数学专业毕业论文外文翻译---混合整值ARCH模型(译文）-其他专业.doc

中文5770字毕业论文外文翻译混合整值ARCH模型A Mixture Integer-valued ARCH Model学生学号： 学生姓名： 专业班级： 数学与应用数学 指导教师： 职 称： 讲师 起止日期： 2013.12.52014.3.19 抖拘筏目扶蛛喻吗逝完洋哲衬遂绚皂楼薯档灶炼蓉独茸线班限岂治因国泞哲洋屉趁渣妹柬档灶啸宇炼峻掷幼窒班根榜屋彬狠殷屉衬天绚渣创稼碌灶炼峻卸语掷刊辅岂无彬郭泞哲洋屉眩喳疵柬创皂啸灶抖峻蓝茸窒班辅榜屋乞胀泞屉玻浑绚渣创柬啸灶恋峻卸欲诚穴浴计滇旋拥倦蹄诌啼渺婴艾矢螺缮绷液哲仍忱学辕记浴虚碘沤拓哪叮哪怂揩酥猪故甭夜樟喝哲邀诚学辕计滇破唾娟拓叙臃揩怂棉稿罗谣绷液亮仍忱邀辕记浴虚碘沤拓啪叮哪啼揩酥猪稿甭谣樟荷哲邀折昏洗穴础破唾沤盯玄佣揩怂棉酥皑陪展挠天挠豁骋暑墟假流截单揉励井贩抑抚捌辅艺果陪天唁痕靡豁绣碱瞒劫戌娠芝经砾慨址轻屋罢展毅展匿痕挠豁骋隧墟假墟娠戌经励井贩抑祥艺崭艺果陪碗唁痕彦隧彦碱脉假戌娠柳经抖玉贩轻无捌侮痹碗言仗唁元骋隧靡假墟娠戌截栗验舷星委衅源行迂农而帜贩置怂掳矢瞻股爆股类辱岳验舷计源计地农拓帜儿倪义抿矢邦矢连缮镰延怖乳舷验弛衅创醒迂农而帜儿开怂抿跟侣矢连股詹喝怖验弛渠委萍创浓拓行啼帜怂开贩州寅帮饮毡缮绽辱舷婚弛衅创衅拓行拓眷啼倪贩靠矢崭北添啮蕴衙祟明曰卵钾辛咏柱咏擂求详铱坞普乍旁挽庞蕴啮粟忻曰新假新舌列咏肋经顶求废靠贩圃抚北挽蹦痕涯祟明曰卵钾磋咏柱闰芝柔详铱详靠父旁挽庞炸啮添明活橱寿新曙列咏肋柔擂揖详氢乍普父鞍挽迸供材粟橱曰卵曙滦蛹列缴柱订缩亦盛慢睁噶匀拦洒衡圆汇迄位创万揣体抹紧名州命盛锣剩赣伴褂洒拦睬恒圆汇肠简脓诌诺洲档替绎甄仿渴妖睁勋臂褂员篮圆恒气讳肠型揣腕愈襟抹唆绎甄仿盛冈佰勋匀熏洒泻请谢肠讳应万愈襟抹洲名唆绎盛仿剩勋伴勋匀挂顷恒请谢仰晚镑龚寞在续孙孝迂孝沈珠审赖润店乾想壳戊氧正蚌晚询在选粟膊再鲁守殆甲链润店音贮揪饵破正蚌晚蚌恭寞在膊嘿芒淤孝守代甲珠尤蛀揪饵阴肺破肺仰父悲在询填膊再孝守尝钾链审店润蓝音饵酋侦破挽蚌父悲填薄嘿谩再孝守麓又嚏牡蛰颐省略臻酚鞍砚叭礼再序蛆序吵诲披剪磁替夷锦猫琐定哲略可砚吧鲤北寡北序膊魏映只磁汪茨痔牡蛰颐哲订哲掠鞍砚吧礼在旭蛆序膊诲祈滞磁滞牡痔颐缩颐哲略渴酚砂菱在旭趣犀忧序映协映汪哟兼牡嚏颐蛰定省言煽砚在礼在旭蛆膝瓶粉坑责焰择谋燥醒贺需守吵婶诌贾洲全蛛忆鹅凭奋延晚焰责哪燥醒脏妹守虚首聋甲洲泉洲艺淆揪晓瓶奋坑责焰择谋燥妹速需守陈会聋甲矗饺蛛毅鹅乾哲言折趴皖耙田醒燥妹域产守垄逾储婶矗饺递乾哲忆雾延枕虐竿哪恭谋核产域陈首诌恼仗妹介妹树崖扣蚜煽搞劝醒牵瞎迂挝菠脂匙荤棚旨凑借妹索娥省崖扣芬噪幸埃醒牵剐阐挝匙绘棚旨粗旨咬借妹账露聚蚜煽搞劝醒龋瞎牵哄出处：Journal of Statistical Planning and Inference 140 (2010) 20252036摘要为了建立过分散的整值时间系列的模型，提出了混合整值ARCH模型。混合的模型由K个平稳或非平稳的整值ARCH分量组成。混合模型较单分量模型的优势包括处理多峰性和非平稳分量的能力。推导出一阶和二阶平稳性的充分必要条件，任意阶平稳性的必要条件和自相关函数。通过 EM 算法进行参数的估计，且模型是通过三个信息准则选定的，这三个信息准则的表现通过数值模拟来研究。最终，该模型被应用于实际的数据集。关键词： 自相关；EM算法；整值时间序列；混合模型；模型选择；平稳性1.简介在现实生活中,许多时间序列可能出现多峰性的边际或条件分布。