基于岭估计的最优预测与经典预测的最优性判别

针对有偏估计的预测问题 ,以岭估计为基础 ,以离差矩阵MDE(MeanDispersionError)和广义风险函数为判别准则 ,对广义线性回归模型 {y =Xβ +e ,e～N(0 ,σ2 W ) }的最优预测量与经典预测量的最优性判问题进行了讨论。借助矩阵不等式的一些性质 ,获得在离差矩阵判别准则和风险函数判别准则下判断两类预测量最优性的充要条件。为进一步研究基于有偏估计关于两类预测量的最优性判别问题提供了一种方法和思路     

基于岭型主成分估计的最优与经典预测的最优性判别

针对有偏降维估计的预测问题,以岭型主成分估计为基础,对广义线性回归模型{y=Xβ＋ε,ε-N（0,σ^2∑）}的最优预测量与经典预测量的最优性判别问题进行讨论。借助矩阵不等式的一些性质,给出了离差矩阵和风险函数最小的判别准则下岭型主成分估计关于两类预测量最优性判别条件,为有偏降维估计关于两类预测量的最优性判别问题提供了一种方法和思路。     

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     

广义区间估计及其最优性〔Ⅲ）

在提出了广义区间估计以及其上的最优性概念之后，证明了广义区间估计与假设检验的最优性之间的关系，推演了若干重要区间估计的最优性．     

多因变量线性模型下三类预测的最优性判别

在多因变量多元线性模型中就岭型主成分型预测与最优线性无偏预测、主成分型预测之间的最优性判别问题进行讨论.得到岭型主成分型预测在R(i)(·)准则下优于最优线性无偏预测和主成分型预测的两个充要条件,同时得到了其在MDE-准则和矩阵迹RT(·)意义下优于最优线性无偏预测和主成分型预测的充分条件.     

压缩主成分估计的一些性质

讨论了压缩主成分估计的一些性质，证明了在一定条件下，此估计比最小二乘估计有更小的广义均方误差并且在PC准则下也优于最小二乘估计．对Y的预测量做了比较。     

广义区间估计及其最优性(Ⅲ)

在提出了广义区间估计以及其上的最优性概念之后,证明了广义区间估计与假设检验的最优性之间的关系,推演了若干重要区间估计的最优性.     

相依误差近似回归模型的稳健设计

利用再生核空间方法研究相依误差近似回归模型的稳健设计问题．假定模型偏差来自概率测度为P的函数类H，同时还假定不同试验所产生的误差不独立．采用广义最小二乘估计作为参数向量的估计，根据平均预测风险最小原理得到了一个稳健设计准则．数值例子表明由该准则得到的设计具有良好的稳健性．     

广义区间估计及其最优性(Ⅰ)

将普通区间估计的概念(x1,x2,…,xn)→[G1(x1,x2，…，xn)，G2(x1,x2，…，xn)]拓广为广义区间估计的概念(x1，x2,…,xn)→|Aλ|Aλ∈Θ^~Aλ∩[G1(x1,x2,…,xn)]∈Φ|.于广义区间估计上建立了最优性概念，证明了广义区间估计与假设检验的最优性之间的关系，推演了一个重要区间估计的最优性．     

广义凸(h,φ)多目标规划的充分性和对偶性

在两类(h,φ)广义凸函数的假设下, 用分析方法研究(h,φ)多目标规划的最优性条件和对偶问题, 得到了一些充分最优性条件和对偶定理.     

回归系数的stein型广义主相关估计

根据主相关估计的思想,针对广义线性模型,本文给出了一种新的回归系数的有偏估计——广义主相关估计,并将其与stein型压缩估计相结合,提出stein型广义主相关估计,在均方误差的意义下考虑其特性,对偏参数的范围予以讨论.     

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.     

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.     

一般线性模型中参数的平衡广义LS估计

基于平衡损失的思想,对一般线性模型提出了一种全面地度量估计优良性的标准,给出了在此标准下回归系数的平衡广义最小二乘估计,并讨论了其优良性.得到了该估计为无偏估计的充分必要条件,以及在一定条件下,在均方误差损失的准则下平衡广义最小二乘估计优于最佳线性无偏估计的充分必要条件.     

组合惩罚似然估计下发散参数变量选择

在Wang等给出的组合惩罚函数的基础之上,将SCAD惩罚部分推广到一般的非凸惩罚的形式,利用岭回归在解释变量相关度较高情形下的良好表现,提出一种推广了的组合惩罚.在参数个数发散的情形之下,利用贝叶斯信息准则(BIC)来选择调整参数,能同时完成变量选择和参数估计.而且还可以证明在合适的条件之下,这种估计具有Oracle性质.模拟研究的结果证明了所提出的方法在预测变量具有强相关性之下的优势.     

复共线性条件下广义岭估计的改进

对于复共线性条件下线性回归模型的广义岭估计进行了进一步的研究。针对线性回归模型病态的根本原因,提出了一类新的估计——0-K型广义岭估计。研究这一估计的性质,证明利用0-K型广义岭估计技术可以改进广义岭估计(在均方残差意义下)。文中的方法为病态线性回归模型系数的有偏估计提供了改进的技术途径。     

行为金融框架下"期望收益-方差"投资原理的局限性

在行为金融的框架下,通过基于过度自信心理和自我归因偏差心理的展望价值模型,研究了马科维茨“期望收益-方差”投资原理的局限性。研究结果表明：投资者的过度自信心理和展望价值最大化选择准则会使得投资者拒绝接受“期望收益-方差”投资原理。     

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。     

一类相依回归系统参数的广义两步有偏估计

本文提出了一类相依回归系统参数的广义两步有偏估计,证明了当设计矩阵呈病态时,广义两步有偏估计的均方误差小于两步协方差改进估计的均方误差.     

广义对角占优矩阵的判定方法

利用矩阵分析方法和矩阵的Ostrowski对角占优性,给出了一类广义对角占优矩阵的判定条件,拓展了广义对角占优矩阵的判定方法.