一列非线性回归模型的非线性度量

考虑一列非线性回归模型 ,利用Bate和Watt的理论得到了其固有曲率和参数效应曲率 ,分析了参数效应曲率的弊端 ,指出其与许多模拟研究结果不吻合 ,利用待估参数与迭代初始值之间的函数关系及其微商运算构造了一种新的非线性度量方法 ,它不再具有参数效应曲率的蔽端 ,并在其它正常情况与Bate和Watt的理论相吻合 ,最后对Fieller -Creasy模型作了较为详细的研究 .     

部分非线性回归模型的非线性度量

利用传统曲率理论度量回归模型的非线性程度,分析其缺陷,并对几类实例模型进行探讨,进而提出基于局部近似的新度量方法,在一定程度上弥补了传统方法的缺陷;还研究了模型参数基于局部线性近似的最小二乘估计的渐进性质及其求法中迭代初值的选取和改进方向．     

几类非线性回归模型的LS估计与非线性度量

研究了一类推广的非线性回归模型的最小二乘估计,证明了其收敛性,并推广到不满足高斯–马尔可夫条件的情形。研讨了几类特殊的部分非线性回归模型的参数估计及非线性程度度量,探讨了参数最小二乘估计求法中迭代初值的选取,提出了改进方向。     

一列非线性回归模型的LS估计

考虑一列非线性回归模型，对非线性项使用了一阶近似进而使模型转化为线性模型，得到了模型ＬＳ估计的迭代解，考察了解的渐近性质，证明了过程的可行性，最后对非线性项的特殊情形作了描述，其中１种情形可得到ＬＳ估计的精确解。     

一列非线性回归模型的LS估计

考虑一列非线性回归模型，对非线性项使用了一阶近似进而使模型转化为线性模型，得到了模型LS估计的迭代解，考察了解的渐近性质，证明了过程的可行性，最后对非线性项的特殊情形作了描述，其中1种情形可得到LS估计的精确解。     

一列非线性回归模型的LS估计

考虑一列非线性回归模型,对非线性项使用了一阶近似进而使模型转化为线性模型,得到了模型LS估计的迭代解,考察了解的渐近性质,证明了过程的可行性,最后对非线性项的特殊情形作了描述,其中1种情形可得到LS估计的精确解.     

一种估计自回归模型参数的新方法

本文应用最小二乘法给出了一种无需事先计算自相关函数而直接估计自回归模型参数的迭代方法。     

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。     

非线性模型最小二乘估计强相合性的又一证法

本文采用了一种带有普遍性意义的方法给出非线性模型最小二乘估计强相合性的又一证法,     

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.     

非线性平差模型强度的加权曲率度量

本文在文献〔３〕的非线性强度曲率度量基础上，提出非线性平差模型强度的两种加权曲率度量。这些公式的提出，将有效地解决非线性平差模型线性化近似的容许问题以及加权非线性最小二乘估计量的统计性质分析等。     

权回归模型中参数估计的相对效率

讨论了线性加权回归模型中最小二乘（ＬＳ）估计与最佳线性无偏（ＢＬＵ）估计的一种相对效率问题,即ｅ５（β）,并研究了它的下界及其与广义相关系数的关系。     

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。     

多元响应回归模型及其参数的非线性最小二乘估计混合算法

针对多元响应数据的特点，建立了一个多元响应回归模型，对参数的非线性最小二乘估计进行了探讨。结合拟牛顿法和信赖域算法建立了一个非线性优化的混合迭代算法，该算法在一定条件下具有全局收敛性和超线性收敛性，对参数的非线性最小二乘估计是有效的。     

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 .     

一类半参数回归模型中估计的收敛速度

考虑回归模型y_i=t_iβ g(x_i) e_i,i=1,2,…,n,其中g(·)是定义在R′=(-∞, ∞)上的未知函数,e_i是未知干扰,基于g(·)的估计取一类核和近邻估计,证得了β和g(·)的估计最优收敛速度。     

非线性模型的非线性强度及其在变形分析中的应用

介绍了Bates和Watts的非线性强度度量指标--最大固有曲率和最大参数效应曲率,提出了当模型固有非线性不显著而参数效应非线性显著时,利用M.J.Box提出的偏差计算和模拟研究重新参数化的方法.结合某实测边坡的变形监测资料,选用非线性模型lt=α-βexp(-γtδ)+εt描述边坡变形规律.对该边坡上73个点的监测资料分别进行非线性回归计算,发现其中大部分点不能收敛于LS估计,该模型有较强的非线性特性;研究该模型的非线性性态时,发现其最大固有非线性曲率不显著,而模型的最大参数效应曲率非常显著.模拟结果表明,估计量类似对数正态分布,因此,用新参数=-lgγ对模型重新参数化.用重新参数化后的模型对该边坡的实测资料进行回归计算时,只有4个点未能收敛于LS估计,而模型的最大固有非线性曲率和最大参数效应曲率则基本符合要求.     

非线性回归模型M估计的信息损失

首先考虑非线性回归模型中参数向量θ的M估计的用曲率表示的一阶随机展开式.在此基础上,求出θ的Huber形式的M估计的信息损失.     

距离回归模型的理论研究

给出了距离回归的理论模型及回归系数参数估计的泛函形式，比较了经典线性回归模型与距离回归模型基于最小二乘方法所得参数估计的关系，并从理论上论证说明了其对应回归直线的位置关系．