增长曲线模型回归系数的压缩最小二乘估计

本文采用压缩最小二乘估计Ｂ∧（ｍ）来估计设计阵呈病态时的增长曲线模型回归系数阵Ｂ．通过ｍ值的选取，可使β＾（ｍ）＝Ｖｅｃ（Ｂ∧（ｍ））的均方误差小于β＝Ｖｅｃ（Ｂ）的ＬＳＥβ∧的均方误差．证明了β∧（ｍ）具有可容许性、抗干扰性和有效性，并给出了实际应用中选取ｍ值的方法．     

混合系数线性模型参数的根方估计

针对连续测量数据，给出了混合系数线性模型参数的根方估计ｄ（ｋ）和ｄ（ｋ）（０＜ｋ＜１），并且证明了通过根方参数ｋ的选取，可使根方估计ｄ（ｋ）和ｄ（ｋ）的均方误差（ＭＳＥ）分别小于最小二乘估计（ＬＳＥ）ｄ和ｄ的ＭＳＥ     

多κ类广义压缩最小二乘估计

提出线性模型中回归系数的多k类广义压缩最小二乘估计的概念．在均方误差的意义下，给出了该估计一致优于最小二乘估计的充分条件．     

错误指定模型中回归系数混合估计的小样本性质

在均方误差矩阵（ＭＳＥＭ）准则和ＰｉｔｍａｎＣｌｏｓｅｎｅｓ（ＰＣ）准则下,本文比较了错误指定的线性回归模型中回归系数的混合估计相对于最小二乘估计的优良性     

线性模型参数估计中的效率

对一般的ＧａｕｓＭａｒｋｏｆ模型：Ｙ＝Ｘβ＋ｅ,Ｅ（ｅ）＝０,Ｃｏｖ（ｅ）＝σ２Ｖ,Ｖ≥０,给出了μ＝Ｘβ的最小二乘估计的３种相对效率和它们的下界．对一般的方差分量模型：Ｙ＝Ｘβ＋ｅ,Ｅ（ｅ）＝０,Ｃｏｖ（ｅ）＝∑ｔｉ＝１θｉＶｉ,θｉ＞０,Ｖｉ≥０,相拟地定义了μ＝Ｘβ的最小二乘估计的３种相对效率并给出了它们的下界．     

有约束的线性模型下的最小二乘估计与最佳线性无？…

研究了无约束的线性模型Ｍ＝（Ｙ，Ｘβ，σ＾２Ｖ）下的Ｘβ最小二估计ＯＬＳＥ（Ｘβ）与在相应的有约束的线性模型Ｍｒ＝（Ｙ，Ｘβ）Ｒ′β＝０，σ＾２Ｖ）下的最佳线性无偏估计ＢＬＵＥ（Ｘβ）的比较问题，建立了Ｍｒ下这两个线性无偏估计量相等的充要条件。     

SUR 回归模型中最小二乘估计与 Gauss-Markof 估计及两步估计重合的条件

讨论了（１）如何确定ＳＵＲ回归模型的协方差参数矩阵的列展空间;（２）在什么条件之下,ＳＵＲ回归模型的最小二乘估计,Ｇａｕｓｓ－Ｍａｒｋｏｆ估计,及Ｚｅｌｎｅｒ的两步估计可以相等。此外,也得到了关于最小二乘估计在线性无偏估计类中的容许性的某些结果。     

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。     

严格的最小二乘递推算法

当缺乏待估计量的初始统计知识时,最小二乘递推（ＲＬＳ）算法不能给出严格意义下的最小二乘估计．本文继文献［１］之后,应用广义逆的理论,分别就一般加权情形、最优加权情形和指数加权情形给出了严格的最小二乘速推算法（简称Ｒ２ＬＳ算法）．该算法无需事先提供待估计量的任何统计知识而能获得严格意义下的最小二乘估计,且证明了该算法分别为时变与定常系统提供了最短时间无偏状态估计算法与无差状态观测器．     

部分线性模型中估计的强相合性

考虑回归模型ｙｉ＝ｘｉβ＋ｇ（ｘｉ）＋σｉｅｉ,１≤ｉ≤ｎ,其中σｉ２＝ｆ（ｕｉ）,（ｘｉ,ｕｉ）是固定非随机设计点列,ｆ（·）和ｇ（·）是未知函数,β是待估参数,ｅｉ是随机干扰．本文基于ｇ（·）及ｆ（·）的一类非参数估计的β的最小二乘估计βｎ和加权最小二乘估计βｎ,在适当的条件下证明了它们的强相合性．     

错误先验假定下多元回归系数Bayes估计的性质

在错误指定的先验假定下研究了多元回归系数估计 (BE) ,并在矩阵损失下对其与最小二乘法估计 (LSE)进行了比较 ,同时讨论了在后验Pitmancloseness准则下BE相对于LSE估计的优良性     

正态-逆Gamma先验下线性模型中回归系数和误差方差Bayes估计的改进

在正态 逆Gamma先验下, 研究线性模型中回归系数和误差方差Bayes估计的优良性, 改进了已有的结果, 去掉了附加条件. 在Pitman准则下, 证明回归系数的Bayes估计优于最小二乘估计(LSE), 并讨论误差方差的Bayes估计在均方误差准则下相对于LSE的优良性. 最后进行Monte Carlo模拟研究, 进一步验证了理论结果.     

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.     

平衡损失下Bayes线性无偏最小方差估计的优良性

在平衡损失风险函数准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于最小二乘(LS)估计的优良性.在predictive Pitman closeness(PRPC)准则下研究了BLUMV估计相对于LS估计的优良性.     

平衡损失下回归系数James-Stein估计的性质

在平衡损失下给出了回归系数James—stein估计优于最小二乘(LS)估计的充要条件，得到了在Pitman close—ness准则下James—Stein估计相对于LS估计的优良性。     

平衡损失函数下Bayes线性无偏最小方差估计的优良性

在平衡损失风险函数准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于最优加权最小二乘(OWLS)估计的优良性,并导出在一定条件下二者趋于一致。在PRPC(predictive Pitman closeness criterion)准则下研究了BLUMV估计相对于OWLS估计的优良性。     

一类非线性岭估计的优良性

提出了线性回归模型中回归系数的一类非线性岭估计 ,并分别在广义均方误差准则和PC准则下讨论了它相对于LS估计的优良性 .     

线性回归模型中估计与检验的稳健性

本文讨论线性回归模型中回归系数的最小二乘估计和似然比检验统计量的稳健性,分别给出了充要条件,充分条件和必要条件;并给出这些结果在两阶段抽样回归模型中的应用。     

线性回归模型中估计与检验的稳健性

本文讨论线性回归模型中回归系数的最小二乘估计和似然比检验统计量的稳健性,分别给出了充要条件,充分条件和必要条件;并给出这些结果在两阶段抽样回归模型中的应用。