平衡损失下回归系数的最小风险估计

研究了线性模型中回归系数的最小风险估计问题.在平衡损失函数下,考虑了回归系数线性估计在线性估计类中的最小风险性,结果表明最小风险估计是非线性有偏估计,它与未知参数有关,当用未知参数的不同估计代替时,得到的估计都是一种估计的平衡.     

响应变量缺失下线性模型的模型平均

研究响应变量随机缺失下线性模型的模型平均问题.首先利用拟似然估计给出倾向得分函数的未知参数的估计,基于扩张的逆概率加权和最小二乘方法给出了每个子模型回归系数的相合估计,并且证明了子模型的回归系数的估计量具有渐近正态性.然后建立了局部误设定框架下模型的FIC准则,计算了频率模型平均估计,给出了频率模型平均估计量的渐近性质及其证明.     

约束条件下多元随机效应线性模型中回归系数和参数的可容许估计

讨论约束条件下多元随机效应线性模型中回归系数和参数的线性估计的可容许性,在二次损失函数下,给出了随机回归系数和参数的线性估计分别在齐次和非齐次线性估计类中是可容许估计的特征.     

未知方差下回归系数常用估计的可容许性

假设一个”维随机向量Y服从正态分布N(β，σ^2In)。在二次损失下，当n≥3和σ^2已知时，Stein在1956年指出Y不是β的容许估计，这是统计判决理论中一个著名的结果，成平在1982年对Stein结果给出了一个有趣的补充，他证明了当σ^2未知时，Y是β的容许估计。这篇文章是成平结果的一般化，即在一个宽广的分布类中，证明了当方差未知时，回归系数最小二乘估计是容许的。这表明当方差未知时，回归系数最小二乘估计是一个适合的估计。     

异方差模型中协方差阵的估计研究

在异方差模型中,尽管回归系数的普通最小二乘(OLS)估计仍能保持无偏性,但其对应的协方差阵估计不再一致。解决异方差问题,对随机误差项协方差阵的估计显得尤为重要。基于异方差形式未知的情况下,非参数估计的良好效果,应用不同的非参数方法对误差项的协方差阵给出估计,进而通过估计加权最小二乘法得到回归系数的估计,并在已有的加权异方差一致协方差阵估计的基础上进行了拓展。模拟实验和实例分析表明,不同的非参数方法在回归系数的估计和模型的检验方面效果都有很大的差异。     

平衡损失下回归系数的最优估计

主要研究一般Gauss-Markov模型中回归系数的最优估计问题.在平衡损失下,考虑回归系数的线性估计在线性无偏估计类中的最小风险性,得到回归系数的最优线性无偏估计,并证明最优线性无偏估计在几乎处处意义下的唯一性.特别地,考虑了一类特殊的估计:b-线性估计;获得了回归系数的最优b-线性无偏估计,结果表明最优线性无偏估计也是回归系数的最优b-线性无偏估计.     

广义协方差改进估计的优良性

对半相依回归线性系统,我们周期地使用迭加信息的方法,得出了回归系数广义协方差改进估计。这个估计系列的方差是单调不增的。它改进了回归系数的协方差改进估计。特别当m=2时,我们不对误差向量的分布及设计阵之间的关系作出任何假设,而得到广义协方差改进估计的极限便是BLUE的结果;当协方差阵未知时,得到了两步估计的表达式。     

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.     

平衡损失下等式约束模型参数的Minimax估计

研究等式约束模型中回归系数的线性Minimax估计问题.在改进Zellner提出的平衡损失函数的基础上,分析了齐次线性估计类中等式约束模型中回归系数线性估计损失风险的极大极小性,并得到了回归系数的线性Minimax估计;在适当的假设下,证明了回归系数线性Minimax估计的唯一性.     

评估模型基于交互投影的参数岭估计

根据评估过程提出的一种因变量和回归系数都未知的凸约束广义线性回归模型,利用凸集间的交互投影作出模型参数的最小二乘估计,在设计矩阵列复共线时给出了交互投影算法的参数岭估计,扩充了评估模型理论,增强了评估模型基于交互投影算法的计算稳定性.     

