约束线性模型下回归系数的条件根方估计

提出了约束线性模型下回归系数的条件根方估计和广义条件根方估计,证明了在一定的条件下,两者在均方误差意义都能很好改进回归系数的约束最小二乘估计,并讨论了它们的可容许性及广义条件根方估计中未知参数的选取方法．     

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.     

约束线性模型下回归系数的条件根方估计

提出了约束线性模型下回归系数的条件根估计和广义条件根方估计,证明了在一定的条件下,两者在均方误差意义都能很好改进回归系数的约束最小二乘估计,并讨论了它们的可容许及广义条件根方估计中未知参数的选取方法。     

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。     

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.     

约束线性回归模型回归系数的条件广义岭估计

提出了约束线性回归模型中回归系数的一种条件广义岭估计,讨论了它的优良性,证明了它在均方误差及均方误差矩阵下都优于约束最小二乘估计。     

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.     

有随机约束的混合回归模型，随机约束岭型估计

对有随机约束的混合回归模型加以改进，并提出了在此回归模型下，回归系数的一种有偏估计——随机约束岭型估计，证明了在一定条件下，在均方误差意义下优于随机约束最小二乘估计。     

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.     

非齐次等式约束线性回归模型的条件根方估计的效率

对非齐次约束线性回归模型的狭义条件根方估计和广义条件根方估计进行讨论.利用相对效率定义比较两种根方估计的效率,证明在一定条件下,广义条件根方估计的效率不低于狭义条件根方估计,在根方参数的限制下比较了它们的下界之间的关系,从而可选择适当的根方参数,使广义条件根方估计就均方误差而言更具有良好的性质.     

PC准则下错误指定模型中回归系数有约束LS估计的优良性

在错误指定的回归模型和线性约束条件下，于ＰＣ准则下，比较了回归系数的有约束的最小二乘估计（ＲＬＳＥ）相对于通常的最小二乘估计（ＬＳＥ）的优良性．也对预测情形类似的问题进行了讨论．     

NGINAR(1)模型的Bayes估计及预测

先利用Bayes方法研究NGINAR(1)模型的参数估计问题, 再利用条件分布预测方法进行模型预测. 模拟结果表明, Bayes估计效果优于条件最小二乘估计和Yule Walker估计, 且条件分布预测方法比条件期望预测方法更适用于整数值序列.     

NGINAR(1)模型的Bayes估计及预测

先利用Bayes方法研究NGINAR(1)模型的参数估计问题, 再利用条件分布预测方法进行模型预测. 模拟结果表明, Bayes估计效果优于条件最小二乘估计和Yule Walker估计, 且条件分布预测方法比条件期望预测方法更适用于整数值序列.     

ADCINAR(1)模型的加权条件最小二乘估计

用加权条件最小二乘方法, 对基于相依计数序列的一阶整值自回归模型(ADCINAR(1))进行参数估计, 给出参数估计的表达式及其渐近分布, 并推导模型的高阶矩、 高阶累积量、 谱密度和双谱密度. 数值模拟结果表明, 将加权条件最小二乘估计、 条件最小二乘估计和Yule Walker估计进行比较, 验证了加权条件最小二乘方法的有效性.     

缺失数据下MGINAR(p)模型的参数估计

首先, 用条件最小二乘方法讨论缺失数据下MGINAR(p)模型的参数估计问题, 得到了参数的条件最小二乘估计. 其次, 模拟验证4种处理缺失数据方法的可行性并比较估计效果, 模拟结果表明: 当缺失概率较小时, 可使用个案剔除法或均值插补法; 当缺失概率较大时, 可使用桥插补法, 以降低估计偏差.     

基于GED的混合ARCH模型

提出了基于广义误差分布的混合自回归条件异"方差"模型,将时间序列尾部的特征融入到混合条件异"方差"模型的参数估计之中,发现模型中的指标r和数据本身尾部厚薄的性质有关.给出了该模型参数估计的EM算法,并利用BIC准则对模型进行定阶.     

SVAR-GARCH模型的多元波动率估计

考虑SVAR GARCH模型的多元波动率, 提出一种估计波动率的新方法. 先利用独立成分分析技术求解因果结构和统计独立的误差项, 建立残差项条件协方差阵与误差项条件协方差阵的关系, 然后利用单变量GARCH模型的估计结果和识别的因果结构, 估计多变量GARCH模型的条件波动的脉冲响应方法, 实现多元波动率的估计, 该方法可有效减少估计参数. 实验结果表明, 新方法估计的波动率与能源期货市场的规律相符.     

NEAR(p)模型的参数估计

分别用条件最小二乘、 加权条件最小二乘和最大拟似然方法估计了平稳的NEAR(p)模型的参数. 并讨论了这些估计量的渐近性质. 通过数值模拟发现, 当参数真值较小时, 最大拟似然方法的估计效果较好; 当参数真值较大时, 加权条件最小二乘方法的估计效果较好.