模型[4]、零碎动力学模型、Leslie人口预测模型[5]、年龄移算法[6-8]以及CPPS 软件预测等。然而,在经济学和管理学领域内﹐最为次要的有三种,别离是: 第一,灰色预测模型。1982年,我国学者邓聚龙传授创建了灰色零碎实践﹐灰色零碎实践的钻研对象是“局部信息已知,局部信息未知”的“小样本”、“贫信息”不确定性零碎。GM(1,1)模型是最罕用的一种灰色模型,由一个只含单变量的一阶微分方程形成的模型。国内不少学者使用灰色预测模型对我国总人口规模的发展趋势进行预测[9-11]。还有一部分学者从区域倒退的角度登程,构建了一系列城市人口或区域流动人口的灰色预测模型[12一14]。为了缩小预测的误差,学者们进一步修改了GM(1,1)灰色预测模型，构建了“等维灰数递补动静预测”模型对人口进行定量预测[15]。 第二,Logistic曲线模型。Logistic曲线呈S形，称为成长曲线。Logistic方程最早由比利时数学家P. F. Verhult于1838年提出。但长期湮没﹐直到20世纪20年代被生物学家与人口统计学家R.Pearl和L.J. Reed从新发现。经不断完善和倒退，现宽泛用于人口和商业剖析中。我国学者多使用Logistic模型预测我国某地区的人口数量、流动人口规模等[16—20] 第三,工夫序列模型。工夫序列分析方法是伯克斯和詹金斯(Box-Jenkins)1976年提出的。 数据起源与解决将武汉市外省流入人口的工夫序列记为｛Ｙｔ｝。 武汉市外来流入人口数据表 ARIMA模型为升高原始数据随机稳定的影响，先要对原始数据进行平滑解决，本文采纳罕用的三点挪动平均法。计算公式如下： 首端点数据进行挪动均匀时，Ｙｔ－１取Ｙｔ，末端点数据进行挪动均匀时，Ｙｔ＋１取Ｙｔ。 另外，因为取对数，不会扭转数据的性质和关系，且失去的数据易打消异方差。 acf(dy) 而后用自相干图查看序列的平稳性，，最初发现一阶差分后的序列是安稳的。 \上面对平稳性序列 建设 模型 ,偏相关系数在滞后1期后很快地趋向于0，所以取p=1 ,自相关系数图形具备拖尾性，所以初步判断为ar(1)模型。 参数估计arima(dy,order=c(p,0,q) )which.min(aiclist$AIC)尝试不同的p和q的值，得出最优AIC的模型。 从AIC的后果来看，arima(2,1,1)模型领有最小的AIC值，因而为最优模型，因而将arima(2,1,1)模型作为最优模型。 对残差序列进行白噪声测验，通常思考残差序列的随机性，即用伯克斯.皮尔斯 提出的I统计量进行测验，用修改的I统计量： Box.test(model$residuals,type="Ljung") 在这里X-squared的值就是0.21927，概率值为0.6396,阐明回绝原假如。\犯第一类谬误的概率为0.6396，这阐明残差序列互相独立即为白噪声序列的概率很大，故不能回绝残差序列是一个白噪声序列，测验通过。 单位根平稳性测验 测验 建设arima模型进行比拟 ARIMA模型预测pred=predict(model, 15)$pred绘制预测序列工夫图plot( pred,type="b" ,main="ARIMA模型预测") 而arima模型预测的数据开始稳定较大，到前面有逐步安稳的趋势。 建设灰色模型GM（1，1）对应的函数GM11<-function(x0,t,x){     #x0为输出训练数据序列列，t为预测个数,x为原始数据（训练数据+测试集）   x1<-cumsum(x0) #一次累加生成序列1-AG0序列   b<-numeric(length(x0)-1)   n<-length(x0)-1   for(i in 1:n){ #生成x1的紧邻均值生成序列     b[i]<--(x1[i]+x1[i+1])/2     b} #得序列b，即为x1的紧邻均值生成序列   D<-numeric(length(x0)-1)   D[]<-1   B<-cbind(b,D)   BT<-t(B)#做逆矩阵计算相对误差e2<-numeric(length(x0))   for(s in 1:length(x0)){     e2[s]<-(abs(e[s])/x0[s]) #得相对误差   }   cat("绝对残差：",'\n',e2,'\n','\n')   cat("残差平方和=",sum(e^2),'\n')   cat("均匀相对误差=",sum(e2)/(length(e2)-1)*100,"%",'\n')   cat("绝对精度=",(1-(sum(e2)/(length(e2)-1)))*100,"%",'\n','\n')后验差比值测验avge<-mean(abs(e));esum<-sum((abs(e)-avge)^2);evar=esum/(length(e)-1);se=sqrt(evar)  #计算残差的方差画出输出序列x0的预测序列及x0的比拟图像plot(xy,col='blue',type='b',pch=16,xlab='工夫序列',ylab='值')   points(x,col='red',type='b',pch=4)拟合模型GM11(train,length(mynx),mynx) ...

