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。     

线性回归模型回归系数的条件岭型估计

研究了线性等式约束的线性回归模型回归系数的一种有偏估计--条件岭型估计,给出了在均方误差意义下条件岭型估计优于回归系数的约束最小二乘估计的条件.     

增长曲线模型未来观察的预测

研究了一般增长曲线模型未来观察的预测问题,在一定条件下得到了它的最优线性预测量,经验最优线性预测量,最优线性无偏预测量.     

关于有界线性算子的几个不等式

通过利用一个算子恒等式和关于多个算子的Bohr不等式,得到了关于有界线性算子的几个不等式,所得结果是同行前期结果的改进.同时,通过利用改进的几何-算术平均值不等式,得到了关于算子几何均值和算术均值的一个不等式,所得结果推广了现有的一个不等式.     

有限总体中条件最优预测的稳健性

研究了有限总体中条件最优线性无偏预测的稳健性,得到了条件线性可预测变量的这种预测关于协方差阵具有稳健性的充要条件。     

酉不变范数几何-算术平均值不等式的改进

得到了矩阵酉不变范数几何-算术平均值不等式的两个改进,并将所得结果和已有不等式进行了比较.     

对数正态分布序列单均值变点的识别和估计

针对数据呈现偏态分布且存在变点的情况,构建对数正态分布的单均值变点模型,给出分布的均值单变点模型的似然函数,并采用极大似然方法和贝叶斯方法对变点位置进行识别和估计．通过模拟比较研究,这两种方法都能有效地估计变点位置,在标准差和相对误差准则下,贝叶斯方法比极大似然方法效果更理想．其中共轭先验分布下的贝叶斯方法较无信息先验下的贝叶斯方法识别和估计变点位置表现更优．     

对数正态多层贝叶斯模型的参数估计

为了更好地捕捉呈偏态分布数据的变化,提高统计推断的精确度,将对数正态多层先验分布的构造方法与贝叶斯定理结合建立了对数正态多层贝叶斯模型。利用Gibbs抽样算法对各未知参数进行贝叶斯估计,并对使用Gibbs算法所生成的迭代链进行收敛性诊断。随机模拟结果显示,在相对误差、均方误差(MSE)准则下,贝叶斯估计的效果较似然估计更优。最后,通过实证分析证明了所建立的模型是切实可行的。