奇异线性模型最小二乘估计的相对效率

对于奇异线性模型，引入了参数β的最小二乘估计相对于最佳线性无偏估计的一种新的相对效率，给出了与其他两种相对效率的关系，导出了该效率的上下界．     

多元广义压缩最小二乘估计

引进了多元线性模型中回归系数β＝Ｖｅｃ（Ｂ）的广义压缩最小二乘估计β（Ａ），讨论了它的均方误差与均方残差的性质，指出了根据均方误差准则选取Ａ值的主要缺陷，采用了一种选取Ａ值的新准则Ｑ（Ｃ），它包含均方程差准则和最小二乘准则作为特例，并从理论上证明了Ｑ（Ｃ）准则的优良性。     

最小二乘估计和最佳线性无偏估计的关系

本文讨论广义线性模型的均值向量的最小二乘估计和最佳线性无偏估计的关系,得到了它们相等的充要条件以及它们的偏差关系和偏差范数估计;并在欧氏范数下,进一步讨论了这种偏差估计。     

奇异线性模型最小二乘估计的相对效率

对于奇异线性模型,引入了参数β的最小二乘估计相对于最佳线性无偏估计的一种新的相对效率,给出了与其他两种相对效率的关系,导出了该效率的上下界.     

广义最小二乘估计的稳健性

讨论了协方差阵未知的椭球等高线性模型中的稳健性问题. 证明当协方差阵在一定范围内变动时, 广义最小二乘估计在一大类损失函数下都是风险最小的估计; 广义最小二乘估计关于协方差阵和损失函数 同时具有稳健性.     

线性回归模型的广义刀切最小二乘估计

在误差为相依的情况下,讨论了线性回归模型的刀切最小二乘估计与广义刀切最小二乘估计。在均方误差意义上,广义刀切最小二乘估计优于刀切最小二乘估计,并利用算例进行了验证。     

多κ类广义压缩最小二乘估计

提出线性模型中回归系数的多k类广义压缩最小二乘估计的概念．在均方误差的意义下，给出了该估计一致优于最小二乘估计的充分条件．     

奇异线性模型下最小范数二次无偏估计关于误差分布的稳健性

讨论奇异线性模型下方差σ2的最小范数二次无偏估计关于误差分布的稳健性问题,得到方差的最小范数二次无偏估计保持最优的误差项的最大分布类.进一步考虑可估计函数Xβ的最佳线性无偏估计的稳健性,得到了Xβ的最佳线性无偏估计与方差σ2的最小范数二次无偏估计同时最优的误差项的最大类.     

奇异增长曲线模型中最小二乘估计的有效性

研究了奇异增长曲线模型中均值矩阵的最小二乘估计的效率问题，给出了均值矩阵的最小二乘估计相对于最佳线性无偏估计的偏差估计，定义了均值矩阵的最小二乘估计相对于最佳线性无偏估计的相对效率，并给出了它们的上界．     

有约束的线性模型下的最小二乘估计与最佳线性无？…

研究了无约束的线性模型Ｍ＝（Ｙ，Ｘβ，σ＾２Ｖ）下的Ｘβ最小二估计ＯＬＳＥ（Ｘβ）与在相应的有约束的线性模型Ｍｒ＝（Ｙ，Ｘβ）Ｒ′β＝０，σ＾２Ｖ）下的最佳线性无偏估计ＢＬＵＥ（Ｘβ）的比较问题，建立了Ｍｒ下这两个线性无偏估计量相等的充要条件。     

关于奇异线性模型最优线性无偏估计的一个等价刻划

研究了奇异线性模型(Y,Xβ,σ^2V)．给出最好线性无偏估计能表成类似最优加权最小二乘估计形式的充要条件,并举例说明了等价条件中V的对称自反广义逆的存在性不能进一步削弱为V的广义逆的存在性．     

广义G-M 模型参数的Bayes线性无偏估计及其优良性

针对广义Gauss-Markov(G-M)模型,采用Bayes估计方法获得参数的Bayes线性无偏估计(BLUE),在均方误差矩阵准则下与广义最小二乘(GLS)估计进行比较,导出了4种相对效率的界,讨论了在PC准则下BLUE相对于GLS估计的优良性.     

任意秩多元线性模型中最优预测的稳健性

研究了任意秩多元线性模型中最优线性无偏预测的稳健性,即对任一线性可预测变量,得到了其关于协方差矩阵具有稳健性的充要条件.     

降秩多元线性模型参数阵的一类有偏线性估计

本文对降秩多元线性模型的参数阵提出了一类有偏线性估计，讨论了许多重要的性质，从而把降秩模型中参数阵的估计问题转化为满秩模型中参数阵的估计问题，为了讨论方便，我们给出了一种特殊情况；最后，讨论了多元线性模型参数阵的Ｂａｙｅｓ线性估计。     

线性模型最小二乘估计的一个最优性质

考虑一般的线性模型Y=Xβ+ε,其中X为n×p阶设计矩阵,β为p×1未知参数向量,e为n×1随机误差向量。满足E(ε)=0,Cov(ε)=σ~2∑,这里σ~2>0可能未知,Σ则为已知的非负定矩阵,θ是β的一个线性函数,且可估,假设θ_R为Rao型最小二乘估计,本文证明了若随机误差服从ε椭球等高分布,则θ_R满足所谓最大概率性质,即θ_R落在以θ为中心的任一椭球内的概率不小于θ的任一性线无偏估计落在同一椭球内的概率,推广了文献中的结果。     

混合系数线性模型参数的根方估计

针对连续测量数据，给出了混合系数线性模型参数的根方估计ｄ（ｋ）和ｄ（ｋ）（０＜ｋ＜１），并且证明了通过根方参数ｋ的选取，可使根方估计ｄ（ｋ）和ｄ（ｋ）的均方误差（ＭＳＥ）分别小于最小二乘估计（ＬＳＥ）ｄ和ｄ的ＭＳＥ