全文链接：http://tecdat.cn/?p=31010原文出处：拓端数据部落公众号均衡不齐全区组设计（BIBD）是一个很好的钻研实验设计，具备从统计的角度看各种所需的特色。 最近咱们被要求撰写对于BIBD的钻研报告，包含一些图形和统计输入。 对于一个BIBD有K个观测，反复r次试验。还有第5参数lamda，记录其中每对医治产生在设计块的数目。 生成一组BIBD设计，设计行列和每块的元素具体数目。 如果BIBD(b,v,r,k)存在则 ：1=v 咱们设置区组 BIB(7,7, 4, 2)##      [,1] [,2] [,3] [,4] ## [1,]    2    3    5    6 ## [2,]    3    4    6    7 ## [3,]    1    2    4    6 ## [4,]    1    5    6    7 ## [5,]    2    4    5    7 ## [6,]    1    2    3    7 ## [7,]    1    3    4    5这种设计不是BIBD，因为解决不是所有反复的设计都有雷同的次数，咱们能够通过isGUID查看。对于本例： BIB(7,7, 4, 2)##      [,1] [,2] [,3] [,4] ## [1,]    2    3    5    6 ## [2,]    1    5    6    7 ## [3,]    2    4    5    7 ## [4,]    1    2    4    6 ## [5,]    1    2    3    7 ## [6,]    3    4    6    7 ## [7,]    1    3    4    5而后，咱们批改参数，来查看该模型是否生产BIBD ...

原文链接：http://tecdat.cn/?p=18279 最近咱们被客户要求撰写对于混合图形模型MGM的钻研报告，包含一些图形和统计输入。 网络模型曾经成为形象简单零碎，是深刻理解[许多迷信畛域]()中观测变量之间的关系模式的风行办法。这些应用程序大多数集中于剖析网络的构造。然而，如果不是间接察看网络，而是依据数据进行估算（如：吸烟与癌症之间存在关联），则除了网络结构外，咱们还能够剖析网络中节点的可预测性。也就是说：网络中的所有其余节点如何预测网络中的给定节点？ 可预测性乏味，有几个起因： 它给咱们提供了一个对于边的实用性的想法：如果节点A连贯到许多其余节点，然而这些仅阐明（假如）其方差的1％，那么边的连贯会是怎么的？它通知咱们网络的不同局部在多大程度上是由网络中的其余因素决定的在此博文中，咱们应用R-预计网络模型并计算地震灾民[数据集]()上的创伤后应激阻碍（PTSD）症状。咱们对网络模型和可预测性进行可视化，并探讨如何将网络模型和节点的可预测[性相]()联合来设计症状网络的无效干涉措施。 载入材料咱们加载提供的数据： data <- as.matrix(data)p <- ncol(data)dim(data)## [1] 312 17数据集蕴含对344人的17种PTSD症状的残缺反馈。症状强度的答案类别范畴从1“没有”到5“十分强”。  预计网络模型咱们预计了[混合图形模型]()，其中咱们将所有变量都视为间断高斯变量。因而，咱们将所有变量的类型设置为，type = 'g'并将每个变量的类别数设置为1： fit_obj <- (data = data, type = rep('g', p), level = rep(1, p), lambdaSel = 'CV', ruleReg = 'OR', pbar = FALSE)计算节点的可预测性预计网络模型后，咱们筹备计算每个节点的可预测性。因为能够通过顺次获取每个节点并对其上的所有其余节点进行回归来预计该图，因而能够轻松地计算节点的可预测性）。作为可预测性的度量，咱们抉择解释的方差的比例：0示意以后节点基本没有被节点中的其余节点解释，1示意完满的预测。咱们在估算之前将所有变量中心化，以打消截距的影响。 无关如何计算预测和抉择可预测性度量的具体阐明，请查看[本文]()。如果网络中还有其余变量类型（例如分类），咱们能够为这些变量抉择适当的度量。 pred_obj <- predict(object = fit_obj, data = datapred_obj$error## Variable R2## 1 intrusion 0.639## 2 dreams 0.661## 3 flash 0.601## 4 upset 0.636## 5 physior 0.627## 6 avoidth 0.686## 7 avoidact 0.681## 8 amnesia 0.410## 9 lossint 0.520## 10 distant 0.498## 11 numb 0.451## 12 future 0.540## 13 sleep 0.565## 14 anger 0.562## 15 concen 0.638## 16 hyper 0.676## 17 startle 0.626咱们计算了网络中每个节点的解释方差（R2）的百分比。接下来，咱们将预计的网络可视化，并探讨与解释方差无关的构造。 ...

