误差方差二次型估计模型的转化

研究一般的回归模型中误差方差的二次型估计的容许性，研究方法是模型的整体转化和局部转化，结果有：（１）二次约束下的线性模型等价于相应的无约束的线性模型；（２）线性等式约束下的线性模型等于某个无约束的线性模型。（３）单个非齐次不等式的束下的线性模型等价于某个无约束的线性模型。（４）通过例子证明了多个线性不等式约束的线性模型不能等价于某个无约束的线性模型。（５）某类非齐次二次型估计的容许性等价于相应在的     

关于称重模型方差估计的探讨

对一般情况下的称重模型进行了改进,得到了推广意义下的两个称重模型,并比较了两类模型的优劣.通过进一步的讨论,得出了关于物品重量的方差估计的几个重要结论.     

变系数模型误差方差的估计

变系数模型是由古典的线性模型发展而来,它们可以很好地检验函数系数随着协变量的变化程度．本文用PLR提出了变系数模型的误差方差的估计,并研究了它的渐近正态性,进一步用一个模拟例子来说明估计的结果是有效的．     

半参数回归模型的误差方差估计的注记

考虑半参数回归模型yi＝xiβ＋g（ti）＋ei，1≤i≤n，g为R上未知函数，σo＝D（e1）．建立了D（e1）的估计量Sn，并在适当的条件下证明了Sn依概率收敛于D（e1）以及n（σn－σo）／Sn依分布收敛于标准正态、后一结果可直接用于构造σ2的大样本区间估计或对σ2进行大样本检验等．     

方差分量模型中均值参数线性估计的可容许性

考虑模型:{Y=β+ε Eε=0 Eεε′=sum from i=1 to m θ_iv_i }其中 v_i≥0已知;β∈R~k,θ_i>0为未知参数,i=1,2,…,m.对于上述模型,本文得到了在矩阵损失函数下均值参数线性估计可容许性的充要条件.     

非线形模型方差的贝叶斯估计

 在均方误差的条件下,系统地研究了非线形模型方差的贝叶斯估计,提出了共轭和无先验信息的最佳贝叶斯估计和最佳无偏贝叶斯估计以及方差的最佳条件无偏贝叶斯估计.还提出了带有共轭和无先验信息的方差的极大后验估计,最后用一个简单的例子来说明上述结论的可行性.     

基于估计方程估计的单指标模型异方差检验

针对单指标模型的异方差检验问题,将估计方程估计与完全非参方差函数检验相结合,给出了一种新的检验形式.利用估计方程法得到单指标模型中未知指标参数的估计值,再根据局部线性拟合给出单指标模型联系函数的估计形式,进一步由完全非参方差函数方法构造检验统计量,对模型进行异方差检验.数值模拟部分以检验统计量的经验水平和经验功效为评价指标,实验结果表明,基于估计方程估计比基于梯度外积估计和基于最小平均方差估计的完全非参方差函数检验方法更有效.实例分析部分采用汽车数据集,同样验证了这一检验方法的显著性.     

计量经济模型中扰动项异方差性的一种检验方法

困扰计量经济建模的一个重要问题是模型中随机扰动项性质的设定。传统计量模型中均假定随机扰动项为高斯白噪声，而实际经济背景和数据经常不支持这一假定。应用极值理论，通过极值指数估计量，提出了一种可行的对异方差的检验方法。     

两类增长曲线模型误差方差估计——二次型容许估计

研究两类增长曲线模型误差方差的二次型估计的容许性，在损失函数为（d-σ^2)/σ^4时，对这两类模型分别给出一个二次型估计在二次型估计类中可容许的充要条件。     

方差分量模型中回归系数的线性Minimax估计

定义了三种不同的Minimax估计．在矩阵损失下得到了方差分量模型的回归系数(分别是在齐次线性估计类和非齐次线性估计类中)的线性Minimax估计．结果表明,Minimax估计是压缩型估计．     

估计量无偏性的证明

目前在点估计的理论和实用中 ,无偏性占据很重要的地位 ,对与同一参数的不同的点估计量 ,无偏性是对估计量最基本的要求 ,无偏估计量的证明 ,关键在于求出未知参数 θ的估计 θ的期望     

正态总体方差几类估计量的比较

对正态总体下方差σ2的三类常用估计量在无偏性、有效性、一致性等准则下进行了分析与比较,以便在实际应用中较准确选取估计量.     

线性混合模型中方差分量的经验Bayes估计的收敛速度

在加权平方损失下导出了含有2个方差分量的线性混合模型中方差分量的Bayes估计,利用多元密度函数及其混合偏导数的核估计方法构造了方差分量的经验Bayes（EB）估计,在某些条件下获得了该估计的收敛速度。     

线性模型中误差方差估计的级数形式的收敛速度

设y_i=x_i′β e_i,i=1,…,n是一般线性模型,σ~2=Vare_i,记误差方差σ~2的估计量为δ_n~2,δ_n~2是残差平方和(除以适当的自由度)。假定试验误差e_1,e_2,…独立同分布。本文研究了δ_n~2的级数形式的收敛速率。     

非线性自回归模型误差密度估计的Berry-Esseen界

考虑非线性自回归模型Xi=rθ(Xi-1,…,Xi-s)+εi,其中:θ为q维未知参数;{εi}为独立同分布的随机误差,且均值为0、方差为σ2.在适当的假设条件下,给出非线性自回归模型误差密度估计的Berry-Esseen界.     

平衡损失函数下Bayes线性无偏最小方差估计的优良性

在平衡损失风险函数准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于最优加权最小二乘(OWLS)估计的优良性,并导出在一定条件下二者趋于一致。在PRPC(predictive Pitman closeness criterion)准则下研究了BLUMV估计相对于OWLS估计的优良性。     

半参数测量误差模型中参数的随机加权估计

给出了半参数测量误差模型中参数的随机加权最小二乘估计.讨论了用随机加权方法逼近最小二乘估计的分布,证明这种逼近是以概率1渐近有效的,并用模拟例子验证了提出方法的有效性.