第一章 緒論 第二章 迴歸模型的意義與貝氏理論 第三章 貝氏分析法在單元常態線性迴歸模型的應用 第四章 貝氏分析法在複迴歸模型的應用及其預測 第五章 貝氏分析法在多變數迴歸模型的應用及其預測 第六章 結論 共分六章十八節，全文約計三萬六千字 內容：統計理論與機率論發展的結果，引起統計學者從事不確定事實之研究，而統計 預測乃是以現在及過去的資料來誘導未來的方向，以提供決策者作決策之參考或及時 修改既定目標與政策。 傳統的統計推論都是由樣本資料導出統計量的分配，以對未知母數作推論，以為決策 者的參考，亦即完全根據由抽樣樣本所提供的資訊來作推論，此即吾人所熟知的抽樣 理論。然而過去資料的趨勢，人類經驗的累積、決策者的判斷、理論上的考慮，即事 前所擁有的資訊是不容忽視，而本文進行統計推論時即結合事前所擁有的資訊與抽樣 資料結合，經由貝氏定理的判定，進行統計推論，即貝氏分析法，並利用常態線性迴 歸模型與貝氏分析法結合，對統計資料進行分析預測，最後並進行實證研究，以為應 用。

本文共一冊，約三萬五千餘字，全文分七章。第一章為緒論，說明研究動機與研究範 圍。第二章討論到底『逐次抽樣』比『固定樣本數抽樣』能獲益多少。第三章討論逐 次抉擇法則。統計學家逐次的抽取樣本，決定什麼時候停止抽樣；若停止抽樣，應採 取那一種終結行動。他的目標是使抽樣的費用加上決策損失的期望為最小。『貝氏』 和『大中取小』逐次抉擇法則是兩個較基本而重要的逐次抉擇法則，將分別在第四章 和第五章討論。第六章將探討逐次機率比檢定問題，它在逐次估計問題上是很基本而 重要的，本文將探討其一些基本而重要的特性。第七章為結論，說出本文研究結果， 並提出一些今後值得進一步研究的問題。

本文討論長期投資人，考量國外資產之最適動態投資策略。延續Lioui & Pocent(2003)對於跨國最適投資組合問題，本文假設預期匯率為兩國利率差異與非隨機變動之時間函數之和，針對CRRA效用投資人，探討極大化期末預期效用之最適投資策略。假設兩國利率與通貨膨脹率對匯率存在線性關係下，利用學習效果來預測匯率變化；透過動態學習過程，獲得匯率之市場風險價值為非隨機變動之結果。 第一：最適策略可分為三個部分，分別是單期市場基金、規避利率風險與通貨膨脹率風險之債券避險基金與兩國貨幣帳戶基金，其中規避本國實質利率風險與通貨膨脹率風險之債券與投資期限長短有關。 第二：考量學習效果下，規避匯率風險之部位納入市場投資組合，透過動態投資組合以規避匯率風險，仔細說明Lioui & Pocent(2003)對於最適投資策略中匯率風險之避險部位。 第三：數值顯示在風險市場價值為常數時，投資人最適組合為握有固定比例之兩國股票部位，一組持有比例變動的本國債券組合與兩國貨幣市場的部位。

貝里斯公共服務之績效評定：評量方法檢測

台北房市自2003年的SARS低點過後逐漸回暖，並在2006年開始房價出現劇烈的漲幅，在決定房屋供給與需求的基本面未大幅變化的前提下，多數學者質疑台北的房價已呈現泡沫化，購屋的負擔已超過多數受薪家庭的支付能力。本文首先擬以購屋成本及投資報酬率的角度分析台北房市泡沫化的幅度，實證結果指出台北市的房價在1990年代及2006年後明顯出現泡沫化的現象，所得及租金推估的泡沫分別達到三成及六成的幅度，且2006年後的房價泡沫至今仍未有破裂跡象。在此一結論下，本文進一步分析生成台北房價泡沫的原因，實證結果指出房價出現泡沫化的同時，與股市報酬率及貴金屬報酬率明顯呈現正相關，貨幣供給增加亦是促成泡沫化的因素。 此外，對於房地產學界一直關注的議題，即房地產景氣預測及房地產價格的推估，本文亦利用貝式分析的技巧適度修補了現階段實證研究遭遇的困難。對房地產景氣的推估而言，加入事前訊息後的馬可夫轉換模型，在掌握房地產景氣擴短縮長的特性有顯著的改善，同時樣本外的預測亦說明其優越之處。在房地產估價方面，貝式多層次模型在面對較少樣本下的估價亦展現優越之處，特別是房價波動較大的期間，在不同樣本數目下，貝式多層式估計的精確度皆明顯優於傳統的特徵價格估計法。

