高杠杆点和强影响点的诊断

本文研究了线性回归中一组观察数据在x_i处预测的影响,给出了诊断高杠杆点和强影响点的方法。     

线性回归模型中强影响度量的一种新方法

本文通过引入主成分，讨论了帽子矩阵所具有的性质，给出了度量线性回归模型中强影响的统计量，并结合实例，验证了该统计量在理论上优于Ｃｏｏｋ距离及应用上简便易行。     

线性回归模型中自变量变换与强影响点

提出了单个数据或一组数据对线性回归模型中自变量变换参数极大的似然估计影响的诊断方法，并把该方法同Ａｔｋｉｎｓｏｎ的方法作了比较。     

线性回归模型中度量影响的一种Bayes方法

从Ｂａｙｅｓ观点出发对线性回归模型定义了后验影响函数，对三种不同情况，导出了其分解式，研究了其性质，并把后验影响函数与其它影响函数作了比较。     

线性回归模型中度量影响的一种Bayes方法

从Ｂａｙｅｓ观点出发对线性回归模型定义了后验影响函数，对三种不同情况，导出了其分解式，研究了其性质。并把后验影响函数与其它影响函数作了比较。     

线性模型和广义线性模型中的一种强影响点的显著性检验法

根据强影响点的实际意义,提出一种强影响点的显著性检验模型。解决了线性模型和广义线性模型的强影响点的显著性检验问题,其中的检验统计量分别是Ｆ检验统计量和Ｓｃｏｒｅ检验统计量,实例表明此法较好．     

约束多因变量线性回归 中强影响点的探测问题

本文研究了带有约束条件的多元因变量线性回归中数据对回归分析的影响以及数据的交叉影响问题。给出了度量数据影响大小的准则及其简化形式,从而揭示出了约束强影响点和约束异常点及高杠杆点之间的关系。     

线性回归模型估计的一种简便方法

应用矩阵QR分解，通过引入H矩阵，给出了线性回归模型Y^=Xβ^ U估计的新方法，此法比文[1]中的方法和普通最小二乘法OLS都简捷。     

一种改进的线性回归模型

本文阐述了一种改进的线性回归模型——偏最小二乘回归模型的基本原理,并结合实例指出当变量间存在着线性关系时,普通的多元线性回归建模方法会失效;通过对偏最小二乘回归模型和主成分回归模型的系数估计精度及预测精度两方面的比较,说明要消除变量间的线性关系,前者优干后者。     

线性滤波的一种参数估计方法的强收敛速度

本文证明由Brockwell和Davis提出的线性滤波参数估计方法的强收敛速度,并给出这一方法在ARMA模型参数估计中的应用。     

一种线性移动自回归预测模型

应用线性回归分析和移动平均理论，对按时间次序排列的单一数据序列，给出了一种线性移动自回归预测模型，并对原始数据受不确定因素影响而产生的随机振荡，给出了合理的控制区间和运行通道。将其应用于深圳证券交易所股价指数每日收盘指数序列，得到了与实际情况相符合的结果，预测的准确性相当之高，具有一定的创新性和实际应用价值。     

一种改进的线性回归预测模

用最小二乘法求解线性回归预测方程的回归系数时,计算量比较大,针对这个问题,提出一种改进的线性回归预测模型,该模型和其它预测算法配合,能够对若干种药品的销售额进行预测,挑选的药品种类越多,效率越高。最后通过具体实例验证了该模型是可行、有效的。     

线性回归模型参数估计的几种方法

本文讨论了线性统计模型参数的几种估计方法及其优缺点。     

解线性两点边值问题的一种数值方法

对一类线性常微分方程两点边值问题的计算提出一种方法。它是将线性常微分方程的两点边值问题转化为与之等价的线性泛函微分方程的初值问题,然后再适当地离散化为解线性代数方程组的问题。结果表明,这样方法是用统一观点对区域内节点和边界点列计算格式,迥避了通常采用的有限差分格式对步长选取的依赖,因而能有效地减少误差的积累;并放宽了对边值问题的某些限制条件,且算法简便,易于在计算机上实现。     

高维线性模型的影响点诊断

从单影响点到多影响点2个角度回顾了影响点诊断领域的进展;重点介绍了近年发展起来的一些高维影响点检测新方法,该方法适用于自变量个数远超样本量的情形,可被看作是经典Cook距离在高维数据的推广. Cook距离量化了个体观测对最小二乘系数估计的影响,而新方法则捕获了个体观测对边际相关的影响,进而对变量选择和其他下游分析任务产生重要影响.数值模拟结果验证了新方法的可行性和有效性.     

强跟踪性和强链回归点集的研究

研究了紧致度量空间中强跟踪性和强链回归点集的动力学性质,得到一些结论:(1)若f拓扑共轭于g,则连续映射f具有强跟踪性,当且仅当连续映射g具有强跟踪性;(2)连续映射g的强链回归点集是连续映射f的强链回归点集在拓扑共轭映射h下的像;(3)连续映射f~n的强链回归点集是连续映射f的强链回点集的子集;(4)移位映射σ的强链回归点集是连续映射f在它的强链回归点集上形成的逆极限空间的子集.这些结论推广和改进了目前已有文献中关于强跟踪性和强链回归点的结果.     

线性回归模型的一种有偏估计

在线性回归模型Y=Xβ ε;Ε(ε)=0;cov(ε)=σ2I下给出了有偏估计βc*(K)=(cXTX ΦKΦT)-1XTY,其中c≥1,K=diag(k1,k2,…,kn)为对角阵,ki≥0,讨论了这种有偏估计的可容许性,利用Stein式压缩技术说明在均方误差意义下它优于广义岭估计,推广了有关结果.     

递推线性回归预测的理论和方法

本文讨论了随着经济环境条件的变化和经济信息数据的增加，利用递推的方法，简化线性回归预测公式的基本条件和相应结果。具有既能充分利用经济信息，又能减小计算量，还有可操作性强等优点。     

浅析多元线性回归中多重共线性问题的三种解决方法

为了解决变量之间的多重共线性问题,本文提出了三种方法：岭回归、主成分回归和偏最小二乘回归首先介绍了其基本思想和主要处理步骤,并通过具体实例验证出利用三种回归方法,可以消除多重共线性所带来的影响最后,通过对结果的分析总结出三种方法的优劣。     

超高维线性回归模型的一种方差估计

超高维线性回归中的方差估计问题是超高维回归分析中需要解决的关键问题。针对在超高维线性回归中普通最小二乘法得到的方差估计存在有偏性的问题,有学者基于标准二折交叉验证提出了一种新的方差估计方法RCV。但发现方差的RCV估计依赖于数据的切分,稳定性差。为此,文章提出用组块3×2交叉验证的方法进行方差估计,并通过模拟实验将其与RCV方法进行了比较,验证了组块3×2交叉验证估计比RCV估计更为稳定。