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.     

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.     

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.     

半参数可加模型参数的Bayes估计

研究了半参数可加模型参数的Bayes估计问题.导出了半参数可加模型中参数的Bayes最小风险线性无偏估计,同时研究了其均方误差矩阵准则下优于Profile最小二乘估计的优良性.     

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.     

方差分量二次型估计及容许性

在线性模型中,方差分量是比较重要的一类参数.本文给出了线性混合模型两个方差分量的二次型估计,并得到所得二次型估计类的一些性质,如无偏性、不变性、在均方损失下的容许性,并且利用截断法对所得的估计进行非负改进.     

多分量混合高斯密度的一种参数估计算法

根据有噪图像数据处理的需要,提出了一种分级矩估计与最大似然估计的综合算法来估计多分量混合高斯密度函数的参数.该算法首先利用分级矩估计法求出混合密度函数的初始参数估计值,然后利用最大似然估计法进行迭代运算,以求得这些参数的最终估计值.这种算法可以对具有2~m 或3×2~m(m 为正整数)个高斯分量的混合密度函数进行参数估值,给出了4,6,8分量混合高斯密度函数的参数估值实例.     

线性混合模型中参数估计的容许性

对含有两个方差分量的线性混合模型,文章主要研究了两个广问题.首先,在方差分量的一个二次不变估计类中,改进了已有文献中对容许性的证明,建立了新的估计类,讨论了容许性的必要条件.基于新的估计类得到了一个比ANOVA估计更好的估计.另外,在固定效应β的线性可估函数Sβ的一个线性无偏估计类中,得到了可容许的必要条件.     

线性混合模型中方差分量的经验Bayes估计的收敛速度

在加权平方损失下导出了含有2个方差分量的线性混合模型中方差分量的Bayes估计,利用多元密度函数及其混合偏导数的核估计方法构造了方差分量的经验Bayes（EB）估计,在某些条件下获得了该估计的收敛速度。     

方差分量的谱分解估计

就线性混合模型中含有两个方差分量的情形,对方差分量的方差分析估计和谱分解估计进行比较,得到它们相等的充要条件,由此推出谱分解估计的优良性.     

部分线性可加模型基于backfitting方法的岭估计

作为部分线性模型和可加模型的推广,部分线性可加模型是一类应用广泛的半参数模型.本文主要考虑该模型在线性部分自变量存在共线性情形下的估计问题.首先我们构造了参数分量的岭估计,其次我们构造了含有约束条件时的岭估计.     

方差分量模型中线性估计的最优性及可容许性

将随机效应线性模型和方差分量模型合并为一种模型,即具有随机回归系数的方差分量模型;给出了随机回归系数和参数的线性可估函数的最优线性无偏估计以及在矩阵损失函数下的可容许性;在正态假设下,讨论了线性估计在一切估计类中的可容许性.     

线性混合模型中方差分量的非负估计

在线性混合效应模型中,方差分量的非负估计问题备受关注.基于方差分量的ANOVA估计,给出了方差分量的不依赖于随机效应分布的非负改进,且改进后的估计在均方误差意义下优于ANOVA估计,有比ANO-VA估计更好的极限性质.当随机效应和随机误差都服从正态分布时,模拟显示,新估计优于ANOVA估计以及Tatsuya估计.     

方差分量的不变二次无偏估计

本文考虑具有任意K个方差分量的线性模型,讨论了方差分量线性函数的可容许估计问题。根据一般线性模型中均值参数的可容许估计的刻划,得到了在椭球等高分布的假定下,方差分量线性函数的可容许性不变二次无偏估计的刻划。     

混合系数线性模型参数的几乎无偏LIU估计

该文研究了连续测试数据情况下的混合系数线性模型的参数估计问题.提出了混合系数线性模型参数的几乎无偏LIU估计,研究了参数估计的性质,并证明了在一定条件下此估计优于最小二乘估计、几乎无偏岭估计和LIU估计,最后还讨论了新估计的可容许性和有偏参数的选取方法.     

半参数计量经济联立模型的局部线性广义矩变窗宽估计

提出半参数计量经济联立模型的局部线性广义矩变窗宽估计,并在随机设计(模型中所有变量为随机变量)下,利用极限理论研究了估计的大样本性质.研究结果表明:参数分量估计具有一致性和渐近正态性且收敛速度为n-1/2;非参数分量估计在内点处具有一致性和渐近正态性,其收敛速度达到了非参数函数估计的最优收敛速度.     

部分线性变系数EV模型估计的渐近正态性

研究非参数部分带有测量误差(EV)的部分线性变系数模型,综合局部纠偏方法和Profile最小二乘估计方法定义了模型中未知参数和系数函数的估计,并在适当条件下证明了它们的渐近性质,最后通过数值模拟研究了所提估计方法在有限样本下的实际表现。     

一类线性混合模型中方差分量的估计

将线性混合模型中随机效应的协方差阵推广为正定阵,运用方差分析估计的方法给出了方差分量的估计。通过QR分解给出了简化计算的方法,利用随机变量二次型的协方差对方差分量的估计做了进一步的改进,同时还给出了方差分量的一个非负估计。     

QR分解在方差分析中的应用

在线性混合模型的方差分量估计中,方差分析估计是一种很重要的估计方法。应用此方法估计过程中,所求的方程组的系数矩阵是上三角矩阵,很容易求得其解,然而它的计算会随着数据的增多变得既耗时又不稳定。用QR分解的方法计算方差分量的估计,不用计算投影阵及广义逆矩阵,而且参与运算的矩阵的阶数相对比较小,节约了存储空间。利用QR分解,讨论其在线性混合模型中方差分量的方差分析估计中的应用。     

线性混合模型中的参数与方差分析

给出了一种将一般的线性混合模型转化为满足Gauss-Markov假设的线性模型方法,然后对其中的参数进行最小二乘估计,并讨论了QR分解在线性混合模型中方差的ANOVA估计中的应用.