一对数据的剔除对边界条件下线性模型的影响

文[1]建立了度量数据的剔除对边界条件下线性模型影响的几个统计量,该文主要讨论一对数据的剔除时约束模型的交叉影响,找到了一组数据的剔除与一对数据剔除时影响度量之间的关系。     

边界条件下线性模型的影响分析

建立了边界条件下线性模型中的Ｃｏｏｋ距离，Ｗ－Ｋ统计量和Ａ－Ｐ统计量，用它们研究了数据对约束最小二乘估计及拟合值的影响问题，得到了一些有意义的结果。     

边界条件下线性模型的影响分析(英文)

建立了边界条件下线性模型中的Cook距离,W—K统计量和A—P统计量。用它们研究了数据对约束最小二乘估计及拟合值的影响问题,得到了一些有意义的结果。     

随机约束条件下线性回归模型中的联合影响

本文讨论数据集对约束模型的影响问题。建立了单组数据影响与两组数据影响之间的关系。引进了一个新的影响度量，并和Ｃｏｏｋ距离做了比较。     

边界条件下线性回归模型Cook距离的概率分布

证明了在边界条件下，线性回归模型中Ｃｏｏｋ距离服从Ｆ分布。     

数据对Bayes估计的联合影响

研究数据对模型的影响是一个重要问题．Ｃｏｏｋ距离是一个常用的影响度量,文献（ＴｉａｎＢＧ．Ｉｎｆｌｕｅｎｃｅａｎａｌｙｓｉｓｏｆｂａｙｅｓｅｓｌｉｍａｔｅ．ＪｏｕｒｎａｌｏｆＸｉｎｙａｎｇＴｅａｃｈｅｒ′ｓＣｏｌ－ｌｅｇｅ,１９９７,１０（１）：３４）用它讨论了一组数据对Ｂａｙｅｓ估计的影响．本文讨论两组数据和多组数据对Ｂａｙｅｓ估计的影响,同时把Ａ－Ｐ统计量引入Ｂａｙｅｓ估计中,用它研究了数据的影响．     

边界条件约束下的Cookk距离与相关系数

文「１」提出边界条件约束下的Ｃｏｏｋ距离，现主要讨论它与相关性之间的联系，经与简单相关系数和得相关系数之间的精确关系，建立与它与广义相关系数之间的不等式关系。     

边界条件下线性模型中的二个影响度量

文「１」讨论了数据对边界条例上线性模型的影响。本文建议了一种新的影响度量,并研究了它的统计意义,同时找到了剔除一组数据时的Ａ－Ｐ统计量与剔除二级数据时的Ａ＝Ｐ统计量之间的关系。     

k-d类估计下数据删除模型的强影响分析

在k-d类估计下对单个数据删除模型进行研究,得到原模型β(k,d)与数据删除β(k,d)(i)、岭估计β_k之间的关系,并推导得到CR_i统计量和Cook统计量新的表达形式.     

边界条件下线性模型中的一个影响度量

在研究数据对模型的影响时，建立判定强影响点的方法是一个重要问题，本文从预测值度量讨论数据对边界条件下线性模型影响，得到了两个有意义的结果。     

带约束的一般Gauss-Markov模型下的线性充分性和线性完全性

本文将文[1,2]的结果扩展到了有约束的线性模型。     

多元线性模型中的W—K统计量

本文提出了多元线性模型中的W-K统计,用它讨论了数据对拟合值的影响并求出了影响度量的概率分布。     

一般线性回归模型岭估计的影响分析

讨论一般线性回归模型岭估计的影响分析问题,研究了协方差阵扰动和数据删除对岭估计的影响,给出了岭估计基于有偏估计的Cook距离.     

边界条件下线性回归模型的影响分析

研究带边界约束条件的线性模型的影响问题，提出了几个度量数据影响大小的统计量，建立了影响度量与相关系数之间的联系，揭示了数据影响与相关性之间的内在联系。     

边界条件约束下的Cook距离与相关系数

文［１］提出了边界条件约束下的Ｃｏｏｋ距离，现主要讨论它与相关性之间的联系，找到了它与简单相关系数和复相关系数之间的精确关系，建立了它与广义相关系数之间的不等式关系。     

数据的剔除对缺落值模型的影响

从距离角度和效率角度研究了一组数据和多组数据缺落值估计的影响,建立了剔除一组数据时Cook距离与复相关系数的等式关系,剔除多组数据时Cook距离与广义相关系数的不等式及广义方差比度量与Hoetelling广义相关系数的等式关系.     

最佳线性无偏估计中的影响度量与相关系数

本文提出了最佳线性无偏估计中的二个影响度量：Ｃｏｏｋ距离与广义方差比，讨论了它们的统计性质，并揭示了它们与相关系数和内在联系。     

加权线性回归模型的BLUE影响分析

讨论了一组或m组数据扰动或删除前后BLUE的变化及协方差扰动和数据删除对BLUE的混合影响,分别建立了β^W(J),^βW(i),^βW,gi(j)与^βW的关系;提出了度量数据扰动或删除对BLUE的影响的W K统计量,并给出了W K统计量与广义相关系数的关系,得到KI(J)与KI(I)的上下界;最后用实例说明了W K统计量在影响分析时的有效性.     

线性模型中参数估计的影响分析

研究数据对参数估计的影响是一个重要的问题。找出那些对回归分析影响很大的数据是非常有理论价值和应用价值的。本文主要介绍这方面的基本结果     

高维线性模型的影响点诊断

从单影响点到多影响点2个角度回顾了影响点诊断领域的进展;重点介绍了近年发展起来的一些高维影响点检测新方法,该方法适用于自变量个数远超样本量的情形,可被看作是经典Cook距离在高维数据的推广. Cook距离量化了个体观测对最小二乘系数估计的影响,而新方法则捕获了个体观测对边际相关的影响,进而对变量选择和其他下游分析任务产生重要影响.数值模拟结果验证了新方法的可行性和有效性.