一类约束下的参数估计问题

考虑线性模型ｙｎ×１＝Ｘｍ×ｐβｐ×１＋εｎ×１，（１）其中ｙｎ×１为样本观测值，Ｘ为ｎ×ｐ阶的设计阵，β为ｐ维参数向量，εｎ×１为ｎ维随机向量，ε为随机误差．Ｅε＝０，Ｄε＝σ２Ｖ这里σ２已知或未知皆可，Ｖ为ｎ×ｎ阶非负定阵．对于线性模型（１），...     

一类线性回归模型的参数估计

考虑一类多总体线性回归模型,其特点是它们均具有部分相同回归系数.采用各个子总体内样本利用最小二乘方法估计回归参数,然后依据样本容量进行加权估计公共回归系数,最后把公共回归系数回代到各个线性回归模型,利用最小二乘方法估计不同部分系数.理论结果表明,此种方法得到的估计量,不仅是无偏估计,而且方差比用单个子总体样本得到的最小...     

一类线性混合模型中的参数估计

把一类线性混合模型化为满足假设的线性模型,然后用最小二乘法、估计法给出线性混合模型中参数的估计.     

带有线性不等式约束的线性模型参数的最小二乘估计

本文给出了求解具有线性不等式约束的线性模型参数的最小二乘估计的一个方法,并得到了这个估计的一般表达式。     

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.     

部分线性可加模型的约束估计

文章讨论部分线性模型在约束情况下的估计问题.在一般的线性约束条件下利用两种方法构造参数分量的约束估计;当参数部分附加随机约束条件时,依据混合估计方法与Profile最小二乘方法,构造参数分量的随机约束估计;讨论一般约束估计和随机约束估计的关系.     

约束线性回归模型回归系数的条件广义岭估计

提出了约束线性回归模型中回归系数的一种条件广义岭估计,讨论了它的优良性,证明了它在均方误差及均方误差矩阵下都优于约束最小二乘估计。     

线性模型参数估计中的效率

对一般的ＧａｕｓＭａｒｋｏｆ模型：Ｙ＝Ｘβ＋ｅ,Ｅ（ｅ）＝０,Ｃｏｖ（ｅ）＝σ２Ｖ,Ｖ≥０,给出了μ＝Ｘβ的最小二乘估计的３种相对效率和它们的下界．对一般的方差分量模型：Ｙ＝Ｘβ＋ｅ,Ｅ（ｅ）＝０,Ｃｏｖ（ｅ）＝∑ｔｉ＝１θｉＶｉ,θｉ＞０,Ｖｉ≥０,相拟地定义了μ＝Ｘβ的最小二乘估计的３种相对效率并给出了它们的下界．     

用线性模型方法求解一类等式约束二次规划问题

本文利用统计学中线性模型的理论给出一类等式约束二次规划问题解的表达式。     

混合系数线性模型参数的新估计与LS估计的比较

混合系数线性模型在连续测量数据的情况下，给出了固定系数a和随机系数期望b的一种新估计．在均方误差的意义下，证明了混合系数线性模型参数的新估计优于最小二乘估计（LS估计），并给予了应用举例．     

混合系数线性模型参数的局部根方估计的一些结果

在研究混合系数线性模型参数的局部根方估计的基础上,进一步论证了此估计的F-优良性和在矩阵条件数准则下对最小二乘估计抗干扰性的改进。     

滑动平均模型参数估计的Gevers-Wouters算法的指数收敛性

可逆的向量滑动平均(MA)模型参数估计问题本质上是一个矩阵谱分解问题。基于向量MA模型和状态空间模型之间的变换,用Kalman滤波方法证明了矩阵谱分解的Gevers-Wouters算法的一致性和指数收敛性,且证明了收敛速度由MA多项式矩阵的行列式的零点决定。当这些零点不接近单位圆周时,Gevers-Wouters算法可高精度、快速地给出MA参数估计,因而提供一种快速有效的谱分解工具。     

双重线性模型的参数估计

用推广的最小二乘法及极大似然估计法对双重线性模型 AR( 1) - MA( 0) 中的参数进行估计,从而提高模型的拟合度和预测精度.     

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。     

混合系数线性模型参数的局部根方估计

在连续测量数据情况下,给出了混合系数线性模型参数的局部根方估计dL(k)和dL(k)(0相似文献   

混合系数线性模型参数的根方估计

针对连续测量数据，给出了混合系数线性模型参数的根方估计ｄ（ｋ）和ｄ（ｋ）（０＜ｋ＜１），并且证明了通过根方参数ｋ的选取，可使根方估计ｄ（ｋ）和ｄ（ｋ）的均方误差（ＭＳＥ）分别小于最小二乘估计（ＬＳＥ）ｄ和ｄ的ＭＳＥ