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。     

回归系数可容许线性估计的一点讨论

在平方损失函数和一特殊线性模型下，得到了一维不可估参数函数的线性估计为可容许估计的充要条件，以及模型中参数向量的线性估计为可溶许估计的充要条件。     

增长曲线模型中线性估计类所有可容许估计

对增长曲线模型中回归矩阵的函数的线性估计进行了研究。在矩阵损失下，作者得到了线性估计在一切线性估计类中可容许的充要条件。     

多元线性回归模型参数的BC估计

考虑多元线性回归模型Y=XB+ε,其中E(Vec(ε))=0,Cov(Vec(ε))=V In,当设计阵X呈病态时,模型参数的LS估计不再是一个优良估计.为此,提出了一种有偏估计———BC估计.在均误差意义下,参数的BC估计优于它的LS估计,并证明了参数的BC估计是可容许线性估计.     

关于线性贝叶斯估计

设（Ｘ，）是二维随机向量，参数有未知的先验分布Ｇ，如何利用样本Ｘ１，Ｘ２，……，Ｘｎ来估计是一个很有意义的问题，文章在已知Ｇ的一阶和二阶矩条件下给出了的线性贝叶斯估计，并讨论了其大样本性质。     

降秩多元线性模型参数阵的BLU估计

本文研究了降秩多元线性模型的边界条件，得到了参数阵的最佳线性无偏估计（ＢＬＵ估计）。     

受约束线性模型中的可容许线性估计

本文在受齐次线性约束与二次约束线性模型中得到了回归系数线性估计在线性估计类中可容许的充要条件，它推广了文［３］～［７］等一系列结果。     

LR估计的一点注记

证明了ＬＲ估计是一个非线性有偏估计，并得到了一个重要的推论。     

广义岭估计的相对效率

考察Gauss-Markoff模型中未知参数向量的最优线性无偏估计的改造问题,引入讨论了方兴等 提出的最优化无偏估计的一种估计的相对效率,把其对一般岭估计的部分研究结果推广到广义岭估计。     

矩阵损失下贝叶斯线性无偏估计及其稳健性

证明了,在一般线性模型中,未知参数在二次损失下的贝叶斯线性无偏估计也是矩阵损失下的贝叶斯线性无偏估计.讨论了贝叶斯线性无偏估计关于误差分布的稳健性,给出了未知参数的贝叶斯线性无偏估计是最优估计的充分必要条件.     

部分线性模型最小二乘估计的强相合性

考虑一类特殊的部分线性模型Y=β ^T₀X+g₀(T)+σ₀(X)ε的估计问题, 给出了最小二乘估计(LSE), 并证明了最小二乘估计的强相合性.     

平衡损失下Bayes线性无偏最小方差估计的优良性

在平衡损失风险函数准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于最小二乘(LS)估计的优良性.在predictive Pitman closeness(PRPC)准则下研究了BLUMV估计相对于LS估计的优良性.     

多元线性模型回归参数的一种广义估计

采用广义估计 β (K)估计多元线性模型中回归参数 β ,通过K值的选取 ,可使 β (K)的均方误差小于最小二乘估计 β 的均方误差 ,且在一定条件下 ,β (K)为 β的可容许估计 ;还讨论了 β (K)的均方残差的性质 .     

线性模型中回归系数广义岭估计的小样本性质

在均方误差矩阵准则和Pitman closeness（PC）准则下讨论了线性回归模型中回归系数的广义岭估计相对于最小二乘估计的优良性及其相对效率的界．     

平衡损失函数下Bayes线性无偏最小方差估计的优良性

在平衡损失风险函数准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于最优加权最小二乘(OWLS)估计的优良性,并导出在一定条件下二者趋于一致。在PRPC(predictive Pitman closeness criterion)准则下研究了BLUMV估计相对于OWLS估计的优良性。     

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。     

错误先验指定下Bayes估计与广义最小二乘估计的相对效率

讨论了在错误指定的先验假定下一般线性模型中回归系数的Bayes估计,提出了Bayes估计与广义最小二乘估计(generalized least square estimator,GLSE)的一种新的相对效率,证明了该效率的优良性质,同时导出了其上下界。     

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.     

先验信息有偏时Bayes估计的PPC优良性条件

Bayes估计在对测量数据进行处理时,充分利用了参数的先验信息和适时的观测信息.在先验信息正确的前提下,Bayes估计相对于LS估计具有Posterior Pitman Closenes即PPC优良性.然而,在许多情况下,先验信息具有主观性,不可避免地存在偏差.利用有偏的先验信息得到的Bayes估计可能不具有这种优良性,为此,给出了这种情况下Bayes估计具有PPC优良性的一个充要条件.鉴于一般情况下先验的精确分布是未知的,用实例给出了一种选取先验方差的方法,用这种方法得到的Bayes估计具有PPC优良性.     

混合系数线性模型的一类有偏估计

研究了连续测量数据情况下的混合系数线性模型的参数估计问题.利用压缩估计方法给出了该模型的一类有偏估计,并讨论了该估计的一些优良性质和压缩系数的选取问题.