随机-模糊线性回归模型的参数估计及应用

导出了随机-模糊线性回归模型参数的估计量,证明了参数的估计量为无偏估计,同时推导了参数估计量数字特征和回归方程相关系数的计算公式.将该模型应用于岩石样本抗剪强度实验数据处理中,通过与传统的随机一元线性回归对比分析,表明使用该方法得到的力学参数更具代表性.     

函数型线性回归模型的三角样条估计

函数型数据的回归分析研究主要集中在函数型线性回归模型,基于三角样条估计的方法对模型中未知参数进行了估计.通过仿真实验验证了三角样条估计的均方误差比传统的多项式样条估计的均方误差更小,且在计算上用时更少,由此得出三角样条估计在部分函数型线性回归模型中具有一定的优越性.     

NA样本下线性模型回归系数的一类估计的强相合性

线性模型有着广泛的应用,其回归系数的估计是确定模型的关键,这方面已有不少有意义的研究工作(如文献[1]-[3]等)。本文在NA样本下,构造出了线性模型回归系数的一类估计,并证明了这类估计的强相合性。     

系数为对称梯形模糊数的回归模型

针对输入为精确、输出和系数为对称梯形模糊数的情况,建立模糊线性回归模型,给出该模型的最小二乘估计和模型性能的评价方法.当输入、输出以及系数都退化为精确值时,该估计退化为经典的最小二乘估计.     

NOD样本下线性模型回归系数估计的强相合性

线性模型是一类非常重要的数学模型,有着广泛的应运,其回归系数的估计是很多学者的研究对象,也是确定模型的关键,在文献中有不少研究.此处研究了在NOD样本下,线性模型回归系数的估计,并证明了估计的相合性.     

基于未知互耦模型的波达方向估计

在阵列信号处理中,传感器间的互耦效应会对参数估计产生不利影响.为了降低互耦影响,提出了一种用于未知互耦模型下的波达方向（direction of arrival,DOA）估计算法.该算法运用了迭代的思想,利用全部阵列估计初步的DOA.之后基于子空间理论估计角度依赖系数（angularly dependent coefficients,ADCs）,并用得到的ADCs进一步提升DOA估计精度通过求解最小二乘问题确定互耦参数,将新的DOA值作为初始值开始下一轮迭代.仿真结果证实了在未知互耦模型下,相较于其他DOA估计,提出的方法有更好的性能并且更加鲁棒,特别是在小尺寸阵列或低信噪比（signal-to-noise ratio,SNR）情况下.      

复共线性条件下广义岭估计的改进

对于复共线性条件下线性回归模型的广义岭估计进行了进一步的研究。针对线性回归模型病态的根本原因,提出了一类新的估计——0-K型广义岭估计。研究这一估计的性质,证明利用0-K型广义岭估计技术可以改进广义岭估计(在均方残差意义下)。文中的方法为病态线性回归模型系数的有偏估计提供了改进的技术途径。     

模糊线性回归模型的参数估计

对观测值为梯形模糊数的线性回归模型，通过一个适当的距离利用最小二乘法讨论参数估计的存在性。对于一元线性回归得到参数估计的解析表达式，对多元线性回归的参数估计转化为二次规划问题。文中例子说明了模型的适用性。     

非线性测量误差模型的Bayes估计

讨论了非线性测量误差模型在未知参数具有正态先验分布时的参数Bayes估计,并对这种估计进行了影响分析,证明了删除模型(CDM)和均值漂移模型(MSOM)具有相同的参数Bayes估计,同时给出了参数Bsyes估计的影响函数.     

基于广义病例-队列设计方案的长度偏差数据回归分析

利用加权估计方程方法, 在广义病例 队列设计方案下, 针对长度偏差数据, 给出Cox模型中回归系数的估计, 并证明在适当的条件下, 所得估计量具有相合性和渐近正态性, 且渐近方差具有显式表达, 在实际应用中可由plug in方法估计.