回归系数的一类线性估计相对于GLS估计的优良性

对线性回归模型中的一类线性估计,在均方误差矩阵准则和PC准则下,研究了它相对于广义最小二乘估计的优良性.当设计阵为非列满秩时,讨论了回归系数的可估函数的优良性.     

广义岭估计及其相对效率

讨论了一般Gauss-Markoff模型中未知参数的广义岭估计，并证明了其优良性，比较了三种估计的分别基于方差和均方误差的相对效率，并给出了它们的上下界。     

广义岭型主成分估计优良性研究

对有偏估计中的广义岭型主成分估计的优良性进行了较深入的研究.证明了广义岭型主成分估计优于最小二乘估计的充要条件,并在此基础上对几类常见的有偏估计在均方误差(阵)条件下优于最小二乘估计的充要条件进行了拓展.     

多元广义岭估计及K值选取的Q（C）准则

本文采用广义岭估计β~*(K)来估计多元线性模型中的回归系数β=Vec(B),通过K值的选取,可使均方误差MSE小于LS估计的MSE。分析了广义岭估计中根据MSE准则选取K值存在的主要缺陷,从理论上证明了选取K值的新准则——Q(C)准则的优良性,并给出了实际应用Q(C)准则的方法。     

广义岭估计的方差最优性质

Hoerl和Kennard在1970年提出了岭估计,它是一种重要的有偏估计。本文在均方误差准则下,讨论了广义岭估计相对于LS估计的优良性质及其推广结果。     

一类线性模型参数的Bayes估计及其优良性

导出了一类线性模型中参数的Bayes线性无偏估计.在均方误差矩阵准则、predictive Pit mancloseness(PRPC)和posterior Pit man closeness(PPC)准则下分别研究了Bayes线性无偏估计相对于广义最小二乘估计的优良性.     

广义岭估计的相对效率

考察Gauss-Markoff模型中未知参数向量的最优线性无偏估计的改造问题,引入讨论了方兴等 提出的最优化无偏估计的一种估计的相对效率,把其对一般岭估计的部分研究结果推广到广义岭估计。     

线性模型中回归系数广义岭估计的小样本性质

在均方误差矩阵准则和Pitman closeness（PC）准则下讨论了线性回归模型中回归系数的广义岭估计相对于最小二乘估计的优良性及其相对效率的界．     

广义岭型组合主成分估计及其K值的选取

本文把岭型组合主成分估计拓广为广义岭型组合主成分估计＾α（ｃ）证明＾α（ｋ）能更有效地改善ＬＳ估计，并运用Ｑ（ｃ）准则得到广义岭型组合主成分估计的显示解及得到该解的迭代算法     

复共线性条件下广义岭估计的改进

对于复共线性条件下线性回归模型的广义岭估计进行了进一步的研究。针对线性回归模型病态的根本原因,提出了一类新的估计——0-K型广义岭估计。研究这一估计的性质,证明利用0-K型广义岭估计技术可以改进广义岭估计(在均方残差意义下)。文中的方法为病态线性回归模型系数的有偏估计提供了改进的技术途径。     

Bayes线性无偏最小方差估计相对于岭估计的优良性

在均方误差矩阵准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于岭估计的优良性,在平衡损失风险函数准则下研究了未知参数的BLUMV估计相对于岭估计的优良性,并导出了在一定条件下BLUMV估计与最小二乘估计趋于一致.     

平衡损失下Bayes线性无偏最小方差估计的优良性

在平衡损失风险函数准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于最小二乘(LS)估计的优良性.在predictive Pitman closeness(PRPC)准则下研究了BLUMV估计相对于LS估计的优良性.     

平衡损失函数下Bayes线性无偏最小方差估计的优良性

在平衡损失风险函数准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于最优加权最小二乘(OWLS)估计的优良性,并导出在一定条件下二者趋于一致。在PRPC(predictive Pitman closeness criterion)准则下研究了BLUMV估计相对于OWLS估计的优良性。     

一类非线性回归估计量的性质与抽样误差

对有限总体在不放回抽样的方法下,构造了一类非线性回归估计量,讨论了它的性质及其有关抽样误差．     

一类Hill型估计量的收敛性

给出了极值指数为负时的一类新的Hill型估计量，并证明了它的相合性及渐近正态性．     

协方差阵扰动对Stein岭型主成分估计的影响分析

针对线性回归模型中协方差阵扰动对Stein岭型主成分估计β(P)G的影响问题进行研究.证明了β(P)G的某种极限是数据删除模型的Stein岭型主成分估计;建立了β(P)G与G-M模型的Stein岭型主成分估计β(P)之间的关系;定义了度量扰动影响的距离测度DG,并给出了DG的多种计算式;最后通过实例验证其有效性.     

混合系数线性模型的一类有偏估计

研究了连续测量数据情况下的混合系数线性模型的参数估计问题.利用压缩估计方法给出了该模型的一类有偏估计,并讨论了该估计的一些优良性质和压缩系数的选取问题.     

先验信息有偏时Bayes估计的PPC优良性条件

Bayes估计在对测量数据进行处理时,充分利用了参数的先验信息和适时的观测信息.在先验信息正确的前提下,Bayes估计相对于LS估计具有Posterior Pitman Closenes即PPC优良性.然而,在许多情况下,先验信息具有主观性,不可避免地存在偏差.利用有偏的先验信息得到的Bayes估计可能不具有这种优良性,为此,给出了这种情况下Bayes估计具有PPC优良性的一个充要条件.鉴于一般情况下先验的精确分布是未知的,用实例给出了一种选取先验方差的方法,用这种方法得到的Bayes估计具有PPC优良性.     

非线性半参数模型最小二乘近邻估计

目前对非线性半参数模型的研究尚处于初级阶段,关于非线性半参数模型的计算理论还未见实质性报道.基于非线性半参数模型最小二乘近邻估计,给出了其参数分量和非参数分量估计的构造式,导出了参数分量和非参数分量顾及二次项直接解法的非线性直接解法.基于工程实际中的非线性模型用模拟数据进行计算,证明对于非线性半参数模型最小二乘近邻估计,可采用顾及二次项的直接解法.