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.     

部分线性模型中的广义差分混合Liu型估计

考虑部分线性模型带随机约束和存在复共线性的情形,针对回归系数向量的估计问题,基于广义差分和Liu型估计方法,提出了广义差分混合Liu型估计,并得到了新估计在均方误差矩阵意义下优于广义差分最小二乘估计、Liu型估计及广义差分混合估计的充要或充分条件.最后,通过数值模拟方法比较了几类估计在均方误差准则下的优良性.     

线性模型中的一种新的k-d类估计

提出了线性模型中考虑样本信息中关于参数的先验信息的一种新的两参数估计,并给出了在均方误差矩阵准则下这种新的两参数估计优于Liu估计和修正Liu估计.     

部分线性变系数模型的Liu估计

研究了部分线性变系数模型中参数分量的有偏估计问题.基于Profile最小二乘方法和Liu估计法构造了参数分量的Profile-Liu估计和剖面最小二乘广义Liu估计,并在一定的条件下,证明了Profile-Liu估计优于Profile最小二乘估计,剖面最小二乘广义Liu估计优于Profile-Liu估计.     

Poisson回归模型的几乎无偏Liu估计

针对Poisson回归模型中解释变量存在复共线性问题,结合几乎无偏的思想提出了参数的几乎无偏Liu估计,在均方误差准则下,分别与极大似然估计、Liu估计进行比较,并给出了优于两个估计的充分条件,最后通过蒙特卡罗模拟方法验证了其优良性.     

平衡损失函数下几乎无偏估计的统计性质

在平衡损失函数下, 讨论线性回归模型中几乎无偏Liu估计与几乎无偏Stein岭型主成分估计的统计性质. 分别给出几乎无偏Liu估计与几乎无偏Stein岭型主成分估计在平衡损失函数下的风险, 并在不同条件下讨论这两种风险的关系.     

部分线性可加模型的随机约束Liu估计

研究了部分线性可加模型在参数部分附加有随机约束条件且存在多重共线性时的估计问题.文中基于Profile最小二乘方法、混合回归估计和Liu估计方法,提出了参数分量的Profile混合Liu估计,给出了估计量的偏和方差,并讨论了其渐近分布.     

半参数回归模型的广义Liu型估计

提出了半参数回归模型的广义Liu型估计,并在均方误差下与Esra Akdeniz Duran等人提出的半参数回归模型的Liu型估计β∧d=（X＇X＋1）-1（X＇y＋dβ∧）进行比较,在一定条件下,前者优于后者。最后,用实例验证了该结论.     

广义Liu估计及其优良性

Liu估计提出了线性回归模型的一种新的有偏估计:β ^(d)=(X′X I)-1(X′X d)β ^,其中β ^=(X′X)-1X′Y是最小二乘估计,在此基础上提出了一种适应范围更广的有偏估计即广义Liu估计:β ^(D)=(X′X I)-1(X′X D)β ^,D=diag(d1,d2,...,dp),其中0相似文献   

聚集数据线性模型参数聚集Liu估计的相对效率

 当线性模型中的变量间存在复共线性时,常用有偏估计代替无偏估计。其中广义岭估计是研究较多的一种有偏估计。很多实际问题只能观测到聚集数据。本文给出了聚集数据线性模型聚集Liu估计的定义,提出了聚集Liu估计相对于最小二乘估计的两种相对效率,并得到这两种相对效率的上界;给出了聚集Liu估计相对于Peter-Karsten估计的2种相对效率及其上界。本文提出的聚集Liu估计,既能保证估计参数的稳定性,又能保证估计参数的近似无偏性,从这个意义上说,该估计在某种程度上优于聚集广义岭估计。     

带线性约束的新两参数估计

针对带约束的最小二乘估计在参数估计中处理复共线性的不足,引入随机线性约束,提出了约束新两参数估计.并且得到在均方误差下,约束新两参数估计与约束最小二乘估计,约束岭估计和约束Liu估计相比的优良性.     

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.     

基于PN码导频的FMT信道估计方法

针对FMT系统,提出了一种新的基于 PN 码的信道估计方法,既可用于慢变信道,又可用于快变信道.分析了新方法的计算复杂度和估计性能.仿真结果表明,在瑞利衰落信道下新估计方法的误比特性能优于最小二乘估计,与线性最小均方误差估计性能相似,但计算量远小于线性最小均方误差估计.     

关于岭估计改进的研究

在奇异线性模型下,基于广义岭估计基础上提出新估计改进,对参数范围扩大化进行了处理,重点验证了新估计的一些重要性质及其优良性.     

一般线性回归模型的有偏估计及其容许性

根据线性回归模型[y=Xβ+ε;ε～(0,σ2V);V>0],给出了一种新的有偏估计βd(V),讨论了该有偏估计的优良性质,在均方误差矩阵准则下比较了新估计与广义最小二乘估计的性能,并证明了其容许性.     

K-D估计及其优良性研究

提出了线性回归模型的一个新的有偏估计,即K-D.对K-D估计可容许性及优良性进行了比较深入的研究.利用均方误差矩阵下证明了估计的可容许性及其优于LS估计的充要条件.并且对几类常见的有偏估计在均方误差矩阵下的优良性进行拓展.     

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.     

M-矩阵最小特征值的新界值估计

利用著名的Gerschgorin圆盘定理,给出了非负矩阵A与非奇异M-矩阵B的逆矩阵B-1的Hadamard积AB-1的谱半径ρ(AB-1)两个新的上界估计式,利用τ(B)=1ρ(B-1)这一性质,从而得到M-矩阵B最小特征值的两个新下界估计式.算例表明,所得的估计式在一定条件下优于现有的估计式,且这些估计式只依赖于矩阵的元素,容易计算.     

基于样本分块的重尾指数估计

基于样本分块的估计方法,文章提出了一类新的重尾指数估计,并在适当的正则变换条件下讨论了该估计的强弱相合性.     

无失效数据的失效概率的E-Bayes估计

提出了参数的一种新估计方法--E-Bayes估计法.在无失效数据情形下,给出了失效概率的E-Bayes估计的定义,在此基础上给出了失效概率的E-Bayes估计.