半相依回归系统的Stein型广义岭型主成分改进估计

对于一类半相依回归系统,将Stein压缩思想与广义岭型主成分改进估计相结合。提出Stein型广义岭型主成分改进估计,并且讨论这种估计及其相应的两步估计的优良性质。     

均方误差准则下的几乎无偏Stein岭型主成分估计的优良性

将Stein岭型主成分估计利用几乎无偏估计思想进行优化,得到几乎无偏Stein岭型主成分估计.并考虑均方误差准则,得到了几乎无偏Stein岭型主成分估计优于最小二乘估计、Stein岭型主成分估计的充分条件.并通过数值实验证明在给定k或p时,几乎无偏Stein岭型主成分估计的均方误差与Stein岭型主成分估计的均方误差较为接近,且远大于最小二乘估计的均方误差.     

岭型压缩主成分估计及其性质

本文定义了一类新的降维估计，称之为岭型压缩主成分估计。证明了，当参数满足一定条件时，它比主成分估计，岭型主成分估计及最小二乘估计有较小的均方误差。     

广义岭型主成分估计的一些性质

讨论了广义岭型主成分估计的一些性质,引入一种估计的相对效率,证明了广义岭型主成分估计比岭型主成分估计和主成分估计的效率高,并且在Pitman准则下也优于岭型主成分估计和主成分估计.     

回归系数的一种有偏估计

为了改进最小二乘估计，克服其在设计阵呈病态时表现出的不可靠性，本文将最小二乘估计、Stein型估计和组合主成分估计的方法联合起来，提出了多元线性模型回归系数的一种新的有偏估计。并且证明了：此种估计在均方误差意义下是可容许估计；在参数区域的某个椭球内，这种新的估计优于最小二乘估计、主成分估计和组合主成分估计。     

广义岭型压缩主分量估计及其优良性

对线性回归模型回归系数β,当设计阵X为病态时,提出一种新估计:广义岭型压缩主分量估计,它在MSE和GMSE准则下优于最小二乘估计,在均方误差准则下优于岭型压缩主成分估计,最后对它的可容许性进行了讨论。     

多元线性模型回归参数的主成分估计

在多元线性模型中, 当设计阵呈病态时, 我们可适当选择保留的主成分个数可致主成分估计比最小二乘估计有较小的均方误差.     

广义岭估计的一种新的改进方法

在线性回归模型中,当设计阵存在复共线性时,结合岭估计和主成分估计,提出一种广义岭估计的改进方法:k_1,k_2,r型岭估计.证明了在均方误差意义下,k_1,k_2,r型岭估计优于最小二乘估计、普通岭估计和主成分估计.     

线性回归模型中的KL型主成分估计

当线性回归模型中存在复共线性时,基于最小二乘估计的统计推断往往会受到影响。鉴于此,结合主成分估计和KL估计,提出了一类新的估计方法,即KL型主成分估计,以期克服复共线性问题。同时,得到新的估计在均方误差意义下优于最小二乘估计、主成分估计、r-k估计、r-d估计和KL估计的充要条件。并利用Monte Carlo模拟和实证分析对各估计量在均方误差准则下进行了比较。     

半相依回归系统的广义岭型主成分改进估计

对于一类半相依回归系统提出了一种广义岭型主成分改进估计,并讨论了这种估计及相应的两步估计的优良性质,获得了若干深入的结果.     

广义岭型主成分估计的优良性质

讨论线性回归模型的一种有偏估计广义岭型主成分估计,给出广义岭型主成分估计一些性质,证明在MSE和GMSE准则下是等价的并且优于最小二乘估计,在Pitman准则下优于最小二乘估计和岭型估计.进一步得到了在均方误差意义下广义岭型主成分估计是可容许估计的结论.     

压缩主成分估计的方差最优性质

结合压缩估计与主成分估计的思想方法,提出了压缩主成分估计.讨论了它在降维估计中的方差最优性质,推广了文献[1]的主要结果.     

A+与主成分估计

讨论moore-penrose逆A+及其与主成分估计的关系,揭示主成分估计的本质特性-主成分估计的解是最小二乘极小范数解.     

增长曲线模型回归系数的组合主成分估计

本文提出了增长曲线模型回归系数的一种新的有偏估计——组合主成分估计,在一定条件下证明了此估计优于最小二乘估计且是可容许估计,进一步,给出了这种估计与文献[4]中提出的主成分估计的关系。     

平衡损失函数下几乎无偏估计的统计性质

在平衡损失函数下, 讨论线性回归模型中几乎无偏Liu估计与几乎无偏Stein岭型主成分估计的统计性质. 分别给出几乎无偏Liu估计与几乎无偏Stein岭型主成分估计在平衡损失函数下的风险, 并在不同条件下讨论这两种风险的关系.