线性回归模型回归系数的条件岭型估计

研究了线性等式约束的线性回归模型回归系数的一种有偏估计--条件岭型估计,给出了在均方误差意义下条件岭型估计优于回归系数的约束最小二乘估计的条件.     

矩阵损失下线性估计可容许性的注记

研究矩阵损失下线性模型中线性估计的可容许性, 利用矩阵论的相关知识给出了齐次线性估计类和非齐次线性估计类中可容许估计的新刻画, 并举例说明所给条件更易于应用.     

多元线性模型回归系数的所有可容许线性估计

讨论了多元线性模型中 ,线性估计 AY a在一切估计类中是线性可估函数 SB的 A-可容许性估计、E-可容许性估计及 G-可容许性估计的主要条件 .     

因变量缺失的变系数部分线性模型的有效估计

讨论了因变量随机缺失条件下变系数部分线性模型的估计问题.基于局部借补思想,使用局部线性方法和平均技巧同时得到了各个估计量的估计,进而给出了估计的渐近性质.     

多变量密度函数的小波估计

本文给出并证明了多变量密度函数的线性小波估计的几个统计性质.基于多变量小波变换,本文主要讨论了多变量密度函数的线性小波估计.在Besov空间中,给定条件下,得到了线性小波估计的几个统计性质,本文并且给出了这些统计性质的证明.     

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.     

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.     

具有随机约束的混合效应模型参数的岭型谱分解估计

对于具有随机线性约束的线性混合效应模型参数提出一种称之为条件岭型谱分解估计的方法.利用均方误差矩阵和广义均方误差对固定效应参数的几种估计量进行比较,给出条件岭型谱分解估计优于条件谱分解估计的充分条件,并给出这两种估计的相对效率的上下界.最后,模拟算例验证了理论结果的正确性.     

具有随机约束的混合效应模型参数的岭型谱分解估计（英文）

对于具有随机线性约束的线性混合效应模型参数提出一种称之为条件岭型谱分解估计的方法.利用均方误差矩阵和广义均方误差对固定效应参数的几种估计量进行比较,给出条件岭型谱分解估计优于条件谱分解估计的充分条件,并给出这两种估计的相对效率的上下界.最后,模拟算例验证了理论结果的正确性.     

广义条件根方估计的迭代解

对非齐次等式约束线性回归模型的广义条件根方估计的一般形式,给出了广义条件根方估计的迭代解.     

方差分量模型中回归系数的线性Minimax估计

定义了三种不同的Minimax估计．在矩阵损失下得到了方差分量模型的回归系数(分别是在齐次线性估计类和非齐次线性估计类中)的线性Minimax估计．结果表明,Minimax估计是压缩型估计．     

一类理想二次损失函数下多参数统计模型的风险估计

Bunke曾讨论了一类多参数控制的线性模型在带正定“加权”矩阵的二次损失函数下 ,最佳线性无偏估计量的极小极大性 .然而 ,对于相应风险中具有大估计误差的不合理加权 ,上述损失函数已不适用 .为此 ,提出了一类更为理想的二次损失函数 ,并在此损失函数下 ,对相关风险进行了极小极大估计与比较 .结果表明 ,所提出的二次损失函数是合理的、适用的     

二次损失下可估函数在非齐次估计类中的条件Minimax可容许性

在二次损失下,关于任意矩阵V讨论了一般Gauss-Markov模型在非齐次线性估计类中可估函数的条件Mimimax可容许性.得出带约束的一般Gauss-Markov模型的可估函数在非齐次估计类中Minimax可容许的充分必要条件.     

二次损失下G-M模型中可估函数的条件Minimax可容许性

在二次损失下,该文关于任意矩阵V对G-M模型讨论了在齐次线性估计类中可估函数的条件Mimimax可容许性.     

具有不确定噪声的离散广义线性系统的鲁棒状态估计

本文研究了一类具有不确定噪声的离散广义线性系统的鲁棒状态估计问题，利用对策论的基本原理，给出了一种比较简单实用的近似估计方法．即最小化不确定下最坏性能的极小极大鲁棒状态估计．     

非齐次等式约束线性回归模型回归系数的条件岭型估计

对非齐次等式约束线性回归模型提出一种有偏估计,即条件岭型估计,证明了在一定的条件下,在均方误差及均方误差矩阵意义下都优于回归系数的约束最小二乘估计,并给出了两次随机数据模拟的结果,模拟数据结果表明在一定的条件下,条件岭型估计优于最小二乘估计.     

约束线性回归模型回归系数的条件岭型估计

本文提出了线性等式约束的线性回归模型回归系数的一种有偏估计-条件岭型估计,证明了在一定的条件下,在均方误差意义下及均方误差矩阵意义下都优于回归系数的约束最小二乘估计,并讨论了它的可容许性。