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.     

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。     

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.     

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.     

基于Gibbs-DA算法的贝叶斯分位回归模型研究

针对分位回归模型参数的不确定性风险问题,构建了基于Gibbs-DA抽样算法的贝叶斯线性分位回归分析模型.根据非对称Laplace分布的正态-指数分布的混合表示性质,利用数据扩展方法构建了潜变量,给出分位回归模型的似然函数,推断了多元正态先验分布条件下分位回归模型参数的后验分布,证明了潜变量的完全条件分布为广义逆高斯分布;结合Gibbs抽样和数据扩展方法,设计Gibbs-DA的仿真分析方案,并将其应用于我国能源消耗问题分析.研究结果表明:贝叶斯方法可以有效地应用于分位回归的建模以及我国能源消费弹性的分位问题研究.     

岭估计在数据变换下的影响评价

本文考虑线性回归模型Y=Xβ ε，ε～(0，σ^2f)中数据变换Z=A′Y对岭估计的影响，证明了该影响可以通过一个用最小二乘法解决的回归问题进行分析，从而得到了岭估计不受变换影响的充要条件。     

线性回归模型系数的有偏估计研究

针对引起线性回归模型LS估计性能变坏的根本原因,提出了回归系数的广义c-K估计,将众多经典的有偏估计结合在一起,对有偏估计的改进进行研究.分别证明了选择广义岭参数可对狭义岭估计进行改进,选择压缩因子可对广义岭估计进行改进,给出了参数的最优值.为病态线性回归模型系数的有偏估计的改进提供了有效途径.     

线性回归模型回归系数的条件岭型估计

研究了线性等式约束的线性回归模型回归系数的一种有偏估计--条件岭型估计,给出了在均方误差意义下条件岭型估计优于回归系数的约束最小二乘估计的条件.     

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.     

删失非线性模型的中位数回归

研究了带有不完全数据的非线性模型的中位数回归问题.将完全数据线性回归模型的L1方法推广到随机右删失非线性中位数回归模型中,提出了一种估计非线性中位数回归模型参数的半参数方法,并得到了估计量的强相合性和渐近正态性.     

多元正态模型的线性不等式约束估计

研究含有不完全数据的多元正态模型参数在一般线性不等式约束下的极大似然估计问题;利用约束EM算法求得多元正态模型参数的迭代解,并证明了此解是一般线性不等式约束下的最优解.     

回归系数的线性估计在平衡损失下的可容许性

针对多元正态线性模型,根据Zellner提出的平衡损失函数,对其进行变形,定义了更一般的平衡损失函数。研究了在该损失下,多元正态线性模型回归系数矩阵的线性估计在一切估计类中的可容许性,并给出了充要条件。该方法同样适用于线性估计类中的可容许性以及其他的可容许性的研究。     

基于删失中位数回归的贝叶斯经验似然

将经验似然纳入贝叶斯框架,在删失中位数回归模型下提出了模型参数的贝叶斯经验似然估计,证明了模型参数的后验分布是渐近正态的.运用M-H算法得到了点估计以及置信域,可以避免直接优化经验似然的繁重任务.模拟研究比较了贝叶斯经验似然与LAD和经验似然在有限样本下的表现,结果展示出贝叶斯经验似然优于LAD估计和经验似然.     

基于Horseshoe+先验的惩罚置信区域变量选择方法

针对高维稀疏线性回归问题,相关变量的数量远远少于不相关变量.相关变量的变量选择问题对于传统的频率论正则化方法是一大挑战.现有的贝叶斯惩罚置信区域法通过将模型拟合与变量选择分离,在联合后验置信区域内搜索最稀疏解,从而得到稀疏模型解.且该方法在高维变量选择效果上优于常用的变量选择方法.在此基础上,针对高维稀疏模型,将原方法中依赖的共轭正态先验替换成针对"稀疏信号勘测问题"提出的Horseshoe+先验,利用Horseshoe+先验对小系数"重"压缩与大系数几乎零压缩的理论特性,实现对稀疏回归系数的稳健估计.通过数据仿真模拟不同稀疏程度下的高维稀疏线性回归,并将基于Horseshoe+先验的惩罚置信区域法分别与基于正态先验以及Laplace先验的该方法进行比较,结果表明基于Horseshoe+先验的惩罚置信区域法在高维稀疏线性回归问题具有更好的变量选择效果与预测效果.     

非参数回归模型的贝叶斯局部线性估计

对于非参数回归模型=m(x)+ε,在局部线性估计中窗宽h的先验分布为Gamma分布的条件下,用未知光滑函数m(x)的后验均值构造了它的贝叶斯估计,并给出了参数的后验分布和抽样方法.模拟算例证明了贝叶斯局部线性估计方法的可行性.     

半参数广义线性模型的矩估计及其渐进性

针对概率统计中的半参数广义线性模型(SGLMS),利用了正交空间、核函数、正交计算方法及独立随机分布的概念和性质,研究了广义线性模型中未知参数的估计问题,给出了回归参数的矩估计方法及其相应的性质,给出了参数估计量为一致有效性和近似正态性的充分条件,并证明了参数估计量是一致有效性和近似正态性的结论.所给出的回归参数的矩估计方法推广了已有文献中要求参数完全已知的假设,因此该方法和结果更具有一般性和理论价值.     

广义岭估计的一种新的改进方法

在线性回归模型中,当设计阵存在复共线性时,结合岭估计和主成分估计,提出一种广义岭估计的改进方法:k_1,k_2,r型岭估计.证明了在均方误差意义下,k_1,k_2,r型岭估计优于最小二乘估计、普通岭估计和主成分估计.     

齐次等式约束线性回归模型回归系数条件岭估计的效率

研究齐次等式约束线性回归模型回归系数的狭义条件岭估计和广义条件岭估计的效率,证明狭义条件岭估计和广义条件岭估计的效率比最小二乘估计的效率高,并且广义岭估计比狭义岭估计的效率高．     

部分线性回归模型的一步局部M-估计

讨论了部分线性回归模型的一步局部M-估计。用一步局部M-估计给出未知函数估计。用平均方法给出参数估计,并证明回归函数和其导函数的弱一致性和联合正态性。     

正态模型参数线性不等式约束估计的优化算法

研究含有不完全数据的多元正态模型参数在一般线性不等式约束下的极大似然估计问题;利用约束EM算法求得多元正态模型参数的迭代解,同时提出M-步的优化算法;并证明了此解是一般线性不等式约束下的最优解.