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.     

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.     

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.     

基于Liu估计的混合系数线性模型的一类有偏估计

针对连续测量数据下混合系数线性模型的复共线性,在Liu估计的基础上提出了一类新的有偏估计,称为s-d-k估计.研究了新估计的相关性质,并在均方误差矩阵准则下,给出了新估计优于最小二乘估计、Liu估计、新的两参数估计的充分条件.最后通过蒙特卡罗模拟方法验证其优良性.     

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   

混合广义部分线性加性模型的参数估计

广义部分线性加性模型具有参数和非参数2个部分,并且选择不同连接函数可以得到多种不同加性模型,是一种非常灵活的统计模型.有限混合模型是研究异质性总体的有效工具,扩展性很强,随着计算能力的不断提升,得到越来越广泛应用.本文将这2种模型相结合,提出混合广义部分线性加性模型(MGAPLM).首先给出模型的定义,并在一些温和条件...     

函数型部分线性可加模型及其估计

对于函数型回归模型,提出一种更一般的半参模型,这个模型能够同时克服参数模型和非参数模型的不足,从而获得更稳健的估计。研究了函数型部分线性可加模型中的参数估计问题,并且建立了估计量的渐近性质,同时推广了现有文献中的相关结果。     

广义线性模型的M-估计

用M-估计来估计广义线性模型中的未知参数β.首先,在一定的假设条件下,根据已有的对广义线性模型中未知参数β的极大似然估计方法,应用大数定律及鞅中心极限定理,证明了广义线性模型的M-估计的两个重要性质,印相合性及渐近正态性.其次,将固定设计的思想引入M-估计,并与广义线性模型相结合,证明了其相合性及渐近正态性.最后通过数...     

部分线性回归模型中改进的差分估计及SCAD

考虑了部分线性回归模型中回归参数向量估计的问题,提出了具有更好性质的压缩差分估计,并且将SCAD惩罚函数运用到模型中得到SCAD估计,然后通过Monte Carlo模拟了压缩差分估计和SCAD估计的相关结果,并对它们之间的优劣进行了比较.     

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。     

部分线性回归模型中的广义似然比检验

检验了部分线性回归模型中的函数部分是否为常数, 在备择假设下, 先用局部多项式方法估计出函数部分, 在估计中忽略了参数部分, 将其并入误差项, 再使用二阶段估计法, 直接应用最小二乘方法, 估计出参数部分, 并讨论了它们的渐近性质. 计算了零假设下广义似然比检验统计量的表达式, 并给出其渐近分布.     

部分函数型线性回归模型的预平滑估计

采用预平滑方法研究部分函数型线性回归模型,其中模型的响应变量为标量,解释变量由有限维向量和取值于函数空间的函数型变量构成.得到了模型系数的估计量,并讨论所提出估计量的相合性.     

线性混合模型中的固定效应参数的估计

混合效应的线性模型中含有两类参数:一类是固定效应参数,另一类是随机效应部分的方差分量参数.本文主要研究讨论了对于在线性混合模型中的固定效应参数,将不同的线性混合模型转化为满足Guass-Markov假设的线性模型,在此基础上,根据不同的情况,对其中的固定效应参数作最小二乘估计;当模型在较强的复共线性时,相应的对其做岭估计.     

多元线性模型回归系数的混合估计

本文采用混合估计β_(?)~*来估计多元线性模型中的回归系数β=Vec(B),证明了当多元线性模型随机误差阵向量化的协差阵已知时,混合估计B(?)~*的均方误差MSE小于β的LS估计β~*的MSE。     

部分线性可加模型的约束估计

文章讨论部分线性模型在约束情况下的估计问题.在一般的线性约束条件下利用两种方法构造参数分量的约束估计;当参数部分附加随机约束条件时,依据混合估计方法与Profile最小二乘方法,构造参数分量的随机约束估计;讨论一般约束估计和随机约束估计的关系.     

广义线性差分方程解及其基

本文应用差分方程基的概念，揭示了线性差分方程解的结构．证明了任一差分方程的解可以表示为“基”的线性组合形式．     

多元线性模型回归系数的广义根方估计

将根方估计作一拓广，提出了回归系数的广义根方估计，证明了广义根方估计能更有效地改善最小二乘估计，并给出了广义根方估计的显示解和确定偏参数的方法。     

混合系数线性模型参数的岭估计

在连续测量数据情况下,针对模型的复共线性,给出了混合系数线性模型参数的两种岭估计,讨论了岭估计的相关性质,并证明了在均方误差意义下,通过选取适当参数,岭估计可优于最小二乘估计,最后讨论了岭估计的可容许性并给出了岭参数的选取方法。最终得到了岭参数的最优估计。     

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．