全文链接：https://tecdat.cn/?p=33609原文出处：拓端数据部落公众号背景Reaven和Miller（1979）钻研了145名非瘦削成年人的葡萄糖耐量和胰岛素血液化学指标之间的关系。他们应用斯坦福线性加速器核心的PRIM9零碎将数据可视化为3D，并发现了一个奇异的图案，看起来像是一个有两个翼的大斑点。 本文帮忙客户应用这些数据来阐明多元线性模型的各种图形办法。正如咱们将看到的那样，这些数据在几个方面都是奇异的，并且规范的MANOVA存在问题，因为某些假如被违反了。 设置读取数据 str(Diabetes) 这些变量是： relwt：绝对体重，示意理论体重与人的身高相比的冀望体重的比率glufast：空腹血浆葡萄糖程度glutest：测试血浆葡萄糖程度，测量葡萄糖不耐受的水平，instest：测试中的血浆胰岛素，测量口服葡萄糖的胰岛素反馈，sspg：稳态血浆葡萄糖，测量胰岛素抵抗性group：诊断组数据的椭圆和方差齐性咱们首先绘制数据集中三个变量的协方差椭圆。 从这个后果中能够分明地看出，这里存在方差-协方差矩阵的异质性问题。失常组显示了最小的方差，而显著糖尿病组则显示了最大的方差。 covEllipses(Diabetes 在图表中的（a）和（b）面板中，从失常到化学再到显著仿佛存在间接的停顿。然而，在其余面板中并非如此，在那里化学糖尿病群体与正常人在一个方向上不同，而显著糖尿病群体在另一个方向上有所不同，并且其外部群体相关性与其余群体呈相同的符号。这在独自的散点图中更容易看到，例如以下示例。 这个发现是Reaven和Miller得出化学糖尿病和显著糖尿病反映不同疾病状态而不是逐步减轻的论断的局部起因。 另外，咱们留神到能够应用scatter3d`car`包中的三维散点图更容易地看到组之间的差别。 scatter3d 带有50％数据椭圆体的糖尿病数据的三维散点图 Box's M测验Box's M测验确认协方差矩阵存在显著的异质性。 diab.boxm <- box 对数行列式依照咱们在协方差椭圆图中看到的数据椭圆体的大小进行排序。 拟合MLM模型对组间均值差别拟合MANOVA模型。 MANOVA显示group对响应变量汇合有高度显著影响。 Anova(diab.mlm) 在 QQ 图中查看残差MANOVA 的另一个假如是残差遵从多元正态分布。能够通过卡方 QQ 图进行视觉评估。从下图能够看出，数据点与红色的等值线显著不同。有太多具备较大 D2 值的数据点。 qplot(da.ml) HE 图HE 图显示了各均值之间的 H 椭圆以及误差的 E 椭圆。 默认状况下，将绘制前两个响应变量。结果显示出在 Normal 和 Chemical 变量上的均值排序较为显著。 hplot(diab. 对于 MLM 的办法会给出一个散点图矩阵，其中蕴含所有响应变量之间的 HE 图。从后果中能够看出，Diabetes 变量的模式与其余变量不同。 pairs(diblm, fill=TRUE, fill.alpha=0.1) 典型判别分析典型判别分析将数据无效地投影到响应的线性组合空间，这个空间解释了组间方差绝对于组内方差的最大比例。 diab.an 典型判断图plot(dib.an, fill=TRUE, fill.alpha=0.1)通过一个对象的办法，将典型维度上的分数绘制进去，并在每个组上叠加 60% 的数据椭圆。组均值的地位显示了它们在典型维度上的体现。 响应变量与典型维度的关系通过矢量（相似于双标图）显示进去。每个矢量由其与典型维度的相关系数（构造系数）定义。1 plot(diab.can, ellipse=TRUE, var.lwd=2)在这个图中能够看到： 第一维与glufast、glutest高度相干，而且组别依照Normal < Chemical < Overt的顺序排列。第二维将Diabetic组与其余两个组辨别开来。这个维度与检测过程中的血浆胰岛素程度密切相关。这验证了咱们在HE矩阵图中对所有响应变量的察看后果。规范化的得分数据椭圆的绝对大小是方差异质性不足的另一个视觉指标。规范化的HE图应用标准判别分析的HE图能够概括展现出标准判别分析的后果。变量向量与标准结构图中的变量向量雷同。heplot(dabcn, fill=c(TRUE, FALSE), fil.apha=0.1, var.lwd=2) ...