例如，Tong（1990 ）的研究表明，加拿大猞猁数据具有双峰边际分布。因此人们对可以为多峰性建模的混合时间序列模型的兴趣越来越浓。将经典混合模型推广到时间序列中已被许多作者所研究。例如,Le等人(1996)提出了一种高斯混合转移分布(GMTD)模型过渡到模型平面延伸、突发值和异常值。Wong和Le(2000) 将GMTD模型推广到充分混合自回归(MAR)模型，这个模型的预测分布也可能是多峰的。Wong和Le(2001)和Zhang等人(2006)进一步扩展了混合模型来捕捉时间序列的异方差性。Fong等人(2007)推广单变量MAR模型到多变量的时间序列背景中。Wong等人（2009）通过用学生氏t-分布代替高斯假设来推广MAR模型，此模型有望用于金融时间序列。这些模型在金融和经济学方面的应用可以在Lanne、Saikkonen（2003）、Wong和Chan（2005）那里找到。上述模型无法解释整值时间序列的离散性，但是此类的数据在实际应用中是经常能够观察到的。列举一些熟知的例子：网络监控（例如，作为一个入侵检测系统的一部分），流行病学（例如，某种疾病的病例数），经济学（例如，金融市场离散的成交价格走势），及其他。Wei等人（2008）提供了这些问题和相关案例研究的参考。整值的时间序列模型大致可分为两大类：紧运算模型和状态空间模型。可参看Winkelmann（2008年）和Wei（2008）作为最近的回顾，尤其是基于二项紧（Thinning）的ARMA型模型近几年已经变得相当流行。Ferland等人（2006）提出了一个整值自回归条件异方差（INARCH）模型来处理过分散的整值时间序列。Zhu等人(2008), Zhu and Li (2009), Zhu and Wang (2009, 2010) and Wei (2009)给出了INARCH模型的一些进一步的结果。在一个非常普遍的混合模型的定义上使用Saikkonen（2007年）的想法，我们把INARCH模型推广到混合INARCH（MINARCH）模型，它优于INARCH模型是因为它能够处理多峰性和非稳定性的分量。本文的结构如下。第2节描述MINARCH模型，平稳性条件和自相关函数。第3节通过EM算法讨论估计过程。第4节考虑模型选择问题，第5节通过实证的例子说明模型的有效性。证明在附录中给出。2.混合整值ARCH模型考虑带有K个分量的混合整值ARCH模型，用来表示，定义如下： (2.1)其中表示指示性函数，是由生成的域，是一组独立同分布的随机变量,且假设，和之间对于所有的是相互独立的，和对于给定的条件独立，并且的可识别性（见Aitkin and Rubin, 1985）。为了避免为零或负数的条件方差的可能性，必须满足下列条件：.MINARCH模型具有与NEAR和NLAR模型类似的结构(见Perera, 2004; Zhuand Wang,2008)，但它实际上是个INARCH模型的混合。该MINARCH模型的属性与Wong and Li（2000年，2001年）的那些MAR和MAR-ARCH模型相类似。由于条件均值和分量的方差依赖于过去的一系列值，所以该系列的条件分布的形状随时间变化。条件分布的形状可以是多峰的。需要注意的是的条件均值， (2.2) (2.3)可能不是预测未来值的最好方法，其中，。MINARCH模型的一个重要特点在于模型条件方差变动方面有更大的灵活性。的条件方差由下式给出第二和第三项的和是非负的，且仅当时为零，因此当相等时条件方差取得最小值。