NMAR机制下线性回归模型参数的Bayesian估计

当数据缺失机制为非随机缺失（NMAR）时,线性回归模型中的参数估计是一个复杂的问题．本文采用贝叶斯（Bayesian）方法,并利用MCMC方法、选择模型和Gibbs抽样方法,求得了参数的Bayesian估计,用一个模拟例子求得参数的估计均值和方差说明了此种方法的可行性。     

线性回归模型参数的BC估计

对线性回归模型的参数给出了一种新的有偏压缩估计,简称ＢＣ估计,并证明了ＢＣ估计的许多优良性质。     

多元线性回归模型参数的BC估计

考虑多元线性回归模型Y=XB+ε,其中E(Vec(ε))=0,Cov(Vec(ε))=V In,当设计阵X呈病态时,模型参数的LS估计不再是一个优良估计.为此,提出了一种有偏估计———BC估计.在均误差意义下,参数的BC估计优于它的LS估计,并证明了参数的BC估计是可容许线性估计.     

线性模型回归参数的Bayes线性估计

在 C.R.Rao 工作中曾指出:在线性有偏估计类中一致地改进最小二乘估计是不可能的.本文试图局部地改进最小二乘估计.本文定理1求出了线性模型的 BLE;定理2指出,近年来研究的 Stein 估计、岭估计都是 BLE;定理3表明,存在一个以原点为中心的、椭球,使得在该域内 BLE—致优于通常的最小二乘估计(LS).     

多元线性模型回归参数的主成分估计

在多元线性模型中, 当设计阵呈病态时, 我们可适当选择保留的主成分个数可致主成分估计比最小二乘估计有较小的均方误差.     

非参数回归模型的贝叶斯局部线性估计

对于非参数回归模型=m(x)+ε,在局部线性估计中窗宽h的先验分布为Gamma分布的条件下,用未知光滑函数m(x)的后验均值构造了它的贝叶斯估计,并给出了参数的后验分布和抽样方法.模拟算例证明了贝叶斯局部线性估计方法的可行性.     

未知误差分布下线性回归模型的非参数自适应估计

对于正态分布误差,线性回归模型的极大似然估计(Maximum likelihood estimate,MLE)与最小二乘估计(Least squares estimate,LSE)是等价的.当高斯性假设不成立时,MLE比LSE更有效.然而,当误差分布未知时,MLE通常是不可实现的.文中给出了未知误差分布下线性回归模型系数的非参数自适应估计,证明了估计量渐近有效于已知误差分布下线性回归模型系数的MLE,并给出了回归系数的一个轮廓似然比检验统计量.     

多元线性模型回归参数的一种广义估计

采用广义估计 β (K)估计多元线性模型中回归参数 β ,通过K值的选取 ,可使 β (K)的均方误差小于最小二乘估计 β 的均方误差 ,且在一定条件下 ,β (K)为 β的可容许估计 ;还讨论了 β (K)的均方残差的性质 .     

半参数线性回归模型的最小一乘核估计

提出半参数线性回归模型的最小一乘核估计,通过模拟计算表明该方法是有效的,在与最小二乘核估计的比较中更突出了该方法的稳健性.     

EV回归的半参数部分线性模型的Bayes估计

考察部分线性模型y=X^τ_β+g(t)+ε,ε~N(0,σ²),其中回归变量X可以精确测量,而t具有测量误差. 用光滑样条估计非参数函数g(t), 结合光滑样条的Bayes解释及Bayes的线性回归, 将模型中的未知参数赋以一定的先验, 运用Gibbs抽样方法从后验分布中抽样, 用后验样本的均值来估计未知参数. MCMC模拟的另外一个好处是容易从后验样本中构造后验样本区间估计. 最后,提供了一个模拟例子来说明Bayes方法的估计效果.     

线性回归模型参数LS估计相合性的一个结果

本文研究了一元线性回归模型中常数项与回归系数的LS估计相合性之间关系，得到一个相合性结果。     

线性过程误差下的半参数回归模型

对半参数回归模型:Yni=β·tni+g(xni)+εni,1≤i≤n。本文利用最小二乘法和一般非参数统计方法,定义β,g的估计量^βn,gn,在误差为一般弱平稳线性过程序列时,获得了^βn,gn的相合性及r阶矩相合性。     

正态线性回归模型下Bayes估计的优良性

在基于错误的先验假定下,获得了正态线性回归模型下可估函数的Bayes估计,证明了在一定条件下,在均方误差矩阵（MSEM）准则下,Bayes估计相对于最小二乘估计的优良性,并推出了相对效率的范围．     

因变量缺失下线性回归模型的估计与检验

文章研究因变量缺失下的线性回归模型,借助单点插补方法,首先给出模型的估计,研究参数估计量的渐近正态性,其次,对于模型系数的线性约束检验问题,基于Wald方法构造检验统计量并给出其渐近分布.最后,通过数值模拟验证所提方法的有效性.     

基于模态回归的半参数部分线性模型的稳健估计

以半参数部分线性模型为对象,研究了基于模态回归的稳健估计方法。非参数部分采用B样条近似,在模型的回归中通过控制核函数的带宽来实现估计的稳健性,结合局部二次算法(LQA)和模型期望值最大化算法(MEM),提出EM估计算法,得到了参数估计以及非参数部分估计的收敛速度。通过蒙特卡洛模拟和实例分析,验证了本文方法的有效性。     

多元线性模型回归参数M－估计的强相合性

讨论多元线性回归模型由极小化问题的解定义的Ｍ－估计β＿ｎ的强相合性，其中Ｘ＿ｉ为ｍ×ｐ矩阵．证明了：无论为随机向量（（ＶｅｃＸ）￣′，Ｙ′）的独立同分布观察向量还是Ｘ＿ｉ为已知的ｍ×ｐ设计阵，在适当的条件下β＿ｎ都是参数真值β＿０的强相合估计．     

线性模型回归参数极大似然估计的约束EM算法

提出了非线性不等式约束下线性模型回归系数渐进极大似然估计的EM算法,利用极大似然估计的渐近正态性质,将EM算法的M-步转化为随机优化问题,给出了该随机优化问题的极限问题,即利用更易求解的极限问题的最优解来代替原优化问题的最优解,并证明了原优化问题的最优解是依概率收敛于极限问题的最优解.     

半参数回归模型参数的Bayes估计

讨论了半参数回归模型在先验正态假设下的Bayes估计,当σ2已知时,它是Blight的著作中非参数回归有关结果的推广,还给出了当σ2未知时,各参数相应的Bayes估计     

半参数回归模型参数的Bayes估计

讨论了半参数回归模型在先验正态假设下的Bayes估计，当σ2已知时，它是Blight的著作中非参数回归有关结果的推广．还给出了当σ2未知时，各参数相应的Bayes估计．半参数回归模型参数的Bayes估计@陈兰祥@李生文