當我們的資料變數很多時，我們通常會使用主成分 或因子來降低資料變數； 在選取主成分與因子時，我們通常會以特徵值來做選擇， 然而變異數大(亦即特徵值大)的主成分或因子雖然解釋了大部分變異， 但卻不一定保留了最多後續要分析的資訊， 例如利用由特徵值所選取出來最好的主成分或因子 來當做區別資料之變數，所得結果不一定理想。 在此我們假設資料是來自於兩個多維常態母體， 我們將分別利用由Mardia等人 (1979) 和Chang (1983) 所提出的兩種方法 來選取出具區別能力的主成分，將其區別結果與由特徵值所選取出最好的主成分 之區別結果作一比較；並且將此二方法應用在選取因子上。 同時我們也證明Mardia等人 (1979) 和Chang (1983)的方法對於 主成分及因子(利用主成分方法轉換)有相同的選取順序。 本文更進一步地將Mardia等人 所提出之方法運用至三群資料上，探討當資料來自於三個 多維常態母體時，我們該如何利用此方法來選取具區別能力之變數。 / Principal component analysis or factor analysis are often used to reduce the dimensionality of the original variables. However, the principal component or factor, which has larger variance (i.e eigenvalue) explaining larger proportion of total sample variance, may not retain the most information for other analyses later. For example, using the first few principal components or factors having the largest corresponding eigenvalues as discriminant variables, the discriminant result may not be good or even appropriate. \hspace{2.05em}We first discuss two methods, given by Mardia et al. (1979) and Chang (1983) for choosing discriminant variables when data are randomly obtained from a mixture of two multivariate normal distributions. We then use the discriminant result (or classification error rates) to compare these two methods and the traditional method of using the principal components, which have the larger corresponding eigenvalues, as discriminant variables. We also prove that the both the two methods have the same selection order on principal components and factor (obtained by the principal component method). Furthermore, we use the method of Mardia et al. to select appropriate discriminators when data is from three populations.

No description available.

In this paper, we find evidence that the mutual fund flows could be a good measure of investor sentiment, and inventors in Taiwan have independent sentiments about domestic and foreign markets. We further construct a sentiment index by principle component analysis, and show that investor sentiment measured by fund flows has no significant impact, although the sign is positive as expected, on concurrent market return. The results also suggest different sentiments embedded in mutual fund flows and stock market in Taiwan.

對於人口數不多的國家及地區，因為樣本數較少，死亡率的震盪較大，導致死亡率的估計值較不穩定。為解決此種問題，本研究以其他國家的死亡率資料輔助台灣，建構死亡率模型。首先，以群集分析方式選擇適合輔助台灣的國家，也就是死亡率性質相近之國家，本研究建議以死亡改善率做為主要的考量；其次，以主成分分析的方式分解多個國家死亡率，以負荷做為多個國家的共有係數，分數則是隨著資料和時間改變的變數，在研究結果中，5~6個成分個數即會有不錯的配適和預測效果，以五齡組死亡率配適模型為例，成分個數為6時，男性配適Lee-Carter模型全部國家的平均MAPE為5.40%，主成分分析則為4.13%，下降幅度將近24%，而Lee-Carter模型預測的整體MAPE為14.72%，主成分分析為12.22%，下降幅度約17%，因此主成分分析模型確實有明顯改善Lee-Carter模型。 而和台灣死亡率性質相近的國家，主要選入歐洲國家，像是奧地利、法國、愛爾蘭、挪威和西班牙，除了法國和西班牙人口數分別為六千多萬和四千多萬的國家外，其餘三個國家人口數皆不超過一千萬，這說明人口數多寡或許不是輔助小地區建構死亡率模型的唯一重點，應選取適合的國家作為輔助用途。