原文链接：https://tecdat.cn/?p=33600原文出处：拓端数据部落公众号2022年，中国城市充电基础设施持续快速增长，总量从2021年的261.7万台减少到2022年的521万台，同比增幅超过99%。其中，私人充电桩的减少数量达到194.2万台，是公共充电桩减少数量的3倍，私人充电桩占比也从2021年的56.2%减少到2022年的65.5%。浏览原文，获取专题报告合集全文，解锁文末18份充电基础设施相干行业钻研报告。 同时，2022年新能源汽车的销售渗透率超过25%，提前三年实现了《新能源汽车产业倒退布局(2021-2035)》中提出的20%指标，新能源汽车总量从2021年的784万辆增长到2022年的1310万辆，同比增幅达到67.1%。2022年全国新注册注销的新能源汽车有535万辆，相较于上一年减少240万辆，增长了81.48%。充电桩与新能源汽车的倒退步调放慢，充电桩数量与新能源汽车数量的比值由2021年的3.0进一步降落至2022年的2.4。 城市之间的公共充电桩规模存在显著差别，北方城市整体而言较南方城市数量更多依据空间密度指标统计结果显示，在36座次要城市的核心城区，专用充电桩的密度均匀为26.5台/平方公里。深圳、上海、广州、海口在专用充电桩密度方面位居前列，核心城区的专用充电桩密度超过40台/平方公里，其中，深圳市的专用充电桩密度最高，达到154.9台/平方公里。专用充电桩密度低于10台/平方公里的城市有泉州、常州、莆田、大连和烟台，其中，烟台市的专用充电桩密度最低，仅为4.8台/平方公里，与同为二级大城市的海口市相比，密度有余其1/9，并且与深圳、上海等城市相比，密度差距更大。 按地区统计，25座北方城市的均匀专用充电桩密度为29.2台/平方公里，高于11座南方城市的均值20.5台/平方公里。排名前六位的城市都是北方城市，其中，泉州、常州、莆田等北方城市在充电桩密度方面依然高于大连、烟台等南方城市。 在核心城区，四类乘用车占比均匀为87%，其中私人乘用车占比均匀达到53%，是最次要的车型。在36座城市核心城区，四类乘用车与新能源汽车的总量占比排序中，杭州、青岛、上海的占比超过95%，位居前三；其中，私人乘用车在新能源汽车总量中的占比范畴在33.5%至76.5%之间，南宁、北京、上海、温州、天津等城市的私人乘用车占比位居前五位。 本专题内的参考报告（PDF）目录中规院：2023年中国次要城市充电基础设施监测报告 报告2023-09-05自然资源爱护协会：电动汽车充电基础设施建设与经营的优化解决方案：以上海... 报告2023-08-29汽车之家研究院：2023年新能源车主充电体验洞察报告 报告2023-07-31沙利文：2023年充电桩功率器件驱动器行业报告 报告2023-05-14头豹：2022年中国功率半导体（IGBT）行业钻研-新能源汽车+充电桩... 报告2023-02-07国海证券：充电桩行业深度报告-低压快充乘风起-出海正过后 报告2022-12-17中泰证券：充电桩行业报告-海内市场空间空前显著-看好出海布局及直流快充... 报告2022-12-092021充电布局计划的竞品对标剖析 报告2022-10-31华为：智慧充电桩物联网技术白皮书 报告2022-10-03新能源充电桩产业互联网平台建设与经营布局计划 报告2022-09-14汽车之家&BCG：充电行为洞察与生产空间摸索 报告2022-09-01头豹：2022年中国汽车智能充电行业概览 报告2022-08-17甲子光年：中国充电基础设施行业简析 报告2022-08-12易观剖析：中国电动汽车公共充电服务市场倒退钻研报告2022 报告2022-08-01中国充电联盟：2022年6月全国电动汽车充换电基础设施运行状况 报告2022-07-18亿渡数据：2022年中国充电桩行业短报告 报告2022-06-21中规院：2022年中国次要城市充电基础设施监测报告 报告2022-06-17中规：2021年度中国次要城市充电基础设施监测报告 报告2021-08-13