隨著網路的快速成長，資料探勘(Data Mining)及文字探勘(Text Mining)所須分析的資料集越來越龐大，透過單一機器執行資料探勘分析受限於記憶體大小及其計算能力，不僅運算時間大幅增加，分析資料集的檔案大小也因而受到限制；語意註解萃取出文件的重要內容，凸顯主題加強資料探勘及文字探勘的效果，而資料探勘、文字探勘和語意註解背後都牽涉到大規模的資料處理，透過雲端運算的技術使負載平衡，將運算工作分散至運算叢集中的每一台電腦，不僅加快運算和儲存的速度，更可降低整體的風險。 本研究使用Hadoop軟體實作雲端文字探勘平台，用於分散式文字探勘及結果分析，採用涵蓋21578篇新聞文件的路透社資料集(Reuters 21578)進行實證分析，依照Mod Apte切分法分為訓練資料集及測試資料集用以進行文件分類，文件分類的步驟分為數個部分，分別為進行資料格式轉換的資料前置處理、針對文件內容加註更詳盡的連結及描述的語意註解、用以產生分類預測模型的分類器(簡單貝氏分類器、餘集簡單貝氏分類器)與評估文件分類結果的評估器；路透社資料集經過去除停用字、附加語意註解資料及文本詞彙長度統計分類，再進行簡單貝氏分類器及餘集簡單貝氏分類器的訓練，比較測試資料集的分類正確率作為文件分類實證結果。 本研究根據實驗結果發現，探討去除停用字、語意註解、文件分類演算法及文本詞彙長度對於文件分類正確率的影響：(1)去除停用字使出現頻率高的停用字對於分類預測產生負面影響；(2)語意註解作為詮釋資料的取得方式，可增加文件分類的效果；(3)餘集簡單貝氏分類器，可用以減少偏斜資料對於分類預測結果的誤判；(4)文本詞彙長度較長的文章則會某種程度主導分類預測結果，造成誤判的產生，降低分類正確率；透過上述各影響因子的調整使文件分類的結果得到改善，使得文件分類正確率獲得較佳的效果。 本研究提出之系統以雲端運算環境運行文件分類演算法，使得大型資料集得以更為迅速取得分析結果，使用語意註解作為詮釋資料的來源，使得文件分類模型產生過程中有更多資訊可分析，使得機器判斷的正確程度獲得改善，亦可將文件轉換為語意網文件，供語意網搜尋引擎查詢檢索，未來應加入Twitter或Facebook等擁有大量非結構化資料的網站之資料，使本平台得以分析更大規模的資料，並且考慮資料集類別分佈的集中程度對分類正確率的影響程度，同時應實作效果更佳的分類演算法，進而改善系統整體的結果。 / Nowadays, businesses perform data mining and text mining need to handle large scale dataset. The computational resources of servers are often limited and lack of efficient to compute analytical jobs. But if they could run their data mining jobs under cloud computing clusters, they are able to get results very quickly on a large dataset without "out of memory" problems. In this paper, a series of experiments are conducted to measure and analyze the accuracy of the classification algorithms implemented on Hadoop using Reuters-21578 dataset; the process of text mining consisted of four stages: (1)data preprocessing, (2)semantic annotation, (3)classifier, (4)evaluator. Reuters-21578 had divided into training set and testing set based on Mod Apte Split, processed by stopwords removal, appended semantic annotations as metadata and splitted into several subsets according to different document sizes. Experiments outlined several issues that will need to be considered when conducting text mining. According to the experiment results, the researcher found that stopwords removal, semantic annotation, different classification algorithms and different document sizes could improve the classification accuracy. First, stopwords removal avoids common words from becoming noises that will do harm to classification result. Second, semantic annotation as the extra information could improve the result. Third, complementary naive bayes algorithm could solve the decision boundary problem which naive bayesian cannot handle. Fourth, long documents could dominate the classification results. Sixth, the class imbalance problem could cause a drop of classification accuracy. Text mining result could be improved by adjusting the parameters found above.

京都大学 / 0048 / 新制・課程博士 / 博士(農学) / 甲第21838号 / 農博第2351号 / 新制||農||1069(附属図書館) / 学位論文||H31||N5210(農学部図書室) / 京都大学大学院農学研究科応用生物科学専攻 / (主査)教授 山下 洋, 教授 荒井 修亮, 准教授 益田 玲爾 / 学位規則第4条第1項該当 / Doctor of Agricultural Science / Kyoto University / DFAM

由於開放總體經濟理論，在在著許多爭論，往往因其所強調重點不同而有不同的結論 。這些爭論最後須藉助實證之證據來支持某種理論，以了解經濟變數間可能的影響途 徑。 然由迴歸所觀察到兩變數間有強烈相關，並不能代表此二變數間存在有因果關係。故 本文乃擬利用Granger 因果關係的概念與時間序列之統計方法，在儘可能避免作太多 先驗理論之限制下，使觀察值之統計資料能充分表現其一般之情況，來探討台灣重要 經濟變數間可能的影響途徑與因果關係。 本文共分五章： 第一章「緒論」：就有關國際金融理論作一概要性探討。 第二章「因果關係檢定」：介紹因果關係之概念、基本假設檢定方法與檢定結果之解 釋。 第三章「模型選擇之方法」：介紹ＶＡＲ模型的區塊排除性檢定，客觀貝氏ＶＡＲ模 型，Hsiao 之ＶＡＲ模型認定，與多元時間序列ＶＡＲＭＡ模型。 第四章「台灣之實證分析」：乃就第三章所論之模型，以台灣有關重要變數作實證上 之分析。 第五章「結論與建議」：對全文作綜合性總結與建議。

