广义岭型主成分估计优良性研究

对有偏估计中的广义岭型主成分估计的优良性进行了较深入的研究.证明了广义岭型主成分估计优于最小二乘估计的充要条件,并在此基础上对几类常见的有偏估计在均方误差(阵)条件下优于最小二乘估计的充要条件进行了拓展.     

广义岭估计的新定义及其性质

Hoerl和Kennard提出了广义岭估计[1].本文提出了另一类广义岭估计β^(K)=(X'X+K)-1X'Y,K=diag(K1,K2,…Kp),它是岭估计的自然推广,但和前者的广义岭估计不同.证明了存在K＞0使β^(K)的均方误差小于最小二乘估计β=(X'X)-1X'Y的均方误差,并且β^(K)是β的可容许估计.     

广义岭型主成分估计的一些性质

讨论了广义岭型主成分估计的一些性质,引入一种估计的相对效率,证明了广义岭型主成分估计比岭型主成分估计和主成分估计的效率高,并且在Pitman准则下也优于岭型主成分估计和主成分估计.     

岭型压缩主成分估计及其性质

本文定义了一类新的降维估计，称之为岭型压缩主成分估计。证明了，当参数满足一定条件时，它比主成分估计，岭型主成分估计及最小二乘估计有较小的均方误差。     

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。     

广义岭型主成分估计的一条最优性质

证明了在一类广义岭型降维估计中，广义岭型主成分估计的方差和最小。     

增长曲线模型回归系数的岭型组合主成分估计

本文提出了增长曲线模型回归系数的一种新的改进估计．讨论了它的优良性,证明了参数区域的某个椭球内,这种新的估计优于最小二乘估计,且在均方误差的意义下是可容许估计。     

广义Liu估计及其优良性

Liu估计提出了线性回归模型的一种新的有偏估计:β ^(d)=(X′X I)-1(X′X d)β ^,其中β ^=(X′X)-1X′Y是最小二乘估计,在此基础上提出了一种适应范围更广的有偏估计即广义Liu估计:β ^(D)=(X′X I)-1(X′X D)β ^,D=diag(d1,d2,...,dp),其中0相似文献   

广义岭估计的方差最优性质

Hoerl和Kennard在1970年提出了岭估计,它是一种重要的有偏估计。本文在均方误差准则下,讨论了广义岭估计相对于LS估计的优良性质及其推广结果。     

广义岭型组合主成分估计及其K值的选取

本文把岭型组合主成分估计拓广为广义岭型组合主成分估计＾α（ｃ）证明＾α（ｋ）能更有效地改善ＬＳ估计，并运用Ｑ（ｃ）准则得到广义岭型组合主成分估计的显示解及得到该解的迭代算法     

压缩主成分估计的方差最优性质

结合压缩估计与主成分估计的思想方法,提出了压缩主成分估计.讨论了它在降维估计中的方差最优性质,推广了文献[1]的主要结果.     

基于压缩主成分估计的两类预测的最优性判别

本文以压缩主成分估计为基础，对广义线性模型的最优预测与经典预测的最优性判别问题进行了讨论，获得了在离差矩阵判别准则和广义风险函数判别准则下判断两类预测量最优性的一个充分条件，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。     

复共线性下的主成分全最小二乘估计

针对最小二乘法在参数估计中的局限性,在多维解释变量存在复共线性时,提出主成分全最小二乘估计,避免奇异矩阵求逆的问题.经多组大量测试,计算得到的回归系数的平均绝对偏差均较小,且表现稳定,其效果明显地优于最小二乘估计和全最小二乘估计.     

半相依回归系统的广义岭型主成分改进估计

对于一类半相依回归系统提出了一种广义岭型主成分改进估计,并讨论了这种估计及相应的两步估计的优良性质,获得了若干深入的结果.     

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     

广义岭型主成分估计在降维估计类中的方差最优性质

定义了一类降维估计,称为广义岭型降维估计类.在这类降维估计中,用矩阵求特征值的方法研究了广义岭型降维估计的方差最优性质.证明了它的方差阵最小,方差阵的特征值最小.进一步导出了广义岭型主成分估计的方差和、方差阵特征值乘积及方差阵的正交不变范数最小.     

条件广义岭估计及其诊断统计量

研究了带约束线性模型中回归参数的有偏估计及其数据删除模型中度量影响大小的诊断统计量.提出条件广义岭估计,给出它在不同模型中的关系式,利用Welsch-Kuh统计量和特征值的性质,推导出删除k组数据后度量拟合值影响的上确界.通过实例分析检验了诊断统计量的有效性.     

一阶广义随机系数自回归模型参数的最小渐近方差估计

研究广义随机系数自回归模型中参数的估计问题, 给出了未知参数的一个估计类, 证明了该估计类中估计的相合性和渐近正态性, 并且获得了该估计类中的最小渐近方差估计, 并通过数值模拟比较了估计类中各种估计方法的优劣.     

相依误差线性模型中的主成分s-K估计

为同时克服线性回归模型的自相关性和回归变量间的复共线性,通过融合主成分回归估计和s-K估计,提出一类新估计,称为主成分s-K估计;并在均方误差阵意义下,得到了这类估计分别优于广义最小二乘估计、主成分估计、r-k和s-K估计的充要条件.Monto Carlo数值模拟表明,新估计是一种同时克服自相关性和复共线性的有效方法.