全文链接：http://tecdat.cn/?p=31162最近咱们被客户要求撰写对于SV模型的钻研报告，包含一些图形和统计输入 本文做SV模型，选取马尔可夫蒙特卡罗法(MCMC)、正则化狭义矩预计法和准最大似然预计法预计。 模仿SV模型的预计办法：sim <- svsim(1000,mu=-9, phi = 0.97, sigma = 0.15)print(sim)summary(sim) plot(sim) 绘制上证指数收益工夫序列图、散点图、自相干图与偏自相干图咱们选取上证指数5分钟高频数据： data=read.csv("上证指数-5min.csv",header=TRUE)#open：开盘价 close：收盘价 vol：成交量 amount：成交额head(data,5) #察看数据的头5行tail(data,5) #察看数据的最初5行Close.ptd<-data$closeClose.rtd<-diff(log(Close.ptd)) #指标一：logReturnrets=diff(data$close)/data$close[-length(data$close)] #指标二：Daily Returns，咱们抉择Daily Returnslibrary(tseries)adf.test(rets)## 绘制上证指数收益工夫序列图、散点图、自相干图与偏自相干图Close.ptd.ts<-ts(Close.ptd,start=c(2005,1,4),freq=242) plot(Close.ptd.ts, type="l",main="(a) 上证指数日收盘价序列图",acf(Close.rtd,main='',xlab='Lag',ylab='ACF',las=1) title(main='(b) 上证指数收益率自相干测验',cex.main=0.95)pacf(Close.rtd,main='',xlab='Lag',ylab='PACF',las=1) title(main='(c) 上证指数收益率偏自相干测验',cex.main=0.95)def.off## Q-Q图、教训累积散布ecdf图、密度图、直方图 qqnorm(Close.rtd,main="(a) 上证指数收益率Q-Q图",cex.main=0.95, xlab='实践分位数',ylab='样本分位数') qqline(Close.rtd) #教训累积散布ecdf图plot(ECD,lwd = 2,main="(b) 上证指数收益率累积散布函数图",cex.main=0.95,las=1) xx <- unique(sort(c(seq(-3, 2, length=24), knots(ECD)))) abline(v = knots(ECD), lty=2, col='gray70') x1 <- c((-4):3) # 设定区间范畴lines(x1,pnorm(x1,mean(Close.rtdC[1:10]),sd(Close.rtd[1:10]))) #密度图plot(D, main="(c) 上证指数核密度曲线图 ",xlab="收益", ylab='密度', xlim = c(-7,7), ylim=c(0,0.5),cex.main=0.95) polygon(D, col="gray", border="black") curve(dnorm,lty = 2, add = TRUE) lines(x2,dnorm(x2,mean=0,sd=1)) abline(v=0,lty = 3) legend("topright", legend=c("核密度","正态密度"),lty=c(1,2),cex=0.5)#直方图hist(Close.rtd[1:100],xaxt='n',main='(d) 上证指数收益率直方图', xlab='收益/100',ylab='密度', freq=F,cex.main=0.95,las=1) lines(x2,dnorm(x2,mean(Close.rtd[1:100]),sd(Close.rtd[1:100]))) axis(1,at=axTicks(1),labels = as.integer(axTicks(1))/100 ) ...

