广义岭估计的新定义及其性质

Hoerl和Kennard提出了广义岭估计[1].本文提出了另一类广义岭估计β^(K)=(X'X+K)-1X'Y,K=diag(K1,K2,…Kp),它是岭估计的自然推广,但和前者的广义岭估计不同.证明了存在K＞0使β^(K)的均方误差小于最小二乘估计β=(X'X)-1X'Y的均方误差,并且β^(K)是β的可容许估计.     

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.     

混合系数线性模型参数的局部根方估计

在连续测量数据情况下,给出了混合系数线性模型参数的局部根方估计dL(k)和dL(k)(0相似文献   

多元广义岭估计及K值选取的Q（C）准则

本文采用广义岭估计β~*(K)来估计多元线性模型中的回归系数β=Vec(B),通过K值的选取,可使均方误差MSE小于LS估计的MSE。分析了广义岭估计中根据MSE准则选取K值存在的主要缺陷,从理论上证明了选取K值的新准则——Q(C)准则的优良性,并给出了实际应用Q(C)准则的方法。     

线性等式约束的奇异线性模型的Liu型估计

考虑带等式约束的奇异线性模型的参数估计,为了克服复共线性问题,提出一个新的Liu型估计;同时给出这个估计的一些性质,并且得到了这个新的Liu型估计在均方误差矩阵准则(MSEM)下优于约束最小二乘估计的充要条件;得到在均方误差(MSE)准则下新估计优于约束最小二乘估计的充分条件.     

正态总体误差方差的经验Bayes估计及其优良性

对正态总体误差方差在共轭先验分布和加权平方损失下导出了其Bayes估计,构造了其参数型经验Bayes(PEB)估计,研究了其在均方误差(MSE)准则下相对于一致最小方差无偏估计(UMVUE)的优良性.当先验分布中的超参数完全未知时,通过数值模拟比较了PEB估计和UMVUE的均方误差,获得了PEB估计的优良性.     

约束线性回归模型的一种新的可容许估计

目的对于带约束的线性回归模型,y=Xβ+e,E(e)=0,cov(e)=σ2V,V>0,Rβ=0,给出了回归系数的有偏估计βR*(K)=(KM+I)-1βR*其中K=diag(k1,k2,…,kp)。方法应用比较的方法。结果与结论求出了在均方误差意义下βR*(K)优于β*R的条件,并讨论了其可容许性。     

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。     

均匀分布参数的矩估计与最大似然估计

讨论了均匀分布族 {R(0 ,θ) ,θ >0 }中参数θ的矩估计与最大似然估计的均方误差和相合性 ,结果表明修正后的最大似然估计的均方误差优于其它估计。     

均方误差准则下的几乎无偏Stein岭型主成分估计的优良性

将Stein岭型主成分估计利用几乎无偏估计思想进行优化,得到几乎无偏Stein岭型主成分估计.并考虑均方误差准则,得到了几乎无偏Stein岭型主成分估计优于最小二乘估计、Stein岭型主成分估计的充分条件.并通过数值实验证明在给定k或p时,几乎无偏Stein岭型主成分估计的均方误差与Stein岭型主成分估计的均方误差较为接近,且远大于最小二乘估计的均方误差.     

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.     

生长曲线模型的几乎无偏岭估计

本文用几乎无偏岭估计来估计生长曲线模型中的回归系数,表明了在均方误差意义下,几乎无偏岭估计优于岭估计,并通过实例验证了该结果。     

错误指定模型中回归系数混合估计的小样本性质

在均方误差矩阵（ＭＳＥＭ）准则和ＰｉｔｍａｎＣｌｏｓｅｎｅｓ（ＰＣ）准则下,本文比较了错误指定的线性回归模型中回归系数的混合估计相对于最小二乘估计的优良性     

回归系统的一种有偏估计与广义最小二乘估计的相对效率

在均方误差矩阵准则下研究了线性回归系数的一种有偏估计相对于广义最小二乘估计的优良性问题及其他统计性质,并导出了它们的相对效率的界.     

一类线性模型参数的Bayes估计及其优良性

导出了一类线性模型中参数的Bayes线性无偏估计.在均方误差矩阵准则、predictive Pit mancloseness(PRPC)和posterior Pit man closeness(PPC)准则下分别研究了Bayes线性无偏估计相对于广义最小二乘估计的优良性.     

聚集数据线性模型一种有偏估计

文章对病态的聚集数据模型,提出了新的有偏估计,其中对模型中的参数要求大于零。讨论了这种新的有偏估计的优良性,证明了此估计改进了岭估计(均方误差意义下),推广了已有的结果。     

回归系数一类线性估计与广义最小二乘估计的相对效率

在均方误差矩阵准则下研究了回归系数的一类线性估计相对于广义最小二乘估计的优良性问题,并讨论了三种不同相对效率的上、下界.     

线性模型中回归系数广义岭估计的小样本性质

在均方误差矩阵准则和Pitman closeness（PC）准则下讨论了线性回归模型中回归系数的广义岭估计相对于最小二乘估计的优良性及其相对效率的界．     

复共线性下的主成分全最小二乘估计

针对最小二乘法在参数估计中的局限性,在多维解释变量存在复共线性时,提出主成分全最小二乘估计,避免奇异矩阵求逆的问题.经多组大量测试,计算得到的回归系数的平均绝对偏差均较小,且表现稳定,其效果明显地优于最小二乘估计和全最小二乘估计.