数据的剔除对Minimax线性估计的影响与相关系数

用方差比和广义方差比作为判定数据对Minimax线性估计影响的标准,建立了剔除一组数据时的方差比与相关系数的关系,找到了剔除多组数据时的广义方差比与Hotelling广义相关系数的联系,并讨论了剔除一组数据与剔除二组数据时的广义方差比之间的关系.     

齐次等式约束线性回归模型回归系数条件岭估计的效率

研究齐次等式约束线性回归模型回归系数的狭义条件岭估计和广义条件岭估计的效率,证明狭义条件岭估计和广义条件岭估计的效率比最小二乘估计的效率高,并且广义岭估计比狭义岭估计的效率高．     

复共线性条件下广义岭估计的改进

对于复共线性条件下线性回归模型的广义岭估计进行了进一步的研究。针对线性回归模型病态的根本原因,提出了一类新的估计——0-K型广义岭估计。研究这一估计的性质,证明利用0-K型广义岭估计技术可以改进广义岭估计(在均方残差意义下)。文中的方法为病态线性回归模型系数的有偏估计提供了改进的技术途径。     

复共线性条件下广义岭估计的改进

对于复共线性条件下线性回归模型的广义岭估计进行了进一步的研究.针对线性回归模型病态的根本原因,提出了一类新的估计--0-K型广义岭估计.研究这一估计的性质,证明利用0-K型广义岭估计技术可以改进广义岭估计(在均方残差意义下).文中的方法为病态线性回归模型系数的有偏估计提供了改进的技术途径.     

非齐次等式约束下奇异型线性回归模型的广义条件岭估计

文章对线性回归模型参数有偏估计做进一步研究,提出了在非齐次等式约束下奇异型线性回归模型参数的广义条件岭估计,并给出它的一些性质,而且证明了在一定条件下,在均方误差阵和广义均方误差意义下,广义条件岭估计都优于约束最小二乘估计.最后,通过实际数据进行实证分析,得到了取不同岭参数矩阵时对应的广义条件岭估计及其MSE,验证了广义条件岭估计优于约束最小二乘估计的充分条件的正确性.     

广义岭型主成分估计的一些性质

讨论了广义岭型主成分估计的一些性质,引入一种估计的相对效率,证明了广义岭型主成分估计比岭型主成分估计和主成分估计的效率高,并且在Pitman准则下也优于岭型主成分估计和主成分估计.     

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     

相依回归系统参数的一种有偏估计

对二个相依回归方程组成的线性系统,提出两种新的有偏估计广义岭型协方差改进估计和广义岭型两步协方差改进估计．讨论了这两种估计的优良性质,给出的这两种估计是岭型协方差改进估计和岭型两步协方差改进估计的推广．     

数据的剔除对缺落值模型的影响

从距离角度和效率角度研究了一组数据和多组数据缺落值估计的影响,建立了剔除一组数据时Cook距离与复相关系数的等式关系,剔除多组数据时Cook距离与广义相关系数的不等式及广义方差比度量与Hoetelling广义相关系数的等式关系.     

广义岭型主成分估计的优良性质

讨论线性回归模型的一种有偏估计广义岭型主成分估计,给出广义岭型主成分估计一些性质,证明在MSE和GMSE准则下是等价的并且优于最小二乘估计,在Pitman准则下优于最小二乘估计和岭型估计.进一步得到了在均方误差意义下广义岭型主成分估计是可容许估计的结论.     

广义对角岭型估计类

提出了具有岭型形式的一类回归系数的参数估计--广义对角岭型估计类.在线性模型的典则形式下此估计类仍是最小二乘估计的一个线性变换,具有有偏性和压缩性.同时还讨论了它的均方误差的形式,证明了在均方误差意义下,在某个椭球范围内它优于最小二乘估计,得到了该估计类的残差平方和的一个简单形式.最后指出该估计类其实是具有岭型形式估计类的统一形式.     

广义岭型主成分估计的方差最优性质

主要讨论了在广义岭型降维估计类中,广义岭型主成分估计的方差性质.在一定条件下,证明了广义岭型主成分估计的协差阵的特征值、行列式及正交不变范数最小.     

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．     

数据删除模型对于广义岭估计的影响

建立了经典线性模型回归系数的广义岭估计和数据删除模型的广义岭估计之间的关系式.同时得出了一些相应的结论,即引入二范数度量来度量两个估计量之间差异的大小.     

半相依回归系统的Stein型广义岭型主成分改进估计

对于一类半相依回归系统,将Stein压缩思想与广义岭型主成分改进估计相结合。提出Stein型广义岭型主成分改进估计,并且讨论这种估计及其相应的两步估计的优良性质。     

广义Petersen图G(2m+1,m)的交叉数

先利用去边的方式证明了广义Petersen图G(2m+1,m)的交叉数的下界是3,然后证明它的交叉数就是3.