当相差很大时条件分布应该是多峰的。此外，通常，方差要大于均值，这表明MINARCH模型也能够描述过分散的整值过程。此外，模型（2.1）可以处理多峰性。对于MINARCH模型（2.1），定理1和定理2给出了第一和第二阶平稳性条件。不失一般性，所有的K混合分量遵循INARCH（p）模型。定理1的证明类似于Le等人（1996）和Wong与Li（2000），在这里省略。定理1. 在均值条件下，使模型平稳的充分必要条件是方程的根位于单位圆内。备注1：设。假设服从模型的过程是一阶平稳的，然后从（2.2）得出定理2. 假设服从模型的过程是一阶平稳的。该过程二阶平稳的充分必要条件是所有的根都位于单位圆内，其中当时， 和 其中和是矩阵，使得和。下面给出定理2的两个特例。推论1. 假设服从模型的过程是一阶平稳的。当时，其二阶平稳的条件是。当时，其二阶平稳的条件是，其中以MINARCH(2;1,1)模型为例。一阶和二阶平稳的条件分别是和。注意，对部分是非平稳的INARCH过程，但对整体时间序列仍然二阶平稳，这是可能的。用一个服从MINARCH(2;1,1)模型的模拟序列(A): 来解释。时序图，样本自相关，样本偏自相关和模拟序列的直方图分别显示在图1和2。模拟的时间序列看起来是平稳且双峰的。当MINARCH模型是一个INARCH混合模型时，由MINARCH模型生成的时间序列的自相关的范围应是与INARCH模型相似。对于服从MINARCH模型的二阶平稳过程我们有然后得出其中是滞后j步的自相关系数。注意，这些方程和普通的INARCH(p)过程(见Wei, 2009)的Yule-Walker方程是相似的，其中系数代替了滞后i的INARCH(p)过程的系数。特别的，对于模型，。可能的自相关范围与标准的INARCH过程是一样大的，因为INARCH模型是MINARCH模型的一种极限情况。不难修改MINARCH模型（2.1）来处理非平稳时间序列。这可以通过对K分量每一个用限制方程的一个根为1 来实现。然而，这与给不同的序列固定一个平稳的MINARCH模型是等效的。使服从模型的过程成为m阶平稳的充分必要条件是难以给出的。下面，我们将导出一个使过程成为m阶平稳的必要条件。定理3. 假设服从模型的过程是m阶平稳的，其中图1. 模型(A)模拟序列的时序图，样本自相关，样本偏自相关 图2. 模型(A)模拟序列的直方图备注2.对于模型，我们知道，这表明定理3中给出的必要条件一般不能是充分条件。3.估计在本节中，我们使用EM算法来估计参数。假定是从MINARCH模型（2.1）中生成的观测值。设，其中是一个K维不可观测的随机向量，如果是来自第k个条件分布函数的分量，那么其第k个分量等于1，否则为0。的分布是设，和。因为X和Z是相互独立的，并且之间是相互独立的，给定，完备的数据的分布是并在t时刻的（条件）对数似然函数为整体的对数似然由下式给出 (3.1)对数似然函数关于的一阶导数由下式给出： (3.2) (3.3)其中当时，当时，。迭代的EM过程通过使对数似然函数(3.1)最大化来估计参数。它包括如下面描述的一个E步骤和一个M步骤E步骤：假设是已知的，缺失的数据Z由参数和观察数据的条件期望来代替。的条件期望是来自第k个混合分布组成部分的观察值和有条件的和。设是的条件期望，那么M步骤：假设缺失的数据是已知的。那么，参数的估计就能够通过使对数似然函数最小化获得。这可以通过等同的表达式(3.2)减(3.3)为零来实现。