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.     

广义岭型主成分估计的一些性质

讨论了广义岭型主成分估计的一些性质,引入一种估计的相对效率,证明了广义岭型主成分估计比岭型主成分估计和主成分估计的效率高,并且在Pitman准则下也优于岭型主成分估计和主成分估计.     

半相依回归系统参数的Stein型主成分改进估计

将S tein压缩思想与主成分改进估计相结合,研究两个半相依回归系统.当设计阵呈病态时,提出S tein型主成分改进估计,同时,给出当V未知时的两步估计.证明在均方误差意义下,S tein型主成分改进估计局部优于主成分改进估计和协方差改进估计.     

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。     

线性回归模型中的KL型主成分估计

当线性回归模型中存在复共线性时,基于最小二乘估计的统计推断往往会受到影响。鉴于此,结合主成分估计和KL估计,提出了一类新的估计方法,即KL型主成分估计,以期克服复共线性问题。同时,得到新的估计在均方误差意义下优于最小二乘估计、主成分估计、r-k估计、r-d估计和KL估计的充要条件。并利用Monte Carlo模拟和实证分析对各估计量在均方误差准则下进行了比较。     

均方误差准则下的几乎无偏Stein岭型主成分估计的优良性

将Stein岭型主成分估计利用几乎无偏估计思想进行优化,得到几乎无偏Stein岭型主成分估计.并考虑均方误差准则,得到了几乎无偏Stein岭型主成分估计优于最小二乘估计、Stein岭型主成分估计的充分条件.并通过数值实验证明在给定k或p时,几乎无偏Stein岭型主成分估计的均方误差与Stein岭型主成分估计的均方误差较为接近,且远大于最小二乘估计的均方误差.     

半相依回归系统的Stein型广义岭型主成分改进估计

对于一类半相依回归系统,将Stein压缩思想与广义岭型主成分改进估计相结合。提出Stein型广义岭型主成分改进估计,并且讨论这种估计及其相应的两步估计的优良性质。     

回归系数的一种有偏估计

为了改进最小二乘估计，克服其在设计阵呈病态时表现出的不可靠性，本文将最小二乘估计、Stein型估计和组合主成分估计的方法联合起来，提出了多元线性模型回归系数的一种新的有偏估计。并且证明了：此种估计在均方误差意义下是可容许估计；在参数区域的某个椭球内，这种新的估计优于最小二乘估计、主成分估计和组合主成分估计。     

相依误差线性模型中的主成分s-K估计

为同时克服线性回归模型的自相关性和回归变量间的复共线性,通过融合主成分回归估计和s-K估计,提出一类新估计,称为主成分s-K估计;并在均方误差阵意义下,得到了这类估计分别优于广义最小二乘估计、主成分估计、r-k和s-K估计的充要条件.Monto Carlo数值模拟表明,新估计是一种同时克服自相关性和复共线性的有效方法.     

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.     

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。     

A+与主成分估计

讨论moore-penrose逆A+及其与主成分估计的关系,揭示主成分估计的本质特性-主成分估计的解是最小二乘极小范数解.     

岭型主成分估计的最小方差和(英文)

讨论岭型主成分估计在一类降维估计中的方差性质,证明了它的方差和在这类降维估计中最小。文[1]的结果是本文的特例。