部分线性可加模型的随机约束Liu估计

研究了部分线性可加模型在参数部分附加有随机约束条件且存在多重共线性时的估计问题.文中基于Profile最小二乘方法、混合回归估计和Liu估计方法,提出了参数分量的Profile混合Liu估计,给出了估计量的偏和方差,并讨论了其渐近分布.     

部分线性变系数模型的随机约束估计

本文考虑部分线性变系数模型在参数分量含有随机线性约束时的估计问题.基于Profile最小二乘估计方法和混合回归估计构造了参数分量的Profile混合估计,并讨论了该估量的渐近性质.     

部分线性模型中的广义差分混合Liu型估计

考虑部分线性模型带随机约束和存在复共线性的情形,针对回归系数向量的估计问题,基于广义差分和Liu型估计方法,提出了广义差分混合Liu型估计,并得到了新估计在均方误差矩阵意义下优于广义差分最小二乘估计、Liu型估计及广义差分混合估计的充要或充分条件.最后,通过数值模拟方法比较了几类估计在均方误差准则下的优良性.     

半参数可加模型参数的Bayes估计

研究了半参数可加模型参数的Bayes估计问题.导出了半参数可加模型中参数的Bayes最小风险线性无偏估计,同时研究了其均方误差矩阵准则下优于Profile最小二乘估计的优良性.     

部分线性可加模型的约束估计

文章讨论部分线性模型在约束情况下的估计问题.在一般的线性约束条件下利用两种方法构造参数分量的约束估计;当参数部分附加随机约束条件时,依据混合估计方法与Profile最小二乘方法,构造参数分量的随机约束估计;讨论一般约束估计和随机约束估计的关系.     

聚集数据线性模型参数聚集Liu估计的相对效率

 当线性模型中的变量间存在复共线性时,常用有偏估计代替无偏估计。其中广义岭估计是研究较多的一种有偏估计。很多实际问题只能观测到聚集数据。本文给出了聚集数据线性模型聚集Liu估计的定义,提出了聚集Liu估计相对于最小二乘估计的两种相对效率,并得到这两种相对效率的上界;给出了聚集Liu估计相对于Peter-Karsten估计的2种相对效率及其上界。本文提出的聚集Liu估计,既能保证估计参数的稳定性,又能保证估计参数的近似无偏性,从这个意义上说,该估计在某种程度上优于聚集广义岭估计。     

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.     

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     

基于等效平差因子的方差-协方差分量估计

充分挖掘观测量的信息,利用矩阵变换将随机模型的方差-协方差分量估计转化为函数模型的均值参数的估计,借助最小二乘理论得到方差-协方差的最小二乘估计.进一步通过矩阵的正交变换引入等效平差因子,然后通过二次型定理提出了基于等效平差因子的方差-协方差分量估计的新方法.算例表明,基于等效平差因子的方差分量估计的效果要优于最小二乘方差分量估计.     

线性等式约束的奇异线性模型的Liu型估计

考虑带等式约束的奇异线性模型的参数估计,为了克服复共线性问题,提出一个新的Liu型估计;同时给出这个估计的一些性质,并且得到了这个新的Liu型估计在均方误差矩阵准则(MSEM)下优于约束最小二乘估计的充要条件;得到在均方误差(MSE)准则下新估计优于约束最小二乘估计的充分条件.     

Multiple change-points estimation of moving-average processes under dependence assumptions

In this paper, some results of convergence for a least-square estimator in the problem of multiple change-points estimation are presented and the moving-average processes of ρ-mixing sequence in the mean shifts are discussed. When the number of change points is known, the consistency of change-points estimator is derived. When the number of changes is unknown, the consistency of the change-points number and the change-points estimator by penalized least-squares method are obtained. The results are also true for φ-mixing, α-mixing, associated and negative associated sequences under suitable conditions.     

Jackknifed Liu estimator in linear regression models

In this paper, we introduce a generalized Liu estimator and jackknifed Liu estimator in a linear regression model with correlated or heteroscedastic errors. Therefore, we extend the Liu estimator. Under the mean square error(MSE), the jackknifed estimator is superior to the Liu estimator and the jackknifed ridge estimator. We also give a method to select the biasing parameter for d. Furthermore, a numerical example is given to illustvate these theoretical results.     

线性模型中的一种新的k-d类估计

提出了线性模型中考虑样本信息中关于参数的先验信息的一种新的两参数估计,并给出了在均方误差矩阵准则下这种新的两参数估计优于Liu估计和修正Liu估计.     

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。     

MIMO-OFDM蜂窝系统中优选训练序列及信道估计

对多输入多输出正交频分复用(MIMO-OFDM)蜂窝系统中的信道估计进行了研究，推导了用于多小区多天线的最优训练序列条件，给出了一种实用优选训练序列，并在此基础上提出了一种迭代信道估计算法．结果表明，所提出的迭代信道估计算法可以有效抑制同信道干扰对估计精度的影响，使该估计器具有更高的估计精度，在同信道干扰环境中性能更稳健，从而使接收机性能更靠近理想信道估计的性能．     

基于广义排序集样本的分位数估计

为提高总体分位数的估计效率,提出基于广义排序集抽样的非参数加权估计量.根据估计量的强相合性和渐近正态性,给出了在任意给定的抽样方案下使渐近方差达到最小的权数.再利用最优权数的适应任意分布性,证明出使估计效率达到最大的抽样方案是从所有排序小组中挑选具有同一次序的观测值.通过对渐近相对效率的数值计算和一组真实数据的实际应用,表明最优加权估计功效高于无权估计,最优排序集抽样效率高于标准排序集抽样和简单随机抽样.      

广义系统解耦融合Wiener状态估值器

应用现代时间序列分析方法,基于自回归滑动平均（ARMA）新息模型和白噪声估计理论,在线性最小方差分量标量加权最优信息融合准则下,提出了多传感器广义线性离散随机系统分量解耦融合Wiener状态估值器,可统一处理融合滤波、预报和平滑问题,可处理非因果广义系统。为了计算最优加权,给出了计算局部估计误差互协方差阵公式。它的精度比每个局部估值器精度高。一个MonteCarlo仿真例子说明其有效性。     

普通最小二乘估计方差表达式的等价性

从最小二乘估计的经典假定出发,运用最小二乘估计的相关理论,证明了一元线性回归模型中常数项的普通最小二乘估计方差表达式的等价性。     

半相依回归模型两步估计的均方误差占优性

一般得到了两方程相依回归模型的任一线性估计在均方误差准则下优于最小二乘估计的充要条件，据此提出一种新的广义非限定两步估计类（非线性），推导得到了这种两步估计的精确均方误差结果，研究了它优于最小二乘估计，甚至优于Zellner估计的统计性质。