方差分量模型中线性估计的最优性及可容许性

将随机效应线性模型和方差分量模型合并为一种模型,即具有随机回归系数的方差分量模型;给出了随机回归系数和参数的线性可估函数的最优线性无偏估计以及在矩阵损失函数下的可容许性;在正态假设下,讨论了线性估计在一切估计类中的可容许性.     

Bayes线性无偏估计的稳健性

考虑Bayes线性无偏估计关于误差分布的稳健性,给出误差项ε的最大分布类,使得误差项ε的分布在此范围内变动时,Bayes线性无偏估计都是最优估计.     

矩阵损失下贝叶斯线性无偏估计及其稳健性

证明了,在一般线性模型中,未知参数在二次损失下的贝叶斯线性无偏估计也是矩阵损失下的贝叶斯线性无偏估计.讨论了贝叶斯线性无偏估计关于误差分布的稳健性,给出了未知参数的贝叶斯线性无偏估计是最优估计的充分必要条件.     

奇异线性模型下最小范数二次无偏估计关于误差分布的稳健性

讨论奇异线性模型下方差σ2的最小范数二次无偏估计关于误差分布的稳健性问题,得到方差的最小范数二次无偏估计保持最优的误差项的最大分布类.进一步考虑可估计函数Xβ的最佳线性无偏估计的稳健性,得到了Xβ的最佳线性无偏估计与方差σ2的最小范数二次无偏估计同时最优的误差项的最大类.     

一般线性模型中参数的平衡广义LS估计

基于平衡损失的思想,对一般线性模型提出了一种全面地度量估计优良性的标准,给出了在此标准下回归系数的平衡广义最小二乘估计,并讨论了其优良性.得到了该估计为无偏估计的充分必要条件,以及在一定条件下,在均方误差损失的准则下平衡广义最小二乘估计优于最佳线性无偏估计的充分必要条件.     

混合系数线性模型中参数估计的一些结果

对于在二次损失和矩阵损失下混合系数线性模型的参数估计问题, 分别给出了在仿射变换群下存在回归系数的一致最小风险无偏(UMRU) 估计和一致最小风险同变( UMRE) 估计的充要条件和在平移群下存在一致最小风险同变估计( UMRE) 的充要条件, 导出了回归系数的广义最小二乘估计的可容许性.     

增长曲线模型中协差阵与回归系数阵的最优估计

在椭球等高分布情形下给出了增长曲线模型中协差阵与回归系数阵的最小模不变二次加线性无偏估计,并得到了最小模不变二次加线性无偏估计成为一致最小方差不变二次加线性无偏估计以及一致最小方差不变二次加线性无偏估计存在的充要条件。     

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.     

设计阵列亏秩时几种估计性能的比较

在给定的线性模型下，讨论了在设计阵列亏秩时，最小二乘估计、最优加权最小二乘估计和线性无偏最小方差估计的性能比较。得出了在一定条件下，最优加权最小二乘估计等价于线性无偏最小方差估计。在噪声方差矩阵可逆、未知参数方差矩阵可逆条件下，可算出最优加权最小二乘估计与线性无偏最小方差估计方差的差表达式，并在一定条件下，两者趋于一致。     

矩阵损失下随机回归系数和参数的局部线性Minimax估计(英文)

对于带有随机效应的一般线性模型,考虑了随机回归系数和参数线性组合的Minimax估计问题.在矩阵损失下,研究了这个组合的线性估计在线性估计类中的局部极小极大性.并在适当假设下,得到了线性可估函数的惟一局部线性Minimax估计.     

平衡损失下回归系数的最小风险估计

研究了线性模型中回归系数的最小风险估计问题.在平衡损失函数下,考虑了回归系数线性估计在线性估计类中的最小风险性,结果表明最小风险估计是非线性有偏估计,它与未知参数有关,当用未知参数的不同估计代替时,得到的估计都是一种估计的平衡.     

平衡损失下等式约束模型参数的Minimax估计

研究等式约束模型中回归系数的线性Minimax估计问题.在改进Zellner提出的平衡损失函数的基础上,分析了齐次线性估计类中等式约束模型中回归系数线性估计损失风险的极大极小性,并得到了回归系数的线性Minimax估计;在适当的假设下,证明了回归系数线性Minimax估计的唯一性.     

复共线性条件下广义岭估计的改进

对于复共线性条件下线性回归模型的广义岭估计进行了进一步的研究。针对线性回归模型病态的根本原因,提出了一类新的估计——0-K型广义岭估计。研究这一估计的性质,证明利用0-K型广义岭估计技术可以改进广义岭估计(在均方残差意义下)。文中的方法为病态线性回归模型系数的有偏估计提供了改进的技术途径。     

线性回归模型系数的有偏估计研究

针对引起线性回归模型LS估计性能变坏的根本原因,提出了回归系数的广义c-K估计,将众多经典的有偏估计结合在一起,对有偏估计的改进进行研究.分别证明了选择广义岭参数可对狭义岭估计进行改进,选择压缩因子可对广义岭估计进行改进,给出了参数的最优值.为病态线性回归模型系数的有偏估计的改进提供了有效途径.     

部分线性变系数EV模型估计的渐近正态性

研究非参数部分带有测量误差(EV)的部分线性变系数模型,综合局部纠偏方法和Profile最小二乘估计方法定义了模型中未知参数和系数函数的估计,并在适当条件下证明了它们的渐近性质,最后通过数值模拟研究了所提估计方法在有限样本下的实际表现。     

方差分量模型中回归系数的线性Minimax估计

定义了三种不同的Minimax估计．在矩阵损失下得到了方差分量模型的回归系数(分别是在齐次线性估计类和非齐次线性估计类中)的线性Minimax估计．结果表明,Minimax估计是压缩型估计．     

模糊随机向量的性质及在回归模型中的应用

研究了模糊随机向量的性质,并将其应用于带有随机干扰的模糊线性回归模型,得到了它的渐进无偏模型,给出了它的近似最优估计。     

平衡损失下带约束的回归系数的线性容许估计

文章在推广的矩阵形式的平衡损失函数下,利用矩阵的向量化方法,研究了带线性约束的多元线性模型中回归系数的线性可容许估计;并在齐次线性估计类和非齐次线性估计类中,分别得到了齐次线性估计和非齐次线性估计是可容许估计的充分和必要条件,推广了有关文献的结果。     

基于GRSS的均匀分布分位数的估计

主要讨论的是基于ni不固定的广义排序集样本的均匀分布分位数的估计,提出了包括GRSS最小方差无偏估计,简单估计和均衡排序集估计,计算了方差和相关系数,并相互进行了比较.