广义压缩最小二乘估计的优良性

本文讨论了广义压缩最小二乘估计均方误差、均方残差的一些性质，另外还分别在Ｑ（ｃ）准则及Ｐｉｔｍａｎ准则下讨论了广义压缩最小二乘估计的优良性。     

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。     

压缩主成分估计的一些性质

讨论了压缩主成分估计的一些性质，证明了在一定条件下，此估计比最小二乘估计有更小的广义均方误差并且在PC准则下也优于最小二乘估计．对Y的预测量做了比较。     

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     

多元广义压缩最小二乘估计

引进了多元线性模型中回归系数β＝Ｖｅｃ（Ｂ）的广义压缩最小二乘估计β（Ａ），讨论了它的均方误差与均方残差的性质，指出了根据均方误差准则选取Ａ值的主要缺陷，采用了一种选取Ａ值的新准则Ｑ（Ｃ），它包含均方程差准则和最小二乘准则作为特例，并从理论上证明了Ｑ（Ｃ）准则的优良性。     

广义压缩最小二乘估计中的一个影响度量

广义方差比是一个效率度量.这里用它作为判定数据时广义压缩最小二乘估计的影响度量,讨论了数据对广义压缩最小二乘估计的影响问题.找到了广义方差比度量与Hoetelling广义相关系数的精确关系.     

联立方程模型参数的主成分压缩估计简

在外生变量设计矩阵X复共线时,证明了恰好识别的联立方程模型参数的间接最小二乘估计的均方误差变大的事实,为改善间接最小二乘估计的偏误,提出了参数的主成分压缩估计,并讨论了其优良的统计性质,数值模拟也验证了主成分压缩估计优于间接最小二乘估计.     

广义G-M 模型参数的Bayes线性无偏估计及其优良性

针对广义Gauss-Markov(G-M)模型,采用Bayes估计方法获得参数的Bayes线性无偏估计(BLUE),在均方误差矩阵准则下与广义最小二乘(GLS)估计进行比较,导出了4种相对效率的界,讨论了在PC准则下BLUE相对于GLS估计的优良性.     

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.     

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．     

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.     

压缩主成分估计的方差最优性质

结合压缩估计与主成分估计的思想方法,提出了压缩主成分估计.讨论了它在降维估计中的方差最优性质,推广了文献[1]的主要结果.     

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。     

多元线性模型回归系数的Stein型估计

本文对多元线性模型的回归系数提出了Stein型估计,可使其MSE小于LS估计。分析了选取参数矩阵K的MSE准则存在的缺陷,于是应用Q(C)准则克服这些缺陷。从理论上证明了Q(C)准则的优良性,并给出了确定C的方法。     

多元广义岭估计确定偏参数的两种准则

本文给出广义岭估计β（Ｋ）的偏参数Ｋ选择的Ｄ（Ｑ）准则和均方误差无偏估计的极小化准则,以及偏参数Ｋ的最优解公式．它使广义岭估计β（Ｋ）的均方误差（ＭＳＥ）明显小于 ＬＳ估计β的 ＭＳＥ．从而提高了广义岭估计的拟合精确度．最后给出一实例．     

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.     

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。     

加权最小二乘估计中选择权数的迭代算法

介绍了加权最小二乘估计的性质及其常见权数选择的方法,并给出评判一个好的二乘估计的标准,由此提出选择权数的迭代算法.