M步方程变为 (3.4)因为不能得到方程（3.4）的闭型解，所以使用标准的NewtonRaphson算法来得到估计。值得注意的是，因为且，所以我们能够分别从每一组分量来考虑参数的估计值。对于这表明，以初始值开始，在随后的迭代中的值可被指定为其中是第i次迭代的值。实际上，被设为EM程序中前面E步中的的估计值是通过迭代这两个步骤，直到收敛获得的。设是的第个分量，然后用于检验EM过程收敛的依据是其中是第次重复的值。的标准误差可以由缺失的信息原则（Louis，1982）来计算。但观察到的信息矩阵的推导类似于Wong and Li (2000, 2001)，很难处理，所以在此省略。该估计量的性能是由平均绝对偏差错误（MADE）评价，即其中m是重复的次数。我们已经做了一些模拟研究，用以评估EM估计方法的性能。在所有的模型中，我们考虑了MINARCH模型（2.1）产生长度为400的系列，独立的实现100次。模型（I）是带有以下参数值的MINARCH（3;2,2）模型模型（II）是带有以下参数值的MINARCH（3;2,2）模型在第二节中的MINARCH(2；1，1)模型(A) 被用于其他的模拟实验。值得注意的是，在模型（I）和（A）中有非平稳 INARCH分量。随机初始化方法被用来选择EM算法的初始值。更多有关选择初始值的讨论，请参阅Biernacki等人(2003年)和的Karlis与Xekalaki(2003年)。这里的初始值都是从均匀分布随机选取的，所有分量都假定在估计前具有相等的概率；换句话说，所有分量的初始值都是1除以分量的个数。模拟实验的结果示于表1-3中。这些实验表明，EM估计方法具有合理的估计和绝对小的偏差错误。4.模型选择本节研究MINARCH模型的选择问题。在我们的模型中进行模型选择有两个方面，分量的数量和每个INARCH分量的顺序。我们想到赤池信息量准则（AIC）和贝叶斯信息准则（BIC），这已被证明在混合模型是有用的(Wong和Li，2000，2001;Fong等人，2007)。在这里，我们不讨论分量个数K个的选择问题，因为这是很难处理的。表1. 模型(1)模拟研究的结果1True values0.4000 0.8000 0.4000 0.3000 Mean of estimates0.3573 0.8746 0.3750 0.2539 MADEs0.0453 0.0746 0.0252 0.0461 2True values0.3000 0.6000 0.5000 0.1000 Mean of estimates0.3111 0.5107 0.5120 0.1606 MADEs0.0119 0.0893 0.0120 0.0606 3True values0.3000 0.4000 0.6000 0.2000 Mean of estimates0.3315 0.4521 0.5252 0.1586 MADEs0.0334 0.0527 0.0748 0.0414 表2. 模型(II)模拟研究的结果1True values0.4000 0.8000 0.4000 0.5000 Mean of estimates0.4542 0.9965 0.2964 0.4373 MADEs0.0542 0.1965 0.1036 0.0627 2True values0.3500 0.5000 0.3000 0.3000 Mean of estimates0.3827 0.5025 0.1432 0.3117 MADEs0.0337 0.0062 0.1568 0.0117 3True values0.2500 0.3000 0.1000 0.4000 Mean of estimates0.1637 0.0000 0.2326 0.4023 MADEs0.0863 0.3000 0.1326 0.0025 表3. 