基於傳統經濟領先指標的編製方法與受限於資料不完整性，大都以過往統計數列較為完整與根據經驗法則來決定其採用與否，包含其權重的決定方式，如此往往造成指標在特定期間後，皆必須考慮其適當性與領先性的功能是否表現良好。在總體經濟情勢日益複雜與快速變遷下，使相關研究所需要考慮之變數更多而且更複雜，大多企業與政府單位等使用分析模型或資料庫，也都面臨需要修正或可能有代表性不足的問題，故針對特定變量的經濟特性，提供適當的變數篩選機制、萃取資訊的方法來簡化模型設定與操作上的困難，值得進一步研究，以期對資料有更好的刻畫與預測能力。故在可以預期其影響力將會日益增加的情況下。本研究之重點包括有以下兩點： （1）重新建構總體指標的適切性與運用效率 （2）強化貿易與金融指標權數之篩選與運用 在總體變數眾多且單位等特性不一的情況下，如何能簡化維度有不失其表現總體經濟的狀態情況，則是本研究最主要的目的。

京都大学 / 0048 / 新制・課程博士 / 博士(薬科学) / 甲第22392号 / 薬科博第114号 / 新制||薬科||12(附属図書館) / 京都大学大学院薬学研究科薬科学専攻 / (主査)教授 川端 猛夫, 准教授 伊藤 美千穂, 教授 髙倉 喜信 / 学位規則第4条第1項該当 / Doctor of Pharmaceutical Sciences / Kyoto University / DFAM

京都大学 / 0048 / 新制・課程博士 / 博士(薬学) / 甲第19653号 / 薬博第823号 / 新制||薬||239(附属図書館) / 32689 / 京都大学大学院薬学研究科薬学専攻 / (主査)教授 掛谷 秀昭, 教授 松﨑 勝巳, 教授 大野 浩章 / 学位規則第4条第1項該当 / Doctor of Pharmaceutical Sciences / Kyoto University / DGAM

京都大学 / 新制・課程博士 / 博士(人間・環境学) / 甲第25021号 / 人博第1099号 / 新制||人||257(附属図書館) / 京都大学大学院人間・環境学研究科相関環境学専攻 / (主査)教授 梶井 克純, 教授 藤田 健一, 教授 津江 広人, 教授 越後 信哉 / 学位規則第4条第1項該当 / Doctor of Human and Environmental Studies / Kyoto University / DFAM

京都大学 / 0048 / 新制・論文博士 / 博士(薬学) / 乙第13203号 / 論薬博第773号 / 新制||薬||241(附属図書館) / 京都大学薬学研究科博士課程薬学専攻 / (主査)教授 髙倉 喜信, 教授 高須 清誠, 教授 山下 富義 / 学位規則第4条第2項該当 / Doctor of Pharmaceutical Sciences / Kyoto University / DFAM

本研究以近15年台灣股票市場所有上市、上櫃、下市、下櫃股票為樣本，利用每季公布之財務報表的資料，市值、現金流量與股價比率、本益比、資產報酬率、負債比率、報酬率之標準差等指標作為篩選股票依據。 首先，先用財務報表的資料建構出Smart Beta Factor，結合主成分分析將各股評分，作為股票篩選之指標。第一步驟先把市值較低、成交金額過低的股票刪除，並依照不同指標篩選出五倍符合投資組合之股票數，接著運用主成分分析評分後的指標將各公司排序，選出分數高的作為投資組合，以達到分散風險的目標。 本文所討論之Smart Beta Factors有Size、Quality、Value、Momentum、Volatility，並將各Smart beta factor結合主成分分析，計算分數以選出優良股票，並以等權重方式進行資產配置，希望能建構出最有利的投資組合，使得獲利穩定成長。 / In this study, using nearly 15 years quarterly financial statement of stock market in Taiwan as samples. Not only use the financial statement to construct the smart beta factor, also use the principle components analysis to calculate the scores of all the stocks, then choose the stock by the scores. First, delete the stocks of low market value and the stocks of low turnover rate. Second, selected five times the number of the investment portfolio by different indicators, then elect the number of investment portfolio stocks by the highest scores calculated by principal component analysis. To achieve the goal of risk diversification. The smart beta factors discussed in the paper are Size, Quality, Value, Momentum, Volatility, also the multiple factor. To combine the method of principal component analysis, calculate the score to select the stocks, in order to contract the portfolio which has the best performance, and can make stable growth of profits.