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。     

广义Liu估计及其优良性

Liu估计提出了线性回归模型的一种新的有偏估计:β ^(d)=(X′X I)-1(X′X d)β ^,其中β ^=(X′X)-1X′Y是最小二乘估计,在此基础上提出了一种适应范围更广的有偏估计即广义Liu估计:β ^(D)=(X′X I)-1(X′X D)β ^,D=diag(d1,d2,...,dp),其中0相似文献   

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）。     

缺失数据情形下半参数回归模型的二阶段估计

在响应变量有缺失的不完全数据情形下,利用二阶段估计方法得到半参数回归模型Y=X’β＋g（T）＋e中参数β和非参数g（·）的估计,并给出估计渐近正态性的充分条件．     

Poisson回归模型的几乎无偏Liu估计

针对Poisson回归模型中解释变量存在复共线性问题,结合几乎无偏的思想提出了参数的几乎无偏Liu估计,在均方误差准则下,分别与极大似然估计、Liu估计进行比较,并给出了优于两个估计的充分条件,最后通过蒙特卡罗模拟方法验证了其优良性.     

一般增长曲线模型回归系数的一种可容许有偏估计

对于线性回归模型：Y=Xβ＋ε,E（s）=0,cov（ε）=σ^2v,v〉0,文献[1]给出了有偏估计βs^＊=（X^TV^-1X＋sI）^-s（XTV^-1Y＋β^＊）,其中s〉0为参数,β表示线性回归模型的广义最小二乘估计,文献[2]中已经证明了βs^＊的可容许性并且有很多优良性质．作者用类似的方法证明在一般增长曲线模型下该有偏估计仍具有许多优良性质并证明其在均方意义下是可容许的．     

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．     

PA序列下半参数回归函数估计的强相合性

对于半参数回归模型Yni=β.tni＋g（xni）＋εni,（1≤i≤n）,在误差{εni,1≤i≤n}为平稳PA相依序列条件下,得到未知函数g（x）的权函数估计和未知参数β估计的强相合性.     

半参数回归模型小波估计的弱相合速度

考虑半参数回归模型ｙｉ＝Ｘβ＋ｇ（ｔｉ）＋ｅｉ,ｉ＝１,２,…ｎ,使用小波方法估计模型的两个分量β和ｇ,并得到了β和ｇ的小波估计的弱相合速度。     

平衡损失函数下几乎无偏估计的统计性质

在平衡损失函数下, 讨论线性回归模型中几乎无偏Liu估计与几乎无偏Stein岭型主成分估计的统计性质. 分别给出几乎无偏Liu估计与几乎无偏Stein岭型主成分估计在平衡损失函数下的风险, 并在不同条件下讨论这两种风险的关系.     

Stein损失函数下的保费估计

利用信度理论研究在Stein损失函数下的保费估计问题,分析了贝叶斯估计、信度估计、多层贝叶斯估计3种估计,并计算3种保费估计,比较其结果发现在Stein损失函数下:当样本数n趋于无穷大时,信度保费会收敛到风险保费,且多层贝叶斯估计比贝叶斯估计的稳健性更强.     

线性模型中的一种新的k-d类估计

提出了线性模型中考虑样本信息中关于参数的先验信息的一种新的两参数估计,并给出了在均方误差矩阵准则下这种新的两参数估计优于Liu估计和修正Liu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.     

Jackknifed Liu estimator in linear regression models

In this paper, we introduce a generalized Liu estimator and jackknifed Liu estimator in a linear regression model with correlated or heteroscedastic errors. Therefore, we extend the Liu estimator. Under the mean square error(MSE), the jackknifed estimator is superior to the Liu estimator and the jackknifed ridge estimator. We also give a method to select the biasing parameter for d. Furthermore, a numerical example is given to illustvate these theoretical results.     

线性回归模型的一类新约束型LIU估计

针对带线性约束型的回归模型复共线性问题,提出了一种新估计,称之为修正约束型LIU估计,给出了新估计的性质.在均方误差准则基础上证明了在一定条件下,修正约束型LIU估计优于最小二乘估计、岭估计、修正岭估计和约束型LIU估计,最后讨论了新估计的可容许性.     

关于回归函数的核估计的渐近正态性

研究了回归函数的核估计的渐近性质。证明了在一定条件下、回归函数的核估计序列是渐近正态的。     

竞争风险场合PL型估计的渐近正态性

为了在竞争风险场合考虑生存函数（或分布函数）的估计问题,本文构造了竞争风险场合分布函数的乘积极限（PL）型估计。运用经验过程的逼近理论及Taylor展开方法,给出了估计在全直线上的弱一致收敛速度,并证明了估计的渐近正态性。     

线性回归模型的一种新的有偏估计

本文提出了线性模型在随机约束条件下的一种岭估计,并给出了在均方误差矩阵准则下这种新的岭估计优于混合估计与岭估计的充要条件.     

资产方程中回归函数的局部线性加权估计

通过将标的资产价格所满足的积分方程转化为回归模型,建立了回归模型中回归函数的局部线性加权估计.利用回归函数的估计构造漂移系数的样本估计量,并证明了所构造样本估计量的均方收敛性.从而使利用样本估计量构造漂移系数的估计成为可能.     

半相依回归系统在一类约束条件下的协方差改进估计

对于由两个误差项相关的线性回归方程组成的SUR系统,通常地根据以往的知识经验可以获得有关未知参数β的一些信息,该文就是在线性约束r=Rβ下,讨论SUR系统的协方差改进估计序列及两步协方差改进估计序列的收敛性问题．