异方差模型中协方差阵的估计研究

在异方差模型中,尽管回归系数的普通最小二乘(OLS)估计仍能保持无偏性,但其对应的协方差阵估计不再一致。解决异方差问题,对随机误差项协方差阵的估计显得尤为重要。基于异方差形式未知的情况下,非参数估计的良好效果,应用不同的非参数方法对误差项的协方差阵给出估计,进而通过估计加权最小二乘法得到回归系数的估计,并在已有的加权异方差一致协方差阵估计的基础上进行了拓展。模拟实验和实例分析表明,不同的非参数方法在回归系数的估计和模型的检验方面效果都有很大的差异。     

降秩多元线性模型参数阵的一类有偏线性估计

本文对降秩多元线性模型的参数阵提出了一类有偏线性估计，讨论了许多重要的性质，从而把降秩模型中参数阵的估计问题转化为满秩模型中参数阵的估计问题，为了讨论方便，我们给出了一种特殊情况；最后，讨论了多元线性模型参数阵的Ｂａｙｅｓ线性估计。     

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.     

降秩相依回归系统的泛岭改进估计

对于二个相依回归系统ｙｉ＝Ｘｉβｉ＋ｅｉ,Ｅ（ｅｉ）＝０,Ｃｏｖ（ｅｉ,ｅｊ）＝σｉｊＩ（ｉ,ｊ＝１,２）,当设计阵Ｘｉ（ｉ＝１,２）为ｎ×ｐｉ的列满秩阵时,其参数的估计已为许多学者所研究．在Ｘｉ（ｉ＝１,２）不是列满秩阵的情况,提出一种新的估计——降秩泛岭改进估计,并且探讨了这种估计及其相应的两步估计的各种性质．     

两个半相依回归系统参数的Stein估计

Zellner等学者研究了一类相依回归系统中参数的最小二乘估计的改进,这些改进估计都是无编估计且具有许多优良性质,但是当设计阵呈病态时这些改进估计不再被认为是良好估计.本文提出了一种有偏Stein估计,证明了在设计阵呈病态时Stein估计的优良性质.     

一类相依回归系统参数的广义两步有偏估计

本文提出了一类相依回归系统参数的广义两步有偏估计,证明了当设计矩阵呈病态时,广义两步有偏估计的均方误差小于两步协方差改进估计的均方误差.     

ρ～混合误差下回归函数的小波估计

研究了误差为ρ～混合平稳序列时,固定设计下非参数回归模型的小波估计.在适当的条件下得到了估计的渐近无偏性、均方相合性、强相合性.     

多元协方差阵扰动模型的影响分析

讨论多元性回归模型的影响分析问题,获得了多元协方差阵扰动模型与原模型参数阵之间的最佳线性无偏估计(BLUE)的一些关系式;给出了度量影响大小的距离测度和它的计算公式.     

线性模型参数一类新的s-K估计

基于线性回归模型参数向量的先验信息提出一类新的s-K估计——改进s-K估计,并在均方误差阵意义下,得到了这类估计分别优于最小二乘估计、广义岭估计、Stein估计及s-K估计的充要条件.     

半相依回归系统参数的Stein型主成分改进估计

将S tein压缩思想与主成分改进估计相结合,研究两个半相依回归系统.当设计阵呈病态时,提出S tein型主成分改进估计,同时,给出当V未知时的两步估计.证明在均方误差意义下,S tein型主成分改进估计局部优于主成分改进估计和协方差改进估计.     

最小二乘估计和最佳线性无偏估计的关系

本文讨论广义线性模型的均值向量的最小二乘估计和最佳线性无偏估计的关系,得到了它们相等的充要条件以及它们的偏差关系和偏差范数估计;并在欧氏范数下,进一步讨论了这种偏差估计。     

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。     

关于渐近中位无偏估计的渐近效率(英文)

本文在几种重要的分布族中,给出了渐近中位无偏估计的渐近效率的一种定义。给出了如下一些结果：在单参数族中,提出了构造渐近有效的渐近中位无偏估计的一种方法,在具有共同支撑集的分布族中,论证了渐近中位无偏有效估计与ＢＡＮ估计之间的等价值;而在非共同支撑集的截断族中,对一般的参数向量函数构造了它们的渐近中位无偏估计,并且计算出了它们的渐近效率。     

回归函数非线性小波估计的优良性

在X服从区间[0,1]上的均匀分布的假设下,证明了回归函数的非线性小波估计中小波系数的无偏性和一致性.并证明了设置二次阈值情况下,小波系数的估计更有效.     

平衡损失函数下几乎无偏估计的统计性质

在平衡损失函数下, 讨论线性回归模型中几乎无偏Liu估计与几乎无偏Stein岭型主成分估计的统计性质. 分别给出几乎无偏Liu估计与几乎无偏Stein岭型主成分估计在平衡损失函数下的风险, 并在不同条件下讨论这两种风险的关系.     

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。     

定向非均衡模型的估计

讨论了样本分割已知的一类非均衡计量经济模型———定向模型的估计问题。文中给出了一种估计方法,并证明了所作的调整满足无偏性要求。     

双侧截尾时双参数指数分布的BLUE

给出了双参指数分布在双侧截尾情况下未知参数σ和θ的最佳线性无偏估计（简记BLUE）和它们的方差．     

瑞利分布全样本下的统计分析

针对瑞利分布,在全样本场合下给出了参数的矩估计、极大似然估计和区间估计。与此同时还通过大量Monte-Carlo模拟分别考察了参数的点估计和区间估计的精度,从中可以看到参数的极大似然估计的精度比矩估计的好些。     

线性模型下输入矩阵的最优设计

线性无偏最小方差估计与最优加权最小二乘估计是线性模型下两种最常用的估计方法。前者估计性能优于后者，但需要被估计量的一、二阶矩信息。作者深入讨论了这两种估计的关系，得到了二者在均方误差意义下等阶的充要条件，进而找到一种设计输入矩阵的方法，使得在先验信息缺乏的条件下，仍可利用最优加权最小二乘估计达到与线性无偏最小方差估计一样优越的估计性能，避免了获取先验信息的困难，同时保持了估计的最优性。