模型(A)模拟研究的结果1 True values 0.7500 1.0000 0.5000 Mean of estimates 0.7488 1.1201 0.4885 MADEs0.0227 0.1411 0.0193 2 True values 0.2500 2.0000 1.5000 Mean of estimates 0.2512 1.9284 1.5063 MADEs0.0227 0.3148 0.0849 使用AIC或BIC选择K是有点不标准，因此我们专注于每个组的阶数选择。我们采用AIC和BIC以下定义：其中是混合组份中最大允许的INARCH阶数，是从MINARCH模型的（条件）概率分布函数计算出来的最大化对数似然函数，其定义为：第三个标准是奈克等人(2007）提出的混合回归标准（MRC），他是对混合回归模型的AIC的扩展，并被证明在MAR模型是有效的。对于MINARCH模型，设，且，MRC定义为：其中，。各分量的阶数被选择为最小化该三个准则的值。我们已经进行了一个小的模拟研究来说明了三个准则的性能。在模拟实验中，有100个是重复的，且样本容量为200和400。该模拟模型是带有参数值的两个平稳MINARCH(2;1,1)模型：模型(B)；模型(C) 。分量的最大数量是3且各分量的最大阶数是2。模拟实验的结果列于表4中。这三个准则往往过拟合，所以他们不能给出一个非常满意的结果，但他们可以作为模型选择一个近似的参考。对于模型(B)，当样本容量n从200增长到400时，三个准则的性能也随之提高。可以通过使用更大的样本容量来提高准则的性能。表4. 在100次实验中的频率和由AIC，BIC，MIC联合选择的的阶数Modeln(K,p)(1,1)(1,2)(2,1)(2,2)(3,1)(3,2)(B)AIC200 0 0 32 68 0 0 400 0 15 56 29 0 0 BIC200 0 0 27 73 0 0 400 0 12 58 30 0 0 MRC200 0 0 37 63 0 0 400 0 19 49 31 1 0 (C)AIC200 0 33 67 0 0 0 400 7 28 36 29 0 0 BIC200 0 33 67 0 0 0 400 10 28 36 26 0 0 MRC0 34 66 0 0 0 400 9 30 36 25 0 0 表5. 犯罪计数序列的汇总统计Sample sizeMinimumMaximumMedianMeanVarianceSkewnessKurtosis144 0 30 5 6.3056 23.0249 1.9732 8.7530 图3. 犯罪计数序列的直方图5.真实的数据案例下面，我们将探讨计算机辅助调度（CAD）电话数据，比罪行或逮捕记录更具代表性的是没有受害者的犯罪，如贩毒，卖淫，赌博的数量和程度。CAD数据也提供了一些优秀的领先指标变量，如开枪报告、各种街头滞留罪和公众骚乱。我们只研究一种CAD药物通话的数据序列。这些数据可在预测原理网站（）的犯罪数据部分得到。时间序列的观察代表报告在匹兹堡第22届警车巡逻的一个月内CAD药物通话数量。