最小二乘估计和最佳线性无偏估计的关系

本文讨论广义线性模型的均值向量的最小二乘估计和最佳线性无偏估计的关系,得到了它们相等的充要条件以及它们的偏差关系和偏差范数估计;并在欧氏范数下,进一步讨论了这种偏差估计。     

有约束的线性模型下的最小二乘估计与最佳线性无？…

研究了无约束的线性模型Ｍ＝（Ｙ，Ｘβ，σ＾２Ｖ）下的Ｘβ最小二估计ＯＬＳＥ（Ｘβ）与在相应的有约束的线性模型Ｍｒ＝（Ｙ，Ｘβ）Ｒ′β＝０，σ＾２Ｖ）下的最佳线性无偏估计ＢＬＵＥ（Ｘβ）的比较问题，建立了Ｍｒ下这两个线性无偏估计量相等的充要条件。     

奇异线性模型最小二乘估计的相对效率

对于奇异线性模型，引入了参数β的最小二乘估计相对于最佳线性无偏估计的一种新的相对效率，给出了与其他两种相对效率的关系，导出了该效率的上下界．     

生长曲线最小二乘估计和最佳线性无偏估计相等的几个充要条件

讨论了生长曲线未知参数的最小二乘估计与最佳线性无偏估计相等的几个充要条件,并给出了主要结论的两种不同证明     

奇异线性模型最小二乘估计的相对效率

对于奇异线性模型,引入了参数β的最小二乘估计相对于最佳线性无偏估计的一种新的相对效率,给出了与其他两种相对效率的关系,导出了该效率的上下界.     

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。     

最优加权最小二乘估计与线性无偏最小方差估计性能比较

在给定的线性模型下,讨论了最优加权最小二乘估计与线性无偏最小方差估计性能比较,在噪声方差矩阵可逆条件下,可算出线性无偏最小方差估计与最优加权最小二乘估计方差的差表达式,并在一定条件下,两者趋于一致。     

奇异线性模型均值向量最小二乘估计的相对效率

在奇异线性模型下,文章通过比较估计量的协方差矩阵的谱范数和F范数,定义了均值向量的最小二乘估计(LSE)相对于最佳线性无偏估计(BLUE)的2种新的相对效率,并给出了其下界.     

典型相关系数与最佳线性无偏估计

利用随机向量间典型相关系数的个数,刻画了在一般Guass Markov模型下的Xβ的最佳线性无偏估计,并讨论了稳健性问题.     

删除一个观测值对估计量的影响

给出在模型Ｍ＝（Ｙ，Ｘβ，σ＾２Ｖ）与删除第ｉ个观测值后得到的模型Ｍｄ＝（Ｙｄ，Ｘｄβ，σ＾２Ｖｄ）下β的最佳线性无偏估计差的表达式，并得到了二者相等的充要条件，还给出了在模型Ｍｄ下β的最小二乘估计是Ｍ下β的最佳线性无偏估计的充要条件。     

线性模型的新的两参数估计

基于最小二乘估计在复共线性存在时的不足,提出线性模型参数估计的一种新方法——新的两参数估计.首先,给出该估计的若干条基本性质——最小二乘估计的线性变换、具有有偏性、压缩性和可容许性.其次,在均方误差矩阵的意义下,证明该估计优于最小二乘估计和旧的两参数估计.     

一般线性模型下删除观测值的影响

在一般情形下，给出了在模Ｍ＝（Ｙ，Ｘβ，σ＾２Ｖ）与删除第ｉ个观测值后得到的模型Ｍｄ＝（Ｙｄ，Ｘｄβ，σ＾２Ｖｄ）下Ｘｄβ的最佳线性无偏估计的表达式，得到了二者相等的充要条件，给出了在模型Ｍｄ下Ｘｄβ的最小二乘估计是Ｍ下Ｘｄβ的最佳线性无偏估计的充要条件，以及Ｍｄ下σ＾２的最小范数二次无偏估计是Ｍ下σ＾２的最小范数二次无偏估计的充要条件。     

混合模型及其导出模型下估计量间的关系

考虑混合模型Ａ＝｛ｙ,Ｘβ,Ｕξ,σｅ＾２Ｖ｝和它的三个导出模型,其中Ｘ,Ｕ＝（Ｕ１：…：Ｕｋ）为已知设计阵,β为固定效应向量,ξ’＝（ξ’：…：ξ’ｋ）为随机效应向量,且Ｖ≥０,Ｒ（Ｘ：Ｕ）∈Ｒ（Ｖ）。给出了可估函数Ｃβ在模型Ａ和其导出模型下的最佳线性无偏估计（ＢＬＵＥ）相等的充要条件,σｅ＾２在不同模型下最小范数二无偏估计（ＭＩＮＱＵＥ）相等的充要条件。     

部分线性模型中估计的强相合性

考虑回归模型ｙｉ＝ｘｉβ＋ｇ（ｘｉ）＋σｉｅｉ,１≤ｉ≤ｎ,其中σｉ２＝ｆ（ｕｉ）,（ｘｉ,ｕｉ）是固定非随机设计点列,ｆ（·）和ｇ（·）是未知函数,β是待估参数,ｅｉ是随机干扰．本文基于ｇ（·）及ｆ（·）的一类非参数估计的β的最小二乘估计βｎ和加权最小二乘估计βｎ,在适当的条件下证明了它们的强相合性．     

广义线性模型拟合方法的相容性(Ⅲ)

广义性模型包括了回归、自回归及其混合型的线性模型,是一种比较广泛的统计模型.对它的拟合,主要包括了对参数的最小二乘估计,以及对自变元的选择估计.本文的目的在于,综述近十余年在此领域中的重要研究成果,其中也包括介绍某些主要结论的证明方法.     

回归系数一类线性估计与广义最小二乘估计的相对效率

在均方误差矩阵准则下研究了回归系数的一类线性估计相对于广义最小二乘估计的优良性问题,并讨论了三种不同相对效率的上、下界.     

线性模型中回归系数混合估计的相对效率

设线性回归模型中回归系数的最小二乘（least square，LS）估计和混合估计分别为β与βm．当设计阵X列满秩时，获得了相对效率e1（β，βm）=det[Cov（βm）]／det[Cov（β）]以及e2（β，βm）=tr[Cov（βm）]／tr[Cov（β）]的界；当X不是列满秩时，设可估函数c′β的LS估计和混合估计分别为c′β和c′βm，获得了相对效率e3（c′β，c′βm,）=Var（c′βm）／Var（c′β）的界．     

带有不完全椭球约束的多元回归系数线性估计的泛容许性

 对于带有不完全椭球约束的多指标线性模型Y=XΘ+ε,ε～(0,∑ V),Θ′X′NXΘ≤∑,给出了SΘ的泛容许估计的定义,并在齐次线性估计类(非齐次线性估计类)中给出了SΘ的估计AY(AY+C)泛容许的充要条件,不论SΘ是否可估.