多κ类广义压缩最小二乘估计

提出线性模型中回归系数的多k类广义压缩最小二乘估计的概念．在均方误差的意义下，给出了该估计一致优于最小二乘估计的充分条件．     

广义压缩最小二乘估计中的一个影响度量

广义方差比是一个效率度量.这里用它作为判定数据时广义压缩最小二乘估计的影响度量,讨论了数据对广义压缩最小二乘估计的影响问题.找到了广义方差比度量与Hoetelling广义相关系数的精确关系.     

压缩主成分估计的一些性质

讨论了压缩主成分估计的一些性质，证明了在一定条件下，此估计比最小二乘估计有更小的广义均方误差并且在PC准则下也优于最小二乘估计．对Y的预测量做了比较。     

线性回归模型的广义刀切最小二乘估计

在误差为相依的情况下,讨论了线性回归模型的刀切最小二乘估计与广义刀切最小二乘估计。在均方误差意义上,广义刀切最小二乘估计优于刀切最小二乘估计,并利用算例进行了验证。     

广义线性回归方程的假设检验

本文主要从经典的满足高斯-马尔可夫条件的线性回归方程的最小二乘估计和假设检验问题入手,研究了一般情况即误差项不满足高斯-马尔可夫条件的线性回归议程的广义最小二乘估计和假设检验问题。     

广义压缩最小二乘估计参数的选择准则

文［１］中提出了广义压缩最小二乘估计，并讨论了它的可容许性及在均方误差准则下的最优性．本文进一步讨论它的其它性质，提出广义压缩最小二乘估计参数选择的Ｑ（ｃ）准则，并给出按此准则选择参数的方法和引入模糊主成分系数的概念，从而在对各种有偏估计的优、缺点进行比较的基础上提出了当参数选择效果不够理想时的一些修正方法     

随机场回归系数的最小二乘估计

论述了随机场回归系数的最小二乘估计，其中包括格子点随机场回归数的最小二乘估计，连续参数平稳过程回归系数的最小二乘估计、连续参数向量随机场回归系数的最小二乘估计。     

完全样本下威布尔分布参数的加权最小二乘估计

借助图法估计的思想和次序统计量的性质,给出了完全样本下威布尔分布参数的改进最小二乘估计与加权最小二乘估计.     

复共线性下的主成分全最小二乘估计

针对最小二乘法在参数估计中的局限性,在多维解释变量存在复共线性时,提出主成分全最小二乘估计,避免奇异矩阵求逆的问题.经多组大量测试,计算得到的回归系数的平均绝对偏差均较小,且表现稳定,其效果明显地优于最小二乘估计和全最小二乘估计.     

自回归AR模型整体最小二乘分析

主要讨论时间序列的自回归模型AR（p）的参数估计问题,列出常用的普通最小二乘估计和整体最小二乘估计方法,列出算例进行比较分析。     

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.     

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     

广义最小二乘估计的稳健性

讨论了协方差阵未知的椭球等高线性模型中的稳健性问题. 证明当协方差阵在一定范围内变动时, 广义最小二乘估计在一大类损失函数下都是风险最小的估计; 广义最小二乘估计关于协方差阵和损失函数 同时具有稳健性.     

基于区间估计的最小二乘法在卡尔曼滤波中的应用研究

卡尔曼滤波是以最小均方误差为估计的最佳准则来寻求一套递推估计的算法。最小二乘估计是最常用的估计理论,它能保证每个偏差都较小,而区间估计反映误差范围使用起来把握大,但它无法估计单点的误差。针对滤波精确度问题,为使估计值误差达到最小,滤波精确度提高,提出了采用区间估计与最小二乘法估计2种策略结合的新方法,充分利用二者优势,求得观测点与估计点的距离的平方和最小值,对目标函数多次拟合。仿真实验结果表明,区间估计最小二乘卡尔曼算法大大提高滤波精确度,与区间卡尔曼滤波相比,它有较小的误差,滤波性能也得到很好的提升,极大的降低了噪声在滤波过程中干扰,在以后实际工作中将得到很大应用。     

设计阵列亏秩时几种估计性能的比较

在给定的线性模型下，讨论了在设计阵列亏秩时，最小二乘估计、最优加权最小二乘估计和线性无偏最小方差估计的性能比较。得出了在一定条件下，最优加权最小二乘估计等价于线性无偏最小方差估计。在噪声方差矩阵可逆、未知参数方差矩阵可逆条件下，可算出最优加权最小二乘估计与线性无偏最小方差估计方差的差表达式，并在一定条件下，两者趋于一致。     

广义压缩估计的若干性质

针对人们处理较多自变量的大型回归问题时设计矩阵难免存在的近似的线性关系的问题,讨论了文义压缩最小二乘估计（即ＧＳＩＳ估计）的一些性质,如相似性,优良性,精度等,认为ＧＳＬＳ估计是一个非常实用的估计类。     

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.     

一般线性回归模型的参数估计

传统的最小二乘估计在处理一般线性回归模型的参数β和σ2的估计问题时,若遇到异常数据模型拟和得往往不好,现提出另一种估计方法:修正的最小二乘估计.结果表明此方法在处理异常数据时具有明显的优越性.     

线性模型广义最小二乘估计的中偏差、重对数律与相对效率

对回归模型进行适当变换,得到了线性模型广义最小二乘估计的中偏差及重对数律,并且在均方误差矩阵准则下得到了Bayes（BE）估计与广义最小二乘估计的2种不同相对效率的上下界．