原文链接：http://tecdat.cn/?p=9368原文出处：拓端数据部落公众号  最近咱们被客户要求撰写对于向量自回归（VAR）的钻研报告，包含一些图形和统计输入。   自从Sims（1980）发表开创性的论文以来，向量自回归模型曾经成为宏观经济钻研中的要害工具。这篇文章介绍了VAR剖析的基本概念，并领导了简略模型的估算过程。  单变量自回归VAR代表向量自回归。为了了解这意味着什么，让咱们首先来看一个简略的单变量（即仅一个因变量或内生变量）自回归（AR）模型，其模式为yt=a1yt−1+et。  平稳性在估算此类模型之前，应始终查看所剖析的工夫序列是否稳固，即它们的均值和方差随工夫变动是恒定的，并且不显示任何趋势行为。  有一系列统计测验，例如Dickey-Fuller，KPSS或Phillips-Perron测验，以测验序列是否稳固。另一种十分常见的做法是绘制序列并查看其是否围绕恒定的平均值（即水平线）挪动。如果是这种状况，它很可能是稳固的。  自回归滞后模型像AR（p）模型一样，仅凭其本身的滞后对宏观经济变量进行回归可能是一种限制性很大的办法。通常，更适合的假如是还有其余因素。通过蕴含因变量的滞后值以及其余（即，外生）变量的同期和滞后值的模型来实现这种想法。同样，这些外生变量应该是稳固的。对于内生变量yt和外生变量xt例如自回归散布滞后或ADL，模型能够写成   yt=a1yt−1+b0xt+b1xt−1+et.   这种ADL模型的预测性能可能会比简略的AR模型更好。然而，如果外生变量也依赖于内生变量的滞后值怎么办？这意味着xt也是内生的，还有进一步的空间能够改善咱们的预测。 向量自回归模型 因而，如上所述，VAR模型能够重写为一系列独自的ADL模型。实际上，能够通过别离预计每个方程来预计VAR模型。 规范VAR模型的协方差矩阵是对称的，即，对角线右上角的元素（“上三角”）将对角线左下角的元素（“下三角”）镜像。这反映了这样一种想法，即内生变量之间的关系仅反映相关性，并且不容许做出因果关系的陈说，因为在每个方向上的影响都是雷同的。  在所谓的结构化 VAR（[SVAR]()）模型的背景下剖析了同时因果关系，或更确切地说，是变量之间的构造关系，该模型对协方差矩阵施加了限度 。  在本文中，我思考VAR（2）过程。  此示例的人工样本是在R中生成的 set.seed(123) # 因为可复制性的思考，重置随机数发生器# 生成样本t <- 200 # 工夫序列察看数k <- 2 # 内生变量数p <- 2 # 滞后阶数# 生成系数矩阵A.1 <- matrix(c(-.3, .6, -.4, .5), k) # 滞后系数矩阵1A.2 <- matrix(c(-.1, -.2, .1, .05), k) # 滞后系数2A <- cbind(A.1, A.2) # 系数矩阵# 生成序列series <- matrix(0, k, t + 2*p) # 带有0的原始序列for (i in (p + 1):(t + 2*p)){ # 生成e ~ N(0,0.5)的序列 series[, i] <- A.1%*%series[, i-1] + A.2%*%series[, i-2] + rnorm(k, 0, .5)}series <- ts(t(series[, -(1:p)])) # 转换为工夫序列格局names <- c("V1", "V2") # 重命名变量plot.ts(series) # 绘制序列 ...

