函数的Lobatto展开和投影型插值的应用

在函数的Lobatto展开和投影型插值理论基础上进一步研究了投影型插值的新性质。首先，提出了一个新的误差估计模型——投影型插值的逐点误差估计，此估计的插值次数k可以动态增加并给出误差系数与k的关系。其次，给出了误差多项式的递推计算方法及其逼近曲线，直观地反映了投影型插值的一致逼近性。最后，通过变系数两点边值问题的数值算例验证了投影型插值是高次有限元计算中的最佳插值。     

线性抛物型问题的各向异性双线性有限元法

给出各向异性双线性元的插值能量模和零模估计。并用此单元求解线性抛物型方程,给出半离散格式和全离散格式的误差估计。     

线性回归模型回归系数的条件岭型估计

研究了线性等式约束的线性回归模型回归系数的一种有偏估计--条件岭型估计,给出了在均方误差意义下条件岭型估计优于回归系数的约束最小二乘估计的条件.     

EFG法解抛物型偏微分方程的半离散误差估计

在"椭圆Galerkin投影"算子及EFG法误差估计的基础上,对用EFG法解抛物型偏微分方程的数值解与精确解之间作了半离散的误差估计.半离散的误差估计表明所给出的误差界限关于r的阶是与子空间Sh的逼近阶相一致的.     

非齐次等式约束线性回归模型回归系数的条件岭型估计

对非齐次等式约束线性回归模型提出一种有偏估计,即条件岭型估计,证明了在一定的条件下,在均方误差及均方误差矩阵意义下都优于回归系数的约束最小二乘估计,并给出了两次随机数据模拟的结果,模拟数据结果表明在一定的条件下,条件岭型估计优于最小二乘估计.     

线性等式约束的奇异线性模型的Liu型估计

考虑带等式约束的奇异线性模型的参数估计,为了克服复共线性问题,提出一个新的Liu型估计;同时给出这个估计的一些性质,并且得到了这个新的Liu型估计在均方误差矩阵准则(MSEM)下优于约束最小二乘估计的充要条件;得到在均方误差(MSE)准则下新估计优于约束最小二乘估计的充分条件.     

2m阶椭圆特征值问题协调有限元残差型后验误差估计

讨论了2m阶椭圆特征值问题协调有限元基于残差型的后验误差估计,在石钟慈和王鸣工作基础上,给出了2m阶椭圆特征值问题协调有限元基于残差型的后验误差估计式,并证明了它的可靠性和有效性.     

一类Helmholtz方程Cauchy问题的最优误差界

考虑一类Helmholtz方程Cauchy问题,给出这个问题的最优误差界.用谱正则化方法和修正的Tikhonov正则化方法来求解这个问题,得到Holder型误差估计.根据正则化的最优理论,误差估计是阶数最优的.     

拟线性抛物型方程Galerkin方法及H~1模误差估计

本文提出了解抛物型方程的全离散Galerkin方法计算格式,且给出了H~1模最优误差估计。证明方法不同于周知的椭圆投影方法,所导出的误差估计不依赖于任何辅助函数。     

二阶椭圆问题的六面体等参元逼近

研究了(2)型等参六面体元,分析了其收敛性并给出了最优插值误差估计.针对等参元误差估计中要用到等参变换可逆的条件,给出了它的一种可实现性,并把它应用到曲面区域的三维二阶椭圆问题.     

线性回归模型的一类新约束型LIU估计

针对带线性约束型的回归模型复共线性问题,提出了一种新估计,称之为修正约束型LIU估计,给出了新估计的性质.在均方误差准则基础上证明了在一定条件下,修正约束型LIU估计优于最小二乘估计、岭估计、修正岭估计和约束型LIU估计,最后讨论了新估计的可容许性.     

Stein损失函数下的保费估计

利用信度理论研究在Stein损失函数下的保费估计问题,分析了贝叶斯估计、信度估计、多层贝叶斯估计3种估计,并计算3种保费估计,比较其结果发现在Stein损失函数下:当样本数n趋于无穷大时,信度保费会收敛到风险保费,且多层贝叶斯估计比贝叶斯估计的稳健性更强.     

Jackknifed Liu estimator in linear regression models

In this paper, we introduce a generalized Liu estimator and jackknifed Liu estimator in a linear regression model with correlated or heteroscedastic errors. Therefore, we extend the Liu estimator. Under the mean square error(MSE), the jackknifed estimator is superior to the Liu estimator and the jackknifed ridge estimator. We also give a method to select the biasing parameter for d. Furthermore, a numerical example is given to illustvate these theoretical results.     

均方误差准则下的几乎无偏Stein岭型主成分估计的优良性

将Stein岭型主成分估计利用几乎无偏估计思想进行优化,得到几乎无偏Stein岭型主成分估计.并考虑均方误差准则,得到了几乎无偏Stein岭型主成分估计优于最小二乘估计、Stein岭型主成分估计的充分条件.并通过数值实验证明在给定k或p时,几乎无偏Stein岭型主成分估计的均方误差与Stein岭型主成分估计的均方误差较为接近,且远大于最小二乘估计的均方误差.     

GM估计的一个刻划及其应用

引出了参数统计模型下GM估计的一个性质，并进一步证明了该性质与GM性是等价的，从而得到了证明线性估计GM性的一种新的方法，最后由此等价性质讨论了一些线性估计的GM性．     

最小Hellinger距离方法在扩散过程参数估计中的应用——基于转移密度的估计量

为了研究扩散过程的参数估计问题,本文基于最小Hellinger距离的定义给出了利用转移密度构造的参数估计量.首先定义了转移密度的非参数估计量并研究了它的性质(一致收敛性以及渐近正态性),然后通过最小化扩散过程的转移密度和该密度的一个非参数估计量之间的距离构造扩散过程的参数统计量,实现这一统计量的一致收敛性和渐近正态性.最后为了强调说明该方法的可行性,本文将这一方法应用于几何Brown运动和CEV模型这两个例子.     

相依误差线性模型中的主成分s-K估计

为同时克服线性回归模型的自相关性和回归变量间的复共线性,通过融合主成分回归估计和s-K估计,提出一类新估计,称为主成分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广义最小二乘估计、主成分估计、r-k和s-K估计的充要条件.Monto Carlo数值模拟表明,新估计是一种同时克服自相关性和复共线性的有效方法.     

线性回归模型的一种新的有偏估计

本文提出了线性模型在随机约束条件下的一种岭估计,并给出了在均方误差矩阵准则下这种新的岭估计优于混合估计与岭估计的充要条件.     

半相依回归模型两步估计的均方误差占优性

一般得到了两方程相依回归模型的任一线性估计在均方误差准则下优于最小二乘估计的充要条件，据此提出一种新的广义非限定两步估计类（非线性），推导得到了这种两步估计的精确均方误差结果，研究了它优于最小二乘估计，甚至优于Zellner估计的统计性质。     

资产方程中回归函数的局部线性加权估计

通过将标的资产价格所满足的积分方程转化为回归模型,建立了回归模型中回归函数的局部线性加权估计.利用回归函数的估计构造漂移系数的样本估计量,并证明了所构造样本估计量的均方收敛性.从而使利用样本估计量构造漂移系数的估计成为可能.