约束线性回归模型的一种新的可容许估计

对于带约束的线性回归模型y=Xβ+e,E(e)=0,Cov(e)=σ2W,W＞0,Xβ=0,给出了回归系数的有偏估计β*R(k)=(kM+I)-1β*R,给出了在均方误差阵意义下新的估计β*R(k)优于约束最小二乘估计β*R的条件.     

约束线性回归模型的一种新的可容许估计

目的对于带约束的线性回归模型,y=Xβ+e,E(e)=0,cov(e)=σ2V,V>0,Rβ=0,给出了回归系数的有偏估计βR*(K)=(KM+I)-1βR*其中K=diag(k1,k2,…,kp)。方法应用比较的方法。结果与结论求出了在均方误差意义下βR*(K)优于β*R的条件,并讨论了其可容许性。     

约束线性回归模型的一种有偏估计

对于带约束的线性回归模型,y=Xβ+e,E(e)=0,Cov(e)=σ2V,V>0,Rβ=0,给出了回归系数的有偏估计β*R(k)=(kM+I)-1β*R(k≥0),讨论了其一些性质,而且给出了在均方误差阵下β*R(k)优于β*R的条件.     

线性回归模型中K-d型估计研究

考虑线性回归模型Y=Xβ＋ε,E（ε）=0,Cov（ε）=σ2 I,当设计矩阵X的列存在共线性时,最小二乘估计β=（X′X）-1 X′Y的性质变坏,为此给出了有偏估计β（K,d）=（X′X＋K）-1（X′Y＋dβ）,其中K〉0为对角矩阵,ki〉0,-∞〈d〈∞为参数,讨论了这种有偏估计对Liu估计、最小二乘估计的优越性,并证明了其可容许性估计。     

广义岭估计的新定义及其性质

Hoerl和Kennard提出了广义岭估计[1].本文提出了另一类广义岭估计β^(K)=(X'X+K)-1X'Y,K=diag(K1,K2,…Kp),它是岭估计的自然推广,但和前者的广义岭估计不同.证明了存在K＞0使β^(K)的均方误差小于最小二乘估计β=(X'X)-1X'Y的均方误差,并且β^(K)是β的可容许估计.     

回归系数的一种有偏估计

在线性回归模型Y=Xβ ε;E(ε)=0;Cov(ε)=σ2V,V＞0下,给出了一种新的有偏估计(β)(F(K))=(X′V-1X TF(K)T′)-1X′V-1Y,讨论了这种有偏估计的优良性,推广了已有的相关结果.     

多重线性回归的最小二乘估计的递推算法

给出多重线性回归yi=β0+β1xil+…+βpxip+εi(i=1,2,…,n)的最小二乘估计的递推算法β(n)=β(n-1)=PnXn(yn-Xtnβ(n-1)Pn=Pn-1-Pn-1XnXtnPn-1β(0)=0,P0=αI(α>>1).这种算法是自适应的,也是均方收敛的.     

克服复共线性的一种新方法

本文提出一种新的有偏估计_w=(X′X+I)~(-1)(X′Y+w_(LS)),其中0相似文献   

线性模型BLUE和SLSE的相等关系

考虑广义线性模型M=(Y,Xβ,V)和相应的模型M_r=(Y,Xβ|Rβ=S,V),我们得到了均值向量μ=E(Y)的BLUE(?)(在M下)和(?)(在M_r下)以及SLSEμ~*(在M下)相等的充要条件.即μ~*=(?)=(?)的充要条件为Z_m(XU)=Z(?)(VX)=Zm(X)或等价地M(XU)=M(VX)=M(X)     

回归系数的一种有偏估计

在线性回归模型Y=Xβ＋ε；E（ε）=0；Cov（ε）=σ^2V，V〉0下，给出了一种新的有偏估计β^-（F（K））=（X′V^-1X＋TF（K）T′）^-1X′V^-1Y，讨论了这种有偏估计的优良性，推广了已有的相关结果．     

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。     

基于改进LMMSE的UFMC信道估计算法

针对将线性最小均方误差(linear minimum mean square error, LMMSE)算法直接应用于通用滤波多载波(universal filter multi-carrier,UFMC)系统中需要先验信道相关矩阵信息的不足,提出基于LMMSE的改进算法.该算法在频域对使用最小二乘(least square, LS)算法获得的信道频率响应进行平滑处理,在时域通过优化采样点的截短以确定理想的信道采样长度,并采用迭代估计方法获得最优信道相关矩阵,从而避免先验信道相关矩阵信息.经MATLAB仿真验证,改进后的算法对噪声的干扰可以有效抑制,对比传统LMMSE算法误码性能提升约2 dB,可以有效改善信道估计的准确度.     

混合系数线性模型参数的新估计与LS估计的比较

混合系数线性模型在连续测量数据的情况下，给出了固定系数a和随机系数期望b的一种新估计．在均方误差的意义下，证明了混合系数线性模型参数的新估计优于最小二乘估计（LS估计），并给予了应用举例．     

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.     

基于傅立叶变换的OFDM信道估计方法研究

分析了无线OFDM 系统中基于傅立叶变换的信道估计方法,提出了在低信噪比情况下使用LMMSE估计的一种改进方法和在高信噪比情况下使用不需要先验信息的LS估计的改进方法。仿真结果表明，在无线多径慢衰落信道条件下，该改进方法都能够有效对抗频率选择性和先验信息的估计偏差对信道估计的影响，在估计性能与算法复杂度之间取得良好折衷。     

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。     

非线性模型最小二乘估计强相合性的又一证法

本文采用了一种带有普遍性意义的方法给出非线性模型最小二乘估计强相合性的又一证法,     

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.     

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     

关于最小二乘法的参数估计问题探讨

数学建模中经常要用最小二乘法进行参数估计,本文介绍了用最小二乘法进行参数估计的原理,以及在计算机上如何估计参数.