Bayes条件下非线性模型参数估计的渐近展开

给出了在Bayes条件下非线性回归模型的参数估计,建立了非线性回归模型的几何结构,推广了Bates和Wates关于非线性回归模型的几何框架,用几何方法求出参数估计的随机展开,并讨论了若干与统计曲率相关的渐近性质,给出了该模型的极大似然估计的方差和偏差的近似表示.     

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。     

基于EM算法和Gibbs抽样的污染模型的参数估计

研究简单回归模型中响应变量受到另一随机变量序列污染时,模型参数和污染系数的估计,运用EM算法给出了两类污染数据回归模型的参数的极大似然估计(MLE),并用Gibbs抽样的方法给出了未知参数的Monte-Carlo估计.     

确定过程模型参数的一个方法及其程序设计

本文应用回归分析方法,确定过程模型的参数,给出了用线性回归和优选法搜索参数的程序设计.     

C藤Copula自回归模型及其预测

通过研究严平稳时间序列的非线性自相关性,建立了C藤Copula自回归模型,并运用模型进行了预测。首先,基于C藤Copula理论建立C藤Copula自回归模型,给出某一时刻连续几个滞后项是否与这一时刻独立的判别方法,筛选出相关自变量;接着,给出模型的参数估计方法和基于蒙特卡洛模拟的预测方法;最后进行实证分析,结果显示C藤Copula自回归模型的预测效果优于ARMA(1,1)模型和Garch(1,1)模型。     

变参数自回归模型

对以往的灰色模型和自回归模型作了改进，给出了变参数自回归模型，并对其自激励型和自抑型系统内部作用变化进行了刻划。     

中心化半参回归模型系数的岭估计

文章讨论中心化半参数回归模型,通过LS和权函数法结合给出回归函数的估计,并讨论其强相合性,再运用岭估计给出未知系数的估计,证明其优良性．     

灰色-线性回归组合模型在预测中的应用

针对现阶段灰色经济预测方法在实际应用时的千变万化的情况,结合实际调查和预测经验,提出了一种基于灰色理论和线性回归理论的模型--灰色线性回归模型.给出了灰色-线性回归模型算法的基本思想和计算步骤,并举例说明如何用该模型解决实际问题.结果表明灰色-线性回归模型用于预测是有效的和可行的.     

变参数目回归模型

对以往的灰色模型和自回归模型作了改进，给出了变多数目回归模型，并对其自激励型和自抑制型系统内部作用变化进行了刻划。     

基于Logistic变换的回归正交试验模型

在解决线性回归问题时,回归正交试验具有较大的优越性,却无法解决非线性回归问题.本文依据广义线性模型的基本原理,针对非线性回归问题,引入Logistic变换,给出了基于Logistic变换的回归正交试验模型,实现了回归正交试验在非线性回归问题中的运用.将此方法运用到车险续保问题中,实例分析说明了该模型的可行性和有效性.     

增长曲线模型回归系数的岭型组合主成分估计

本文提出了增长曲线模型回归系数的一种新的改进估计．讨论了它的优良性,证明了参数区域的某个椭球内,这种新的估计优于最小二乘估计,且在均方误差的意义下是可容许估计。     

PC准则下错误指定模型中回归系数有约束LS估计的优良性

在错误指定的回归模型和线性约束条件下，于ＰＣ准则下，比较了回归系数的有约束的最小二乘估计（ＲＬＳＥ）相对于通常的最小二乘估计（ＬＳＥ）的优良性．也对预测情形类似的问题进行了讨论．     

线性模型中MLE的相合性

讨论了线性模型中回归系数的MLE的相合性的充分条件,有趣的是,与LSE相似,所得的条件只与试验点列有关.     

回归分析中复共线性的处理

近年来,对于回归分析中复共线性问题的研究。一直占有相当重要的地位。许多统计工作者在这一领域内进行了深入的研究。并取得了非常丰富的成果。本文在他们研究的基础上,系统地阐述了复共线性产生的原因及消除这种复共线性所采取的种种方法,并且富有成效地引入了线性模型中回归系数估计的一种估计类,使得一些非常重要的估计,如最小二乘估计、岭估计、Stein估计等都在这一估计类中得到了统一的描述。最后,本文还通过理论分析丛实例演示论证了在这个估计类中,各种回归系数估计有着和其他工作者所得到的相容的结论。     

多元响应回归模型及其参数的非线性最小二乘估计混合算法

针对多元响应数据的特点，建立了一个多元响应回归模型，对参数的非线性最小二乘估计进行了探讨。结合拟牛顿法和信赖域算法建立了一个非线性优化的混合迭代算法，该算法在一定条件下具有全局收敛性和超线性收敛性，对参数的非线性最小二乘估计是有效的。     

LSE的稳健性

用不同于Zyskind的方法在LS估计的稳健性方面得到了一些新结论。首先,对设计矩阵列满秩,协方差矩阵非奇异的情形,给出了GLSE和LSE相等的两个充要条件和一个充分条件,揭示了GLSE和LSE相等与它们方差相等之间的关系,对设计矩阵的一般情形,给出了三个充分条件,较好地解决了这方面的问题。     

最小二乘估计和最佳线性无偏估计的关系

本文讨论广义线性模型的均值向量的最小二乘估计和最佳线性无偏估计的关系,得到了它们相等的充要条件以及它们的偏差关系和偏差范数估计;并在欧氏范数下,进一步讨论了这种偏差估计。     

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     

回归系数的根方型主成分估计

在线性回归模型中，当自变量间存在复共线性时，回归系数的最小二乘估计就失去了它的优良性，而主成分估计和根方估计都具有抗复共线性的特性，本文将二者有机结台，保留它们各自的优点，提出了根方型主成分估计，并证明了当复共线性存在时，根方型主成分估计优于根方估计、主成分估计和最小二乘估计，通过实例分析，说明它具有一定的实用价值。