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.     

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.     

广义岭型主成分估计优良性研究

对有偏估计中的广义岭型主成分估计的优良性进行了较深入的研究.证明了广义岭型主成分估计优于最小二乘估计的充要条件,并在此基础上对几类常见的有偏估计在均方误差(阵)条件下优于最小二乘估计的充要条件进行了拓展.     

线性模型参数一类新的s-K估计

基于线性回归模型参数向量的先验信息提出一类新的s-K估计——改进s-K估计,并在均方误差阵意义下,得到了这类估计分别优于最小二乘估计、广义岭估计、Stein估计及s-K估计的充要条件.     

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。     

线性模型参数一类新的s-K估计

基于线性回归模型参数向量的先验信息提出一类新的s-K估计--改进s-K估计, 并在均方误差阵意义下, 得到了这类估计分别优于最小二乘估计、 广义岭估计、 Stein估计及s-K估计的充要条件.     

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。     

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。     

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.     

生长曲线模型的几乎无偏岭估计

本文用几乎无偏岭估计来估计生长曲线模型中的回归系数,表明了在均方误差意义下,几乎无偏岭估计优于岭估计,并通过实例验证了该结果。     

岭回归参数选择的主成分方法

当线性回归模型中自变量出现共线时,最小二乘估计不再是良好估计。岭回归估计和主成分估计是新提出的两种估计方法,本文讨论了在某些条件下,这两种估计是很接近的,同时提供了一种选择岭回归参数K的方法,称为主成分选择法。文章还列举了两个典型例子来说明。     

聚集数据线性模型参数聚集Liu估计的相对效率

 当线性模型中的变量间存在复共线性时,常用有偏估计代替无偏估计。其中广义岭估计是研究较多的一种有偏估计。很多实际问题只能观测到聚集数据。本文给出了聚集数据线性模型聚集Liu估计的定义,提出了聚集Liu估计相对于最小二乘估计的两种相对效率,并得到这两种相对效率的上界;给出了聚集Liu估计相对于Peter-Karsten估计的2种相对效率及其上界。本文提出的聚集Liu估计,既能保证估计参数的稳定性,又能保证估计参数的近似无偏性,从这个意义上说,该估计在某种程度上优于聚集广义岭估计。     

一类线性模型参数的Bayes估计及其优良性

导出了一类线性模型中参数的Bayes线性无偏估计.在均方误差矩阵准则、predictive Pit mancloseness(PRPC)和posterior Pit man closeness(PPC)准则下分别研究了Bayes线性无偏估计相对于广义最小二乘估计的优良性.     

非齐次等式约束线性回归模型回归系数的条件岭型估计

对非齐次等式约束线性回归模型提出一种有偏估计,即条件岭型估计,证明了在一定的条件下,在均方误差及均方误差矩阵意义下都优于回归系数的约束最小二乘估计,并给出了两次随机数据模拟的结果,模拟数据结果表明在一定的条件下,条件岭型估计优于最小二乘估计.     

约束线性回归模型回归系数的条件岭型估计

本文提出了线性等式约束的线性回归模型回归系数的一种有偏估计-条件岭型估计,证明了在一定的条件下,在均方误差意义下及均方误差矩阵意义下都优于回归系数的约束最小二乘估计,并讨论了它的可容许性。     

复共线性下的主成分全最小二乘估计

针对最小二乘法在参数估计中的局限性,在多维解释变量存在复共线性时,提出主成分全最小二乘估计,避免奇异矩阵求逆的问题.经多组大量测试,计算得到的回归系数的平均绝对偏差均较小,且表现稳定,其效果明显地优于最小二乘估计和全最小二乘估计.     

线性模型中回归系数广义岭估计的小样本性质

在均方误差矩阵准则和Pitman closeness（PC）准则下讨论了线性回归模型中回归系数的广义岭估计相对于最小二乘估计的优良性及其相对效率的界．