全文链接：http://tecdat.cn/?p=27784原文出处：拓端数据部落公众号最近咱们被客户要求撰写对于向量自回归模型VAR的钻研报告，包含一些图形和统计输入。 河源市是国务院1988年1月7日批准设立的地级市，为了深入研究河源市公路交通与经济倒退的关系，本文选取了1988－2014年河源市建市以来24年的地区生产总值（GDP）和公路通车里程（GL）的工夫序列数据，其中公路通车里程（GL）用来反映河源市公路交通倒退情况，地区生产总值（GDP）反映河源市的经济增长情况。为了消取数据的异方差，将原始数据取对数，别离记做LogGDP和LogGL，数据见表，采纳ADF法对LogGDP和LogGL的平稳性进行单位根测验。 首先，对1988－2014年河源市24年的LogGDP和LogGL工夫序列进行ADF单位根测验，单位根测验后果如表： t值和p值是等效的，p值要求小于给定的显著程度，越小越好，小于0.05.等于0是最好的。结果显示，LogGDP和LogGL的ADF值别离为-3.160130和-1.895105，均大于程度值，阐明承受原假如，LogGDP和LogGL序列存在单位根，为非安稳序列。因而，须要对LogGDP和LogGL序列持续第二步测验，即对LogGDP和LogGL的一阶差分进行测验，后果如表 ： 结果显示，LogGDP和LogGL通过一阶差分测验，失去一阶差分序列D（LogGDP）和D（LogGL）的p值别离为0.0046和 0.0000，均小于0.05的显著值。因为D（LogGDP）和D（LogGL）都是单整序列，且单整阶数雷同，均为I（1），所以LogGDP和LogGL两序列之间可能存在协整关系。  GDP与公路交通里程GL协整性测验  由序列的平稳性测验后果可知，河源市地区生产总值GDP和公里通车里程GL在1988－2014年这个工夫序列中可能存在协整关系，协整测验的办法有Engle Granger两步法和Johansen极大似然法前者适宜对两变量的模型进行协整测验后者适宜在多变量的VAR模型中进行测验。   利用engle和granger提出的两步检验法：  首先建设OLS回归模型，后果为  首先建设模型：y=ax+c+e，后果为loggdp= 2.332247*loggl + -7.210750 由ADF单位根测验后果能够看出上述变量是一阶安稳的合乎granger因果关系测验的条件．现对各变量之间进行granger因果关系测验以确定它们之间的相互影响关系．取滞后阶数为2阶。 granger因果测验： 从后果可知回绝loggl不能granger loggdp的假如，即loggl granger引起loggdp；然而不能回绝loggdp不能granger引起loggl，即承受loggdp不能granger引起loggl。 同时，对方程的残差进行ADF测验后果能够看出残差序列不是安稳的，因而loggdp和loggl之间不存在协整关系。 建设 VAR 模型 利用Eviews计量经济剖析软件，本文对logGDP、loggl变量建设VAR(1)模型，对于VAR模型滞后阶数的抉择，失去如表所列的5个评估指标，且5个指标均认为1阶正当即建设VAR(1)模型。 同时，有两类回归统计量呈现在VAR对象预计输入的底部： 输入的第一局部的规范OLS回归统计量。依据各自的残差别离计算每个方程的后果，并显示在对应的列中。 输入的第二局部是VAR模型的回归统计量。 即协整方程式是： LOGGDP=1.36534925116*LOGGDP(-1)-0.326349983643*LOGGDP(-2)+0.139864325278*LOGGL(-1)-0.239810823184*LOGGL(-2)+0.44758535991  能够看到VAR模型的所有根模的倒数都小于1，即都在单位圆内，则该模型是稳固的。能够对VAR模型进行一个标准差的脉冲响应函数剖析。 脉冲响应函数是用来掂量随机扰动项的一个标准差冲击对其余变量以后与将来取值的影响轨迹它可能比拟直观地刻画变量之间的动静交互作用。 本文持续利用方差合成技术剖析经济增长速度、交通量增长之间的互相贡献率。进行方差合成示意图。 各变量对经济增长速度的贡献率。 实证测验为了检验所建设交通量VAR预测模型的成果，用EVIEWS软件对loggdp历史数据仿真，失去如下预测模型。 loggdp  = @coef(1) * loggdp(-1)  + @coef(2) * loggdp(-2)  + @coef(3) * loggl(-1)  + @coef(4) * loggl(-2)  + @coef(5)   @coef(1) =  1.3653493 ...