回归系数的混合估计与最小二乘估计的一个新的相对效率

本文对具有附加信息的线性回归模型中的混合估计与最小二乘估计给出了一种新的相对效率,研究了新的相对效率与其它几种相对效率的关系,得出了新的相对效率的上、下界.     

回归系数的混合估计与最小二乘估计的两种相对效率

本文研究了线性回归模型中,回归系数的混合估计与最小二乘估计的相对效率,利用矩阵的相关性质和运算,导出了两者之间两种新的相对效率的上下界.     

权回归模型中最小二乘估计的相对效率

对于线性加权回归模型，本文得到了未知参数的最小二乘估计相对于最佳线性无偏估计的四种相对效率的下界，并建立了相对效率与广义相关系数的联系。     

聚集数据线性模型参数的聚集改进Liu估计的相对效率

对于聚集数据的线性模型,本文给出了参数β的聚集改进Liu估计,研究了该估计相对于最小二乘估计和相对于Peter-Karsten估计的两种相对效率,并得到了相对效率的上界.     

Bayes估计与最小二乘估计的一个新的相对效率

考虑在错误的先验假定下线性模型回归系数的Bayes估计,将其与最小二乘估计进行比较,提出了Bayes估计与LSE的一种新的相对效率e5,给出了e5的基本性质,同时导出了它的上下界．     

聚集数据下回归系数混合估计的相对效率

讨论在聚集数据情形下,具有附加信息的线性回归模型的参数估计,提出了回归系数的聚集混合估计,研究了该估计相对于Peter—Karsten估计和相对于最小二乘估计的相对效率,得到了相对效率的上、下界.     

线性模型中最小二乘估计的一种新的相对效率

对于线性模型未知参数最小二乘估计，本文提出了一种新的相对效率，并研究了它的性质，以及与Bloonfield-Watson等，讨论过的另一种相对效率的关系。     

聚集数据线性模型参数的聚集综合岭估计的相对效率

对于聚集数据的线性模型,给出了参数的聚集综合岭估计的概念,并给出了聚集综合岭估计相对于最小二乘估计的两种相对效率,得到了这两种相对效率的上界.     

平衡损失下回归系数最优线性无偏估计的相对效率

本文研究了一般Gauss-Markov模型中回归系数的最优线性无偏估计的相对效率问题.利用Lagrange乘数法,获得了回归系数的最优线性无偏估计.并在此基础上定义了最优线性无偏估计的两种相对效率.     

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与最佳线性无偏估计的一种新的相对效率，并讨论了它的下界。     

线性模型中的一类随机约束$s$--$K$估计

In this paper, we propose a stochastic restricted s–K estimator in the linear model with additional stochastic linear restrictions by combining the ordinary mixed estimator(OME) with the s–K estimator. It is shown that the proposed estimator is superior to the OME and the s–K estimator under the mean squared error matrix criterion under some conditions. Finally, a numerical example and a Monte Carlo simulation study are given to verify the theoretical results.     

一种有偏估计与最小二乘估计的两种新的相对效率

考察了线性回归模型的回归系数的一类有偏估计,在均方误差矩阵准则下将其与最小二乘估计(LSE)进行比较,导出了这类有偏估计相对于LSE的两种新的相对效率的上、下界.     

回归系数的广义根方估计及其模拟

文献[1,2]中提出了回归系数的根方估计~(k),当回归自变量间存在复共线关系时,~(k)较回归系数的最小二乘估计有所改善,本文将根方估计作一拓广,得出了回归系数的广义根方估计~(K),其中K为对角阵,文中证明了广义根方估计~(K)较~(k)能更有效地改善最小二乘估计,并给出了广义根方估计的显式解,在此基础上,提出了广义根方估计的显式解和一种确定k_i的方法。     

On the Bias of the Generalized Regression Estimator in Survey Sampling

It is well known that the generalized regression (GREG) estimator of the finite population total is asymptotically unbiased. Consequently, bias is negligible when the sample size is large. But the magnitude of the bias is not known, if we are estimating small areas or operating with small samples. Furthermore, beside the sample size, the bias depends on the auxiliary variables, on their relation to the study variable and on the sampling design. In small samples it is important to know sources of the bias and in some cases to use a bias-corrected regression estimator. The aim of the present paper is to derive approximate bias expressions of the GREG estimator under different population models and different sampling designs to study the magnitude of the bias.      

广义岭估计优于最小二乘估计的两个充分条件

分别给出了线性回归模型未知参数β的广义岭估计在MSE准则和PC准则下优于LS估计的充分条件.     

相依线性回归系统的泛岭改进估计

对于一类相依线性回归系统，本文提出了一种泛岭改进估计，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．     

广义自回归模型参数的收缩估计

运用经典方法结合参数的先验信息得到了广义一阶自回归模型中自相关系数的收缩估计的闭式表达式,它是通常极大似然估计与先验均值的加权平均,在适当的先验信息下优于原来的估计.     

对称熵损失下的一类指数族刻度参数估计

In this paper we investigate the estimator for the rth power of the scale parameter in a class of exponential family under symmetric entropy loss L（θ, δ） = v（θ/δ ＋ δ/θ - 2）. An exact form of the minimum risk equivariant estimator under symmetric entropy loss is given, and the minimaxity of the minimum risk equivariant estimator is proved. The results with regard to admissibility and inadmissibility of a class of linear estimators of the form cT（X） ＋ d are given, where T（X） Gamma（v, θ）.