我們常常希望去估計一個大母體中各種不同領域內的參數值，而在抽樣實驗之前整個 母體無法被分層。當實驗的總預算有限，若選取一組簡單隨機樣本來估計這些母體參 數，可能不是一個佷嚴密的推定量，因此實驗者必須先決定一個有效、可行的抽樣方 法。 在本文中採取雙重抽樣的原理抽取樣本，而想要估計的母體參數是母體第ｊ領域所佔 全母體的成數，並在固定的預算下討論貝氏最佳樣本與子樣本數的選取。 SMITH 及SEDRANSK（１９８２）利用雙重抽樣法研究魚群體的年齡組成，並解決了二 個問題（１）利用貝氏法，估算第ｊ領域年齡的魚群所佔全體魚群的成數。（２）當 總預算固定，並給定第一階段樣本數n'及其分配 ｎ' ＝（ｎ' ，ｎ' ，－－－ｎ' ） 1 2 i 說明如何選取最佳的貝氏子樣本數分配，ｎ*＝ ｎ* ，ｎ* ，－－－ｎ* ） 使得近 1 2 i 似的風險函數ｒ*（ｎ',｛ｎi'｝，｛ｎi｝ 最小，其中 ０≦ｎi≦ｎi'（ｉ＝１，２，－－－Ｉ） 而後JINN, SEDRANSK, SMITH（１９８７） 延續以上結果，利用電腦模擬取樣，在必 然的ｎL'≦ｎ'≦ｎU' 條件下，說明如何取得最佳的n'使得 Ａ（n'）＝Ｅn'ln'｛ｒ*（ｎ'，ｎ'，ｎ。*）｝ 最小． 由於上述方法在一般情況下無法求得A(n') 的明確數學式，因此n'也就無法用式子表 示出來。 本文首先考慮Ｉ＝２的特殊情況，在這情況下舉一些例子說明如何求得A(n') 的明確 數學式，並由此求出最佳的貝氏解n'。其次導出一些充分條件使得在忽略限制條件下 由LAGRANGE乘數法所得的解ｎ＝（ｎ1，ｎ2）分別滿足（１）０≦ｎi≦ｎi'或（２） ｎi≦ｎi'（ｉ＝１，２）． 最後在(1) 或 (2)成立的充分條件下，導出Ａ（n'）的 數學式，進而求得最佳貝氏解n'。

本論文內容共一冊，約四萬餘言，共分為五章。 第一章：緒論 由於未來至公元二○○○年經濟成長對電力需求的需要，以目前發電能量，可否配合 的評估，即電力長期負載預測，至為重要，故本文擬以統計的預測方法，根據自民國 五十八年一月至七十四年九月各產業別（分二十五類）月份電力售電量及住宅電燈售 電量時間數列資料，以二元變量時間數列模式，預測未來公元二○○○年各產業別用 電需求，並透過學者專家，大用電戶對能源使用替代性，未來產業結構性變化，技術 進步的先驗知識以問卷方式加以分析，以調適純由資料預測結果所無法反應的前述先 驗知識。 第二章：首先探討一元變量（UNIVARIATE）自我迴歸，移動平均整合模式（ARZ MA） 。第一節：（１）自我迴歸模式（AR）的自我相關函數（ACF ），相關函數（PACF） 。（２）移動平均模式（MA）的ACF 及PACF。（３）自我迴歸移動平均（ARMA）的AC F 及PACF。第二節：當隨機時間數列非平穩型如何經由差分（DIFFERENCING）轉換（ TRANSFORMATION），形成一般化的自我迴歸，移動平均整合模式。第三節：說明要設 計一預測體系，便是要建立一統計模式，建立過程是反覆試行的，其中包括利用 ACF 及PACF確認模式，其次用（１）最大概似估計法（MIE ）（２）有條件最少平方法（ ３）無條件最少平方法（４）非線性估計法。估計模式節參數，再其次是模式的偵測 檢查，最後利用此模式預測未來的觀察值。 第三章：轉換函數分析（TRANSFER FUNCTION ANALYSIS）簡介二變量（LIVARIATE ） 隨機過程。 第一節二變量AR（PROCESS ）設定、估計、預測、轉換函數模式的探討。第二節利用 交叉共變異，相關係數函數確認轉換模式，並作估計偵測，第三節：預測方法的介紹 。 第四章：討論台灣地區各產業別未來至公元二○○○年的展望及未來用電需求成長， 第一節各產業別解釋變數（生產指數GDP ），回顧與預測結果分析。第二節各產業別 未來用電需求預測結果分析，和台電所作長期負載預測報告作比較。第三節用電需求 預測文獻回顧。第五章：結論與建議，並附產業預測結果和成長趨勢圖、問卷表。