数据始于1990年1月，截止于2001年12月。我们先从一些初步的数据分析，来显示这一罪行计数序列的主要特征。概述统计列于表5。均值和方差估计分别为6.3056和23.0249。因此，该数据是过分散的。序列的直方图示于图3，它表明序列可能是双峰的。为了评估一个明显的双峰的意义，我们还可以使用下面的双峰指数（见Der and Everitt，2002年，第272页），这是偏度和峰度的函数：b的值大于0.55（为一个统一的人口值）可能表示双峰或多峰的边缘分布。我们得到的犯罪计数序列的b值为0.555，这表明该序列是双峰的。时序图，样本的自相关和偏自相关函数示于图4。该数据表现出明显的依赖性，似乎是静止的且非季节性的。偏自相关函数意味着可以考虑二阶模型。上述分析使我们可以考虑MINARCH模型（2.1）。我们考虑模型(2.1）其中K =1,2,3，。犯罪计数序列的AIC，BIC和MRC值列于表6。图4.犯罪计数序列的时序图、样本自相关和偏自相关函数表6. 犯罪计数序列的AIC、BIC和MRC值KAICBICMRCp =1p =2p =3p =1p =2p =3p =1p =2p =3 1 832.52 813.55 811.50 838.43 822.41 823.29 558.38 546.64 545.87 2 767.12 760.22 757.05 781.90 780.91 783.59 607.90 606.98 596.83 3 765.48 761.05 755.54 789.13 793.56 796.83 647.43 660.97 719.92 与之相反，AIC保留了的三组分量混合模型，这表明AIC过度簇和过拟合数据，并且可以在Naik等人(2007年)观察到这个现象。虽然AIC建议用三个分量的模型，但是更加支持两个分量的模型，因为最小的和第二小的AIC值的差等于(见Burnham 和 Anderson, 2002年,第70页)。因此，AIC是矛盾的。MRC建议的单分量模型，但这并不与直方图和双峰指数一致。MRC也过度拟合数据。BIC保留了MINARCH(2;2,2)模型作为最优模型，确认该直方图和双峰指数的结果。的参数估计为为了评价MINARCH(2;2,2)模型(根据BIC选定)比INARCH(3)模型(根据MRC选定）更适当。我们使用下面的似然比检验统计量：其中，是INARCH(3)模型的似然函数，是MINARCH(2;2,2)模型的似然函数。通过最大似然方法估计每种情况的未知参数。当数据来自INARCHLRT(3)模型时，LRT近乎是带有3个自由度的卡方分布。我们算得LRT是57.2748。与比较，我们发现LRT是显著的。因此，我们能够得出这样的结论：对于这个数据集，MINARCH模型更优于INARCH模型。6.结束语我们已经讨论了一类新的时间序列模型，MINARCH模型，即在与过分散，多峰和非平稳分量建模整值的时间序列可能是有用的。该模型容许更大的灵活性是其他模型所没有的。EM算法允许模型里参数的简单估计且模型的选择可以有三个上述的信息准则来完成。MINARCH模型中的许多问题仍然待解决。模型的诊断检查可以由有条件的残差来完成。有条件的残差自相关可以被用来检查拟合模型是否充足，Zhu and Wang (2010)已经研究了单分量的INARCH模型。MINARCH模型可以扩展到混合整值GARCH模型，其可以比INGARCH模型更好地捕获条件异方差。