污染数据线性回归模型的参数估计和区间估计

研究线性回归模型:yi=α βxi iε,i=1,2,…,n,其中Eiε=0,E2iε=21σ;但y1,y2,…,yn受到另一个独立同分布随机变量序列W1,W2,…,Wn的污染,仅能观察到yi*=(1-v)yi vwi,i=1,2,…,n,Wi与yi相互独立.文章给出了α,β,v的估计及区间估计.     

污染数据线性回归模型的参数估计

研究了简单回归模型中响应变量受到另一随机变量序列污染时 ,模型参数和污染系数的估计方法 .在适当条件下 ,证明了所建立的估计量都具有强相合性     

污染数据回归模型的相合估计

考虑线性回归模型yi=xi′β iε,i=1,2,…n,其中ε=(1ε,…,nε)′满足E()ε=0,Cov()ε=21σV(V>0),假定{yi}受到另一独立同分布的随机变量序列{iμ}的污染,仅能观察到污染数据,{yi}与{iμ}独立,本文给出污染参数及回归系数的参数估计,并证明在适当的条件下其具有强,弱相合性。     

污染线性模型的相合估计

讨论二种类型的污染回归,一是（I）型污染回归模型,并不假定误差分布为正态,也不假定误差方差为已知,只假定误差有三阶矩,在此条件下证明了污染系数及回归系数的参数估计的紧相合性,二是提出一种新的污染回归模型（Ⅲ）,在只假定误差有二阶矩（并不假字有已知方差）的条件下,得到污染系数及回归系数的参数估计的相合性。     

缺失数据下区间自回归模型的参数估计

研究了当数据存在缺失时区间值自回归模型的参数估计问题.利用均值补充法、条件均值补充法对缺失数据进行补充,在此基础上进一步利用条件最小二乘估计方法对模型参数进行了估计,并通过随机模拟说明了上述估计方法的合理性.     

污染数据回归模型的强相合估计

讨论了(I)型污染回归模型,并不假定误差分布为正态,分别从误差方差为已知和未知两个方面给出污染系数及回归系数的参数估计,并在适当的条件下证明其强相合性.     

关于污染线性回归模型参数估计的注记

文[1] 、[2] 研究了简单回归模型中响应变量受到另一随机变量序列污染时，模型参数和污染系数的估计方法，但在 利用误差的不同阶矩估计给出污染系数的估计时发生了错误。我们证明了这种方法是行不通的。     

基于区间数据的非参数Bayes估计

基于Dirichlet过程为先验分布,给出区间数据下总体分布非参数Bayes估计的表达式;通过对常用分布的随机模拟,阐述几类先验分布对估计效果的影响;最后,与参数极大似然法比较,证明所构造的方法具有相近的估计效果.      

一般线性回归模型的参数估计

传统的最小二乘估计在处理一般线性回归模型的参数β和σ2的估计问题时,若遇到异常数据模型拟和得往往不好,现提出另一种估计方法:修正的最小二乘估计.结果表明此方法在处理异常数据时具有明显的优越性.     

线性回归模型参数的BC估计

对线性回归模型的参数给出了一种新的有偏压缩估计,简称ＢＣ估计,并证明了ＢＣ估计的许多优良性质。     

污染数据半参数回归模型中的强相合估计

同删失数据一样 ,在实际工作中经常遇到一些关于污染数据的统计分析问题 .对于删失数据已得到了一系列较为深刻的结果 ,但对污染数据问题的研究却不多 .污染数据回归模型是生物统计中常用的模型 .考虑一类污染数据半参数回归模型 ,建立了模型的参数、回归函数和污染系数的估计 ,并在适当条件下证明了它们具有强相合性 .     

纵向污染数据半参数回归模型中的强相合估计

研究了一类纵向污染数据的半参数回归模型，并在更切合实际的情况下，建立了模型参数和回归函数的估计方法，在适当的条件下，证明了所建立的估计量均具有强相合性。     

区间数据的线性回归模型中误差项方差的估计

从无偏转换的思想出发,对区间数据的线性回归模型中误差项方差进行了估计.当截断变量的分布密度函数已知时,得到一批具有强相合性和渐近正态性的估计量,并通过模拟计算对这种估计方法的可行性进行了验证.     

相依误差下简单线性EV回归模型的参数估计

研究相依误差下简单线性EV回归模型的参数估计问题.由于在很多实际问题中模型中的误差往往是不独立的,具有一定的相依性,为此本文讨论误差为随机系数自回归模型时简单线性EV回归模型的参数估计,在一定条件下得到了估计量的渐近正态性和相合性,推广了已有文献中的结果.     

纵向污染数据回归模型中污染源密度的估计

研究了带有重复观测的线性回归模型中响应变量在受到另一随机变量序列污染时,污染源分布密度的估计问题.在较一般的条件下,对于纵向污染数据,构造了污染数据线性回归模型的参数和污染源密度的估计方法,并且证明构造的密度估计具有L2收敛性.由于在估计方法中无需假定误差方差,因此,所构造的估计方法更符合实际应用情况.