错误指定模型中回归系数混合估计的小样本性质

在均方误差矩阵（ＭＳＥＭ）准则和ＰｉｔｍａｎＣｌｏｓｅｎｅｓ（ＰＣ）准则下,本文比较了错误指定的线性回归模型中回归系数的混合估计相对于最小二乘估计的优良性     

Comparison between Minimax and GLS Estimators in Linear Regression Model with Ellipsoid Restrictions

对于线性回归模型Ｙ＝Ｘβ＋ε,ε～（０,σ２Ｗ）,其中σ２＞０,Ｗ为正定矩阵．当未知参数β受到椭球约束时,文中分别在矩阵均方误和加权均方误意义下比较了β的Ｍｉｎｉｍａｘ估计（ＭＩＬＥ）与广义最小二乘估计（ＧＬＳＥ）之差异,并分别导出了在此两种意义下ＭＩＬＥ优于ＧＬＳＥ的充分必要条件．     

变换数据生长曲线模型的参数估计

本文主要讨论变换数据生长曲线模型有关参数估计的问题，给出了保持ＧＭＥ，容许性范围不变的变换（Ｃ１，Ｃ２），在γｋ（ＣｉＸｉ）＝γｋ（Ｘｉ），ｉ＝１，２不成立时，提出了Ｂ的一种新的有偏估计，给出了其相对效率的上界，证明了这种有偏估计在ＭＳＥ准则下可优于变换数据的ＧＭＥ，甚至也可优于无变换的ＧＭＥ。     

不可估参数函数的可容许估计

对于线性模型ＥＹ＝Ｘβ,ＣｏｖＹ－∑＾ＭＩ＝１σＳ＾２Ｖｉ。当Ｓβ不可分别给出了Ｓβ的线性估计在二次损失和矩阵损失下线性可容许的充要条件。当Ｙ－Ｎ（Ｘβ,∑＾ＭＩ＝１σ＾２Ｖｉ）时,还得到了Ｓβ的线性估计在矩阵损失下在一切估计类中可容许的充要条件和在二次损失下在切估计类中可容许的充分条件和必要条件。     

回归诊断的一些结果

本文从均方误差的角度,考察了某些试验数据的剔除,对线性模型(Y,Xβ,σ~2㏑),中未知参数向量β的最小二乘估计(?)的影响,得到了线性回归诊断中对强权点,强影响点讨论的一些新的结果。从LSE的均方误差的变化,给出了一些相应的准则,并与通常的判断方法建立了一定的联系,得到了一致的结果。     

多元广义岭估计确定偏参数的两种准则

本文给出广义岭估计β（Ｋ）的偏参数Ｋ选择的Ｄ（Ｑ）准则和均方误差无偏估计的极小化准则,以及偏参数Ｋ的最优解公式．它使广义岭估计β（Ｋ）的均方误差（ＭＳＥ）明显小于 ＬＳ估计β的 ＭＳＥ．从而提高了广义岭估计的拟合精确度．最后给出一实例．     

Gauss—Markoff和方差分量模型中LSE的一种新的相对效率

对Ｇａｕｓｓ－Ｍａｒｋｏｆｆ模型：Ｙ＝Ｘτ＋ｅ，ｅ￣（０，ο＾２Ｖ），Ｖ≥０，τ的ＬＳＥ的一种新的相对效率被提出来并得到了其下界，对方差分量模型：Ｙ＝Ｘτ＋ｅ，ｅ￣（０，ｍΣｉ＝１ο＾ｉＶｉ），Ｖ＝ｍΣｉ＝１Ｖｉ≥０，τ的ＬＳＥ的一种新的相对效率也被提出来并得到了独立于未知参数的下界。     

Gauss－Markoff和方差分量模型中LSE的一种新的相对效率

对Ｇａｕｓｓ－Ｍａｒｋｏｆｆ模型：Ｙ＝Ｘτ＋ｅ，ｅ～（０，σ￣２Ｖ），Ｖ≥０，τ的ＬＳＥ的一种新的相对效率被提出来并得到了其下界．对方差分量模型：τ的ＬＳＥ的一种新的相对效率也被提出来并得到了独立于未知参数的下界。     