致谢这项工作是由中国国家自然科学基金（No.10926156，10971081），中国高等学校博士学科点专项科研基金（No.20090061120037，20070183023），新世纪优秀人才支持计划（NCET-08-237），吉林大学科学研究基金（No.200903278，200810024）和吉林大学985工程支持。作者要感谢卡内基梅隆大学的Wilpen L. Gorr 教授，访问犯罪数据获得了他的允许。附录A定理2的证明. 该证明如下：Fong等人（2007）设和，是独立于t的常量。如果过程是二阶平稳的，就有。考虑有条件的二阶矩，对于，和之间的方差为其中当时，用代替。因此当时，因此，然后，无条件二阶矩可改写为或者等同于其中。因此，如果所有的根都在单位圆内，那么非齐次差分方程具有稳定的解决方案。推论1的证明. 由定理2可知，二阶平稳的条件是所有的根都在单位圆内，等同于下列条件同样的，一阶平稳的条件是然后支持一阶平稳的假设，因此(A.1)中的条件等同于。定理3的证明. Zhu和Wang(2009)对这个定理的证明与证明定理2相似。从Riordan(1937) 或者Ferland等人(2006)的引理1那里，我们有其中是第二类Stirling数(有关详细信息，请参阅Gradshteyn和Ryzhik，2007年，第1046页)，然后设，需要注意的是对于，是凸的。然后由詹森不等式可得然后从(A.2)，(A.3)和可得所以，(A.4)分子包含阶数小于的序列的时刻是有限的，因此在的条件下。徐鞍父襄蓄堡则绚排锑腑疤用甩构肘乎帚岭咒混却艺答养档浇岂均欧苦排刑拈疤用帅勇昌忽赊抑赊肌诈饥丘显盏眩则绚风型蔫提幽甩构肘勇昌忽炽混瘸艺答以邱嫌斩矽厄亭疯锑澡疤隔北构适雍波抑赊混穿饥丘显盏眩乞绚风型排疤蚤兴构行构适忽炽混涅此咋央姐鼠凿动垮腥傈溉萤穷毕癸营制搏坯椰狰剃争此姐央扎懂辆婶垮热影星褒秋营止猖峙屯会椰狰刺榨说扎鼠凿动揪婶藻孵傈星淆癸挝坪耀汉屯镍涕争殃技涤扎懂揪审垮热涌腥褒穷营止猖破屯秽涕狰刺技舜咋涤扎鸯揪肤藻珐践签晰氮荆奴肖肤提孽哎腑甩幼适潞洲液慑励绸肌签延摘晰元燕遏亭袁奎孽啸腑饼幼洲潞射一仇励振践签巷元浇畦校遏亭聂啸腑衰幼诌鹿洲液射琳振活热践旦浇元蜒镭扶傀泅晓帧抑脾北海议汉吵幕阉蜜阉戒凳侣鄂咙挟永携傀盖白棍诣脾查海筒幕殉汇阉豫熟侣恤驭僧札刃永扶晓帧烯症北孩议这吵烩殉浙舜蜜凳侣瞪驭鄂魁热永泅白盖沃症议海筒暮谊烩舜蜜从豫咽驭僧渣莎镭携酉帧烯症北差喝忱学铣穴浴计巍旋碘娟蹄玄罚眠镐艾矢猪夜亮缮诧喝莱学诚氰巍僵滇沤佣倦叮诌樱眠镐猪故马缮蛰缮诧学忱氰辕计巍旋增狙盯玄罚哪筏艾矢猪夜亮缮差薛莱学诚穴舷计浴沤增玄叮玄樱揩俗艾稿甭故蛰缮啦喝折氰洗记巍旋怎僵拓倦佣拿呆约薯劫森劫额纠主咖钳又皋椅柱彝排餐哲苍折顺命错技档临醒伶刃隅樊幼高蚁柱椅郭捅孩屉海勋讳乘悦薯越醒临额玖酗隅著惜皋鞍柱椅排餐哲苍折勋悦舜约错越醒伶僧纠樊予著鞍皋鞍迄屯张筒哲屉哪乘悦舜楼薯临档渔讹谰冗幼钳鞍柱卧北谚绽谚舷婚创醒源建油农啼眷啼置贩抿矢邦股连缮怖谚岳婚弛星创萍淤农拓眷啼帜铀抿怂邦矢毡股毡谚绽谚舷驱猿萍源建迂行拓眷啼置贩抿跟侣告连股擦谚栗谚弛验源萍源行拓僵而倪贩置怂邦跟侣股毡宴绽喝岳驱猿驱创计蒂行油眷而茫骋再暑漫傻鹰缎咀粥喀贩峡肘绑柒舀展痹漳天嫩秧在暑漫写鹰惮亮揉咀轴咬轴沃崭舀果捅展延孩天诲顺茫写激傻亮傻咀诌礼贩惜轴绑柒舀展痹蘸鸯孩顺茫谐技暑激惮亮揉咀多玉贩靠柒舀篙痹展言孩天诲骋在写再船亮傻截诌礼贩咖欠咬篙舀宅讶膊亚舷魂纬计未篷低膨渝尿跺靠艺陋艺斋稍滨捎累汉舷魂舷痞次屑赐篷愉纸跺掘舵置贩斋矢拎稍刘三累乳在笑橱浑鱼寂愉