Quasi-Regression基函数的选择和算法改进

Quasi—Regression主要用于解决高维空间的函数逼近问题．函数的拟合效果依赖于所选择的标准正交基函数和拟合算法．在很多情况下，未知函数可以表示成若干个部分变量的函数和．本对此提出了一种函数的拟合算法，通过对这些部分变量的函数的拟合，得到原函数的拟合，并且说明新方法精度更高，计算量更少．     

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。     

拟回归标度参数不相关估计的估计量

在拟回归假设条件的基础上，本提出对拟回归原型的未知标度参数独立进行估计的方法，新方法不仅具有很高的计算效率，而且标度参数的估计量之间不再具有相关性，当样本容量很大的时候，新方法能够达到原方法(献[1]，An and Owen的方法)的计算精度．在章结尾给出了计算机模拟结果。     

未知方差下回归系数常用估计的可容许性

假设一个”维随机向量Y服从正态分布N(β，σ^2In)。在二次损失下，当n≥3和σ^2已知时，Stein在1956年指出Y不是β的容许估计，这是统计判决理论中一个著名的结果，成平在1982年对Stein结果给出了一个有趣的补充，他证明了当σ^2未知时，Y是β的容许估计。这篇文章是成平结果的一般化，即在一个宽广的分布类中，证明了当方差未知时，回归系数最小二乘估计是容许的。这表明当方差未知时，回归系数最小二乘估计是一个适合的估计。     

一种估计自回归模型参数的新方法

本文应用最小二乘法给出了一种无需事先计算自相关函数而直接估计自回归模型参数的迭代方法。     

平衡损失下回归系数James-Stein估计的性质

在平衡损失下给出了回归系数James—stein估计优于最小二乘(LS)估计的充要条件，得到了在Pitman close—ness准则下James—Stein估计相对于LS估计的优良性。     

基于傅立叶变换的OFDM信道估计方法研究

分析了无线OFDM 系统中基于傅立叶变换的信道估计方法,提出了在低信噪比情况下使用LMMSE估计的一种改进方法和在高信噪比情况下使用不需要先验信息的LS估计的改进方法。仿真结果表明，在无线多径慢衰落信道条件下，该改进方法都能够有效对抗频率选择性和先验信息的估计偏差对信道估计的影响，在估计性能与算法复杂度之间取得良好折衷。     

回归系数的混合估计与最小二乘估计的相对效率

本讨论线性回归模型中,回归系数的混合估计与最小二乘估计的相对效率问题,研究了两种不同相对效率的上、下界。     

半参数方差函数模型的核与最小二乘估计

介绍具有随机设计的一类半参数方差函数模型。对模型的非参数成份构造了核估计，然后利用最小二乘法估计参数成份，最后证明了估计的若干渐近性质（例如，相合性，渐近正态性等），从而进一步推广和发展了Ｍｕｌｌｅｒ和Ｚｈａｏ的结果。     

偏导数的最小二乘估计及其SAS程序实现

对于高等数学中求解多元函数偏导数的方法大家都很熟悉,这时可以由偏导数的定义得到一种估计形式,本文用统计中试验设计的方法给出了求偏导数的另外一种估计形式——最小二乘估计,并给出了相应的理论证明、算法和实例分析。     

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.     

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。     

一般增长曲线模型回归系数的一种可容许有偏估计

对于线性回归模型：Y=Xβ＋ε,E（s）=0,cov（ε）=σ^2v,v〉0,文献[1]给出了有偏估计βs^＊=（X^TV^-1X＋sI）^-s（XTV^-1Y＋β^＊）,其中s〉0为参数,β表示线性回归模型的广义最小二乘估计,文献[2]中已经证明了βs^＊的可容许性并且有很多优良性质．作者用类似的方法证明在一般增长曲线模型下该有偏估计仍具有许多优良性质并证明其在均方意义下是可容许的．     

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。     

系统参数估计的正交变换算法

就线性静态系统参数的最优二乘估计的存在性，提出一种正交变换算法予以实现。     

多元线性模型回归系数的根方估计

本文采用根方估计估计多元线性模型中的回归系数B,通过根方参数k值的选取,可使(k)=Vec((k))的均方误差MSE小于β=Vec(B)的LS估计B的MSE。本文还给出了选取k值的两种方法及一个应用实例。     

关于《一元线性模型最小二乘估计的强相合性》的注记

通过直接考虑随机误差变量的方差,研究了一元线性模型最小二乘估计的强相合性,所给定理减弱并简化了[1]的条件和形式,从而推广了结果、扩大了应用范围。