线性回归模型系数Stein估计的改进研究

在线性回归模型Y=Xβ,E（ε）=0;COV（ε）=σ^2Ⅰ下给出了有偏估计βc（K）=（CX’X）＋ФKФ＇）^-1X’Y,其中C≥1,K=diag（k1,k2,…,kp）为对角阵,ki≥0,讨论了这种有偏估计的可容许性,证明利用广义岭回归技术可以改进著名的Stein估计（在均方误差意义下）。     

回归系数的一种有偏估计

在线性回归模型Y=Xβ ε;E(ε)=0;Cov(ε)=σ2V,V＞0下,给出了一种新的有偏估计(β)(F(K))=(X′V-1X TF(K)T′)-1X′V-1Y,讨论了这种有偏估计的优良性,推广了已有的相关结果.     

约束线性回归模型的一种新的可容许估计

对于带约束的线性回归模型y=Xβ+e,E(e)=0,Cov(e)=σ2W,W＞0,Xβ=0,给出了回归系数的有偏估计β*R(k)=(kM+I)-1β*R,给出了在均方误差阵意义下新的估计β*R(k)优于约束最小二乘估计β*R的条件.     

回归系数的一种有偏估计

在线性回归模型Y=Xβ＋ε；E（ε）=0；Cov（ε）=σ^2V，V〉0下，给出了一种新的有偏估计β^-（F（K））=（X′V^-1X＋TF（K）T′）^-1X′V^-1Y，讨论了这种有偏估计的优良性，推广了已有的相关结果．     

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。     

生长曲线模型综合岭估计的推广

文章将生长曲线模型Y=X1BX2+ε,E(ε)=0,Co v(ε)■=Co v(Ve c(ε))=Iqσ2In在设计阵X1(或X2)呈病态时的综合岭估计推广到协方差矩阵为正定和半正定生长曲线模型,得到了相应的综合岭估计,并给出了其优良性等性质。     

约束线性回归模型的一种有偏估计

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β*R(k)=(kM+I)-1β*R(k≥0),讨论了其一些性质,而且给出了在均方误差阵下β*R(k)优于β*R的条件.     

线性回归模型中K-d型估计研究

考虑线性回归模型Y=Xβ＋ε,E（ε）=0,Cov（ε）=σ2 I,当设计矩阵X的列存在共线性时,最小二乘估计β=（X′X）-1 X′Y的性质变坏,为此给出了有偏估计β（K,d）=（X′X＋K）-1（X′Y＋dβ）,其中K〉0为对角矩阵,ki〉0,-∞〈d〈∞为参数,讨论了这种有偏估计对Liu估计、最小二乘估计的优越性,并证明了其可容许性估计。     

增长曲线模型中系数阵的Minimax可容许线性估计

对于增长曲线模型Y=X1BX2′ ε,E(ε)=0,COV(ε)=σ2VΣ,在该模型中,B是回归系数矩阵,选取二次损失函数,在齐次线性估计类L0={MYN:M,N分别为m1×n,p×m2的常数矩阵,MX1=K}中给出了线性可估函数KBL的容许Mini max估计,并且证明了其唯一性.     

一类多元线性模型的一致最小方差无偏估计

本文讨论一类多元线性模型 :y=(S T′) β+e,E(e) =0 ,e=(ε′(1) ,… ,ε′(n) )′,E(ε(i) ε′(n) ) =Φ 0 ,E(ε(i) ε′(i) ε(i) ε′(i) ) =K,i=1 ,2 ,… ,n.当 y准正态分布时 ,在一定意义下得到Φ的 L S估计Φ1,以及 tr(DΦ1)为 tr(DΦ ) (D=D′)的一致对 (Φ ,k)的最小方差无偏估计 (UMVUE)的若干充要条件 .     

生长曲线模型的综合岭估计

该文提出了生长曲线模型回归系数的一种新的有偏估计—综合岭估计,讨论了综合岭估计的优良性、可容许性等性质,给出了其迭代解和极小化均方差的无偏估计解。在综合岭估计下,岭估计、广义岭估计、根方估计成为其特例,从而统一了生长曲线模型的岭估计和根方估计理论。     

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     

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.     

广义压缩最小二乘估计参数的选择准则

文［１］中提出了广义压缩最小二乘估计，并讨论了它的可容许性及在均方误差准则下的最优性．本文进一步讨论它的其它性质，提出广义压缩最小二乘估计参数选择的Ｑ（ｃ）准则，并给出按此准则选择参数的方法和引入模糊主成分系数的概念，从而在对各种有偏估计的优、缺点进行比较的基础上提出了当参数选择效果不够理想时的一些修正方法     

评估模型基于交互投影的参数岭估计

根据评估过程提出的一种因变量和回归系数都未知的凸约束广义线性回归模型,利用凸集间的交互投影作出模型参数的最小二乘估计,在设计矩阵列复共线时给出了交互投影算法的参数岭估计,扩充了评估模型理论,增强了评估模型基于交互投影算法的计算稳定性.     

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.     

GM(1,N)模型的多重共线性的产生及岭估计改进法

将累加处理表示成矩阵的形式，并再此基础上证明了某特殊情况下，累加处理将产生多重共线性，并且用岭估计法改进了灰色系统模型。     

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。