奇异线性模型相对效率的下界估计

定义了奇异线性模型的两种相对效率e2(β)和e5(β)，利用矩阵代数工具给出了e2(β)和e5(β)的3个下界估计，并且得到了一些矩阵不等式．     

线性模型中回归系数广义岭估计的相对效率

对于Gauss-Markov模型,给出了回归系数的广义岭估计相对于最小二乘估计的几种相对效率的上、下界,并讨论了它们之间的相互关系.     

单个总体方差差异的U统计量检验法

给出一种利用非参数统计中U统计量构造检验单个总体方差差异的方法,与χ2检验法相比,该方法不仅适用于更宽泛的场合,而且其渐近相对效率为1.     

带约束的Kantorovich不等式及其在LSE相对效率中的应用

本文给出了一种约束的Ｋａｎｔｏｒｏｖｉｃｈ不等式并将其就用于Ｇａｕｓｓ－Ｍａｒｋｏｖ模型和方差分量模型中ＬＳＥ的相对效率研究，得到了其下界，这些下界比起用不约束的Ｋａｎｔｏｒｏｖｉｃｈ不等式给出的下界更尖。     

基于排序集挑选抽样的分位数符号检验

针对传统的符号统计量只能检验中位数的弊端，提出检验总体分位数的基于排序集挑选抽样的符号统计量。并通过分析挑选抽样与均衡抽样的Pinllan相对效率，具体给出不同分位数的最优抽样，弥补了排序集抽样在检验极端分位数上的不足。     

回归系数的混合估计和最小二乘估计的相对效率

本文讨论了在具有附加信息的线性回归模型中,回归系数的混合估计和最小二乘估计的相对效率问题,在误差矩阵为正定的数量矩阵时,定义了一种新的相对效率.     

基于最小特征根的相对效率

对线性模型的最小二乘估计(LSE)与最佳线性无偏估计(BLUE)定义了一种新的相对效率,新的相对效率定义为最小特征根的比值,之后研究了它的下界及它与广义相关系数之间的关系.最后讨论了新的相对效率与已有的3种相对效率之间的关系.     

评价决策单元相对效率的修正DEA方法

在原有理论[1] 的基础上提出了一个新的DEA模型———CCRH ,给出了强有效的概念 ,论证了相关理论。CCRH模型与CCR模型相比有以下几个优点 :①描述决策单元的相对效率更确切 ;②利用参考决策单元的生产前沿面来描述评价决策单元“生产”情况得到的结果更加符合实际 ;③可以考查评价决策单元输入、输出变化时对其效率的影响。     

一般岭估计及其相对效率

讨论了下般Gauss-Markoff模型中未知参数向量的最优线形无偏估计的改造问题，引入了一般岭估计的概念且证明了其优良性，提出了关于优化无偏估计的三种估计的相对效率，并给出了它们的上界线下界。     

两类新的广义Kantorovich不等式及其应用

本文用谱范数和欧氏范数作为度量,给出了分别属于谱范数类和欧氏范数类的一系列广义Kantorovich不等式(Generalized Kantorovich inequality,简记为GKI),与之对应的是文献[1—4]中首先给出的行列式类、商迹类和迹商类GKI,它们分别给出了det(X′AXX′A~(-1)X),tr(X′AXX′A~(-1)X)与tr(X′AX)/tr(X′A~(-1)X)~(-1)的上界,这里X为n×p阶矩阵,满足X′X=