混合系数线性模型参数的根方估计

针对连续测量数据，给出了混合系数线性模型参数的根方估计ｄ（ｋ）和ｄ（ｋ）（０＜ｋ＜１），并且证明了通过根方参数ｋ的选取，可使根方估计ｄ（ｋ）和ｄ（ｋ）的均方误差（ＭＳＥ）分别小于最小二乘估计（ＬＳＥ）ｄ和ｄ的ＭＳＥ     

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。     

线性回归模型复相关系数的影响评价

在线性模型中，复相关系数作为模型拟合程序的度量是一个常用的统计量，但它对异常值及影响点是很敏感的，本文用数据删除法及局部影响分析讨论复相关系数的影响点的识别问题，在各种情况下都得了了相应的诊断统计量，最后用一实例加以说明。     

线性模型中单个回归参数的局部影响分析

在局部影响分析中，人们往往对线性模型的单个回归参数感兴趣，根据Ｗｕ＆Ｌｕｏ）１９９３）的二阶局部影响分析方法，在这篇文章里我们通过对参数的ＭＬＥ扰动曲面的研究来检验线性模型中观测值对单个回归参数的局部影响，一个实际例子说明了该方法在识别强影响点时的有效性。     

约束多因变量线性回归 中强影响点的探测问题

本文研究了带有约束条件的多元因变量线性回归中数据对回归分析的影响以及数据的交叉影响问题。给出了度量数据影响大小的准则及其简化形式,从而揭示出了约束强影响点和约束异常点及高杠杆点之间的关系。     

一类线性混合效应模型分位数估计的影响分析

当回归模型误差服从非对称或非正态分布时,尤其是在重尾分布或分布受污染的情况下,如何检测纵向数据中的异常值是数据分析中的一个重要问题。为了克服非正态分布模型误差的影响,采用稳健的分位数方法对一类线性混合效应模型进行参数估计,并分别基于数据删除模型和均值漂移模型构造强影响点的诊断度量和异常值的检验统计量,以有效地检测强影响点和异常值点。在识别强影响点时,为了减轻计算负担,利用光滑逼近的方法给出了数据删除模型参数的一步近似估计,并据此构造出基于损失函数的距离和Cook距离。为了能够识别异常值点,首先构造出检验异常值点的Wald统计量,然后基于数据删除模型和均值漂移模型的系数估计的等价性,利用Bootstrap抽样得到检验的拒绝域。数值模拟结果表明,本文所提的诊断度量和检验统计量都能够很好地判断出强影响点和异常值点。最后应用本文方法针对化学实验纵向数据进行了影响分析。     

线性模型中参数估计的影响分析

研究数据对参数估计的影响是一个重要的问题。找出那些对回归分析影响很大的数据是非常有理论价值和应用价值的。本文主要介绍这方面的基本结果     

数据影响的新度量——中心预测差

本文提出了一种刻划数据对回归分析影响的度量,称为中心预测差。这种度量不仅描述了强影响点和高杠杆点及异常点之间的关系,而且揭示出了数据影响与样本容量u之间的关系,这是本文以前所见的各种关于数据影响的度量所没能揭示的关系。     

时间序列自相关函数的局部影响分析

 时间序列模型不同于一般的线性回归模型,其样本点之间存在着一定的相依结构使得常用的探测异常值的方法,如数据删除、单点求导等对时间序列而言效果不佳.为了探测时间序列中的强影响点,文章介绍了局部影响分析方法,研究同时对几个点作微小扰动时自相关函数的局部改变量.最后,用一个例子来比较局部影响方法与单点求导方法在探测强影响点上的优劣性.     

基于小波的回归分析

在变形回归分析处理前消除或减弱误差的影响,可以有效地改善回归分析的质量.通过一元回归试验对比可以看出,经过小波消噪以后,线性关系之外因素引起的数据波动性减小,拟合的效果得到了改善,线性关系显著增强.     

空间混合自回归模型的局部影响分析

基于一阶导数方法,对空间混合自回归模型进行局部影响分析.当模型中误差向量的均值发生扰动时,依据极大似然方法对模型中自回归系数ρ和方差σ2分别构造了检测强影响点或异常点的最大影响方向dmax,ρ和dmax,σ2.数据模拟研究表明,基于dmax,σ2的检测效果明显优于dmax,ρ的效果.同时,对一个实际数据的分析,说明所得结果在实际研究中也是有用的.