约束线性模型下回归系数的条件根方估计

提出了约束线性模型下回归系数的条件根方估计和广义条件根方估计,证明了在一定的条件下,两者在均方误差意义都能很好改进回归系数的约束最小二乘估计,并讨论了它们的可容许性及广义条件根方估计中未知参数的选取方法．     

约束线性模型下回归系数的条件根方估计

提出了约束线性模型下回归系数的条件根估计和广义条件根方估计,证明了在一定的条件下,两者在均方误差意义都能很好改进回归系数的约束最小二乘估计,并讨论了它们的可容许及广义条件根方估计中未知参数的选取方法。     

广义条件根方估计的迭代解

对非齐次等式约束线性回归模型的广义条件根方估计的一般形式,给出了广义条件根方估计的迭代解.     

多元线性模型回归系数的广义根方估计

将根方估计作一拓广，提出了回归系数的广义根方估计，证明了广义根方估计能更有效地改善最小二乘估计，并给出了广义根方估计的显示解和确定偏参数的方法。     

非齐次等式约束下奇异型线性回归模型的广义条件岭估计

文章对线性回归模型参数有偏估计做进一步研究,提出了在非齐次等式约束下奇异型线性回归模型参数的广义条件岭估计,并给出它的一些性质,而且证明了在一定条件下,在均方误差阵和广义均方误差意义下,广义条件岭估计都优于约束最小二乘估计.最后,通过实际数据进行实证分析,得到了取不同岭参数矩阵时对应的广义条件岭估计及其MSE,验证了广义条件岭估计优于约束最小二乘估计的充分条件的正确性.     

齐次等式约束线性回归模型回归系数条件岭估计的效率

研究齐次等式约束线性回归模型回归系数的狭义条件岭估计和广义条件岭估计的效率,证明狭义条件岭估计和广义条件岭估计的效率比最小二乘估计的效率高,并且广义岭估计比狭义岭估计的效率高．     

非齐次等式约束线性回归模型参数的条件根方估计

对非齐次等式约束线性回归模型提出回归系数的条件根方估计,证明了在一定条件下,当回归自变量闻存在复共线关系时,条件根方估计在均方误差意义下很好改进了约束最小二乘估计;讨论了条件根方估计的容许性;分别给出了在平均散布误差准则下条件根方估计优于约束最小二乘估计的充要条件与充分条件;对确定条件根方估计的参数值讨论了两种方法:根迹法、方差扩大因子法。     

生长曲线模型的综合岭估计

该文提出了生长曲线模型回归系数的一种新的有偏估计—综合岭估计,讨论了综合岭估计的优良性、可容许性等性质,给出了其迭代解和极小化均方差的无偏估计解。在综合岭估计下,岭估计、广义岭估计、根方估计成为其特例,从而统一了生长曲线模型的岭估计和根方估计理论。     

混合系数线性模型参数的局部根方估计

在连续测量数据情况下,给出了混合系数线性模型参数的局部根方估计dL(k)和dL(k)(0相似文献   

缺失数据的填充及回归系数的条件部分根方估计

研究了含缺失数据的约束线性模型以及响应变量中缺失数据的最小二乘填充法及回归系数的条件部分根方估计,探讨了条件部分根方估计的优良性,同时研究了矩阵X中缺失数据的填充及回归系数的条件部分根方估计.     

混合系数线性模型参数的局部根方估计的一些结果

在研究混合系数线性模型参数的局部根方估计的基础上,进一步论证了此估计的F-优良性和在矩阵条件数准则下对最小二乘估计抗干扰性的改进。     

带线性约束的新两参数估计

针对带约束的最小二乘估计在参数估计中处理复共线性的不足,引入随机线性约束,提出了约束新两参数估计.并且得到在均方误差下,约束新两参数估计与约束最小二乘估计,约束岭估计和约束Liu估计相比的优良性.     

自回归AR模型整体最小二乘分析

主要讨论时间序列的自回归模型AR（p）的参数估计问题,列出常用的普通最小二乘估计和整体最小二乘估计方法,列出算例进行比较分析。     

NEAR (p) 模型的参数估计

分别用条件最小二乘、 加权条件最小二乘和最大拟似然方法估计了平稳的NEAR(p)模型的参数. 并讨论了这些估计量的渐近性质. 通过数值模拟发现, 当参数真值较小时, 最大拟似然方法的估计效果较好； 当参数真值较大时, 加权条件最小二乘方法的估计效果较好.     

PC准则下生长曲线模型回归参数阵广义岭估计的优良性

一般而言 ,PC准则是用来比较向量参数两个估计优劣的一种准则。本文将它推广应用于生长曲线模型回归参数阵的最小二乘估计和广义岭估计优劣性的比较。给出了广义岭估计在PC准则下优于最小二乘估计的条件     

线性模型广义最小二乘估计的中偏差、重对数律与相对效率

对回归模型进行适当变换,得到了线性模型广义最小二乘估计的中偏差及重对数律,并且在均方误差矩阵准则下得到了Bayes（BE）估计与广义最小二乘估计的2种不同相对效率的上下界．     

多元广义岭估计确定偏参数的两种准则

本文给出广义岭估计β（Ｋ）的偏参数Ｋ选择的Ｄ（Ｑ）准则和均方误差无偏估计的极小化准则,以及偏参数Ｋ的最优解公式．它使广义岭估计β（Ｋ）的均方误差（ＭＳＥ）明显小于 ＬＳ估计β的 ＭＳＥ．从而提高了广义岭估计的拟合精确度．最后给出一实例．