混合系数线性模型参数的一种新估计

在连续测量数据的情况下,针对模型的复共线性,给出了混合系数线性模型参数的一类新的有偏估计d*ω=(C'M-1C+I)-1(C'M-1Z+ωd*),证明了在一定条件下该估计优于GLS和岭估计,并讨论了该估计的可容许性,最后又给出了该估计的广义形式.     

广义岭估计及其相对效率

讨论了一般Gauss-Markoff模型中未知参数的广义岭估计，并证明了其优良性，比较了三种估计的分别基于方差和均方误差的相对效率，并给出了它们的上下界。     

混合系数线性模型参数的一类有偏估计

在连续测量数据的情况下,针对模型的复共线性,本文给出了混合系数线性模型参数的一类有偏估计,称之为s-K-B估计。在一定条件下证明了这类估计分别优于岭估计,Stein估计,s-K估计以及最小二乘估计。     

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．     

线性回归模型的一种有偏估计

在线性回归模型Y=Xβ ε;Ε(ε)=0;cov(ε)=σ2I下给出了有偏估计βc*(K)=(cXTX ΦKΦT)-1XTY,其中c≥1,K=diag(k1,k2,…,kn)为对角阵,ki≥0,讨论了这种有偏估计的可容许性,利用Stein式压缩技术说明在均方误差意义下它优于广义岭估计,推广了有关结果.     

奇异线性模型最小二乘估计的相对效率

在奇异线性模型下讨论相对效率ei(β）,1≤i≤2的下界及其与广义相关系数和联系,随后简单地讨论了这两种相对效率的关系和比较。     

约束线性回归模型的一种新的可容许估计

对于带约束的线性回归模型y=Xβ+e,E(e)=0,Cov(e)=σ2W,W＞0,Xβ=0,给出了回归系数的有偏估计β*R(k)=(kM+I)-1β*R,给出了在均方误差阵意义下新的估计β*R(k)优于约束最小二乘估计β*R的条件.     

混合系数线性模型的一类有偏估计

研究了连续测量数据情况下的混合系数线性模型的参数估计问题.利用压缩估计方法给出了该模型的一类有偏估计,并讨论了该估计的一些优良性质和压缩系数的选取问题.     

混合模型的一种新的相对效率

研究了带附加信息的混合模型回归系数的估计,在考虑混合估计和LS估计协方差阵之间进一步联系的基础上,给出度量混合估计和LS估计差异的相对效率的一种新定义,并利用矩阵不等式分别求出新相对效率的上、下界.     

一般广义岭估计的效率

把文 [1]所定义的相对效率 1- MSE βMSE β对一般Gauss -Markov模型下的岭估计的讨论推广至广义岭估计。并比较了一般岭估计与广义岭估计在此种效率下的下界     

广义岭估计的相对效率

考察Gauss-Markoff模型中未知参数向量的最优线性无偏估计的改造问题,引入讨论了方兴等 提出的最优化无偏估计的一种估计的相对效率,把其对一般岭估计的部分研究结果推广到广义岭估计。     

线性模型中参数估计的一个新的相对效率

对于线性模型ｙ＝Ｘβ＋ε,Ｅ（ε）＝０,ＣＯＶ（ε）＝σ＾２∑〉０,我们定义了一种新的相对效率,并研究了它与其它相对效率的关系,以及给出了它的一个下界。     

线性模型中回归系数的一种新估计

对于最常见的线性模型，在距离平方和最小意义下给出了回归系数的估计     

因子得分的岭估计及其相对效率

文章对正交因子分析模型中Bartlett因子得分估计的不足做了改进,损失其无偏性,减小估计的均方误差.并给出了改进后的估计与原估计的相对效率的上界。     

线性模型中参数估计的一种新的相对效率

对于线性模型中未知参数的最小二乘估计,本文给出了一种新的相对效率,并研究了它的性质且给出了其下界,最后讨论了该相对效率与其它几种相对效率间的关系。     

线性模型中参数估计的相对效率

对于一个线性模型,如果最小二乘估计(LSE)与最佳线性无偏估计(BLUE)相等,就可以放心地用LSE代替BLUE;反之,用LSE代替BLUE就要蒙受一些损失,有时,这种损失可能是很大的,因而研究这种损失的大小就显得颇为重要.考虑一般线性模型y=Xβ+ε,E(ε)=0,cov(e)=σ2∑,定义了LSE相对于BLUE的两个新的相对效率,并给出了它们的上界.     

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。