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.     

NGINAR(1)模型的Bayes估计及预测

先利用Bayes方法研究NGINAR(1)模型的参数估计问题, 再利用条件分布预测方法进行模型预测. 模拟结果表明, Bayes估计效果优于条件最小二乘估计和Yule Walker估计, 且条件分布预测方法比条件期望预测方法更适用于整数值序列.     

NGINAR(1)模型的Bayes估计及预测

先利用Bayes方法研究NGINAR(1)模型的参数估计问题, 再利用条件分布预测方法进行模型预测. 模拟结果表明, Bayes估计效果优于条件最小二乘估计和Yule Walker估计, 且条件分布预测方法比条件期望预测方法更适用于整数值序列.     

INAR(1)模型参数的Bayes估计

利用Bayes方法研究INAR(1)模型的参数估计, 给出了模型参数的Bayes估计因子, 并通过数值模拟将Bayes估计与Yule Walker估计、 条件最小二乘估计、 条件极大似然估计进行比较. 结果表明, Bayes估计方法在一定情形下优于其他方法.     

广义最小二乘限定记忆参数辨识方法与仿真研究

最小二乘参数辨识法可用于动态系统、静态系统、线性系统、非线性系统的参数估计.可用于离线估计,也可用于在线估计.最小二乘辨识法简单、实用,其递推算法收敛可靠,并且当模型噪声为白噪声时,可得到无偏、一致和有效的估计,从而得到广泛的应用.但当模型噪声是有色噪声时,最小二乘参数估计不是无偏、一致估计,并且随着数据的增长,最小二乘递推辨识算法将出现数据饱和现象,以致递推算法慢慢失去修正的能力.广义最小二乘递推算法解决了模型噪声是有色噪声时,最小二乘参数估计的无偏性和一致性问题,并能给出噪声模型的参数估计值,但依然存在数据饱和问题.论文在广义最小二乘递推算法的基础上引入限定记忆方式,获得了广义最小二乘限定记忆参数估计递推算法(RFMGLS),解决了广义最小二乘递推算法的数据饱问题.仿真结果表明了RFMGLS算法的有效性.     

NQD样本下部分线性模型中估计的强相合性

考虑回归模型：yi=xβ g(ti) σei≤i≤n,其中δ^1 i=f(ui),(xi,ti,ui)是固定非随机设计点列,β是未知待估参数,g和f是未知函数,随机误差序列{ei}为同分布的NQD序列．在一定的条件下,得到了β的最小二乘估计β、加权最小二乘估计β^-和最终加权最小二乘估计β^-的强相合性．     

关于Gauss-Markov估计在噪声方差矩阵不可逆时的化简

讨论了Gauss-Markov(简记为)估计与最优加权最小二乘估计之间的关系,证明了即使模型噪声方差阵不可逆,在一定条件下GM估计与最优加权最小二乘估计仍可以是统一的.     

基于加权整体最小二乘的多元线性回归分析

针对变形监测数据中自变量和因变量观测向量都含有误差、且采用一般最小二乘估计是有偏的这一问题,引入EIV模型,并顾及各自变量观测精度的不同,采用加权整体最小二乘对待估参数进行估计。长江三峡库区滑坡监测实验表明,基于加权整体最小二乘的多元线性回归分析能更好地对回归方程进行参数估计,可明显提高形变预测精度。     

一类变系数分组Cox回归模型及其估计

讨论了一类变系数分组Cox回归模型.该模型提高了线性分组Cox回归模型的灵活性和适应性.基于局部加权极大似然估计方法,讨论了该模型的参数估计问题,利用迭代加权最小二乘法给出了局部似然方程的迭代算法.     

自回归模型参数的加权最小二乘估计

将线性回归模型参数的加权最小二乘估计推广到12种自回归模型的参数估计。     

带有线性测量误差的半参数EV模型的估计

研究一类带有线性测量误差的半参数EV模型的估计问题.通过综合利用核光滑方法、修正最小二乘法和广义最小二乘法给出未知参数和未知函数的估计.在一般条件下,证明了未知参数估计的渐近正态性并给出了未知函数估计的收敛速度.     

半参数回归模型小波估计的相合性

研究一类固定设计下的半参数回归模型.通过利用最小二乘法、加权最小二乘法及新方法小波估计法给出了未知参数β的估计,在较弱的条件下给出了β的最小二乘估计∧βn的弱收敛速度、强相合性以及加权最小二乘估计~βn的强收敛速度.     

线性模型的新的两参数估计

基于最小二乘估计在复共线性存在时的不足,提出线性模型参数估计的一种新方法——新的两参数估计.首先,给出该估计的若干条基本性质——最小二乘估计的线性变换、具有有偏性、压缩性和可容许性.其次,在均方误差矩阵的意义下,证明该估计优于最小二乘估计和旧的两参数估计.     

异方差模型中协方差阵的估计研究

在异方差模型中,尽管回归系数的普通最小二乘(OLS)估计仍能保持无偏性,但其对应的协方差阵估计不再一致。解决异方差问题,对随机误差项协方差阵的估计显得尤为重要。基于异方差形式未知的情况下,非参数估计的良好效果,应用不同的非参数方法对误差项的协方差阵给出估计,进而通过估计加权最小二乘法得到回归系数的估计,并在已有的加权异方差一致协方差阵估计的基础上进行了拓展。模拟实验和实例分析表明,不同的非参数方法在回归系数的估计和模型的检验方面效果都有很大的差异。     

高分辨率遥感图像场景线性回归分类

线性回归分类是图像识别领域中一种简单而有效的分类方法,目前通常采用最小二乘方法对分类模型进行参数估计。然而,同一场景中不同的遥感图像相对应位置的灰度值不完全相同,而且遥感图像还可能包含椒盐噪声和高斯噪声,这些均会造成遥感图像场景分类精度的降低。为了解决这一问题,笔者提出采用稳健加权总体最小二乘方法对线性回归分类模型的参数进行估计。采用两组高分辨率遥感图像场景数据进行实验,将该方法与最小二乘方法、稳健最小二乘方法和加权总体最小二乘方法进行比较评估。实验结果表明,稳健加权总体最小二乘方法能够同时考虑观测向量和系数矩阵的误差,能够有效减少椒盐噪声和较大高斯噪声的影响,从而获得更高的总体分类精度。     

END序列下半参数回归模型估计的相合性

研究误差为END序列的半参数回归模型y_i=x_iβ+g(t_i)+σ_iε_i(i=1,2,…,n).应用加权估计与最小二乘估计方法,建立未知参数β和未知函数g的最小二乘估计与加权最小二乘估计的估计量.利用END序列的Rosenthal不等式以及截尾的方法证明p(p1)阶矩的相合性.     

随机误差项为MA(3)过程的Panel Data模型半参数估计方法

对含有MA(3)误差项的面板数据模型,应用半参数计量经济学理论,在相关假设基础上推导出半参数估计方法,并根据蒙特卡洛模拟对这种方法进行实证检验,结果证明这种半参数估计方法是可行的,并且相对参数估计方法(最小二乘估计和广义最小二乘估计法)具有较高的估计精度.     

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。     

缺失数据下MGINAR(p)模型的参数估计

首先, 用条件最小二乘方法讨论缺失数据下MGINAR(p)模型的参数估计问题, 得到了参数的条件最小二乘估计. 其次, 模拟验证4种处理缺失数据方法的可行性并比较估计效果, 模拟结果表明: 当缺失概率较小时, 可使用个案剔除法或均值插补法; 当缺失概率较大时, 可使用桥插补法, 以降低估计偏差.     

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。