基于奇异值分解的岭型回归(英文)

本文基于设计阵的奇异值分解(SVD),从LS估计出发,应用岭回归估计方法,构造了回归系数的一个新的有偏估计,称为基于SVD的岭型回归估计,简称RRSVD估计,讨论了其性质和偏参数的选取问题,得到了许多重要结论.计算结果表明,在设计阵呈病态时,RRS善岭回归估计.     

无偏的岭回归迭代算法

本文探讨线性模型的无偏的岭回归迭代算法,这种算法保持最小二乘法的性质,当存在较为严重的共线性时,它能给出较为精确的参数及其协差阵的估计值;当存在严格的共线性时,给出参数及其协差阵的无穷多解中的一个,这个解由初值决定。文章还给出了算法的收敛性及一些其它性质的证明。     

基于岭估计的岭马田系统在复共线性数据中的应用

在多变量模式识别领域,变量间经常会存在复共线性,复共线性不仅会影响参数估计的效果,也会使变量的敏感性出现显著异常.马田系统是以马氏距离作为测量尺度的多变量模式识别方法,复共线性会通过马氏距离影响马田系统变量筛选的效果和判别的准确率.基于岭估计提出了一种新的测量尺度—岭马氏距离,利用岭迹法确定岭参数,将其引入马田系统使得马田系统对病态数据具有更好的耐受性.通过案例验证了岭马氏距离可以很好的克服复共线性,并提高马田系统的判别准确率.     

岭回归分析的SAS程序设计

田俊．岭回归分析的ＳＡＳ程序设计．岭回归分析方法是传统的多元回归分析方法的一个补充,在实际工作中经常使用。但是在标准统计软件ＳＡＳ中没有专门的岭回归分析过程,本文介绍如何通过设置伪样品后使用ＳＡＳ进行岭回归分析     

PLS回归在消除多重共线性中的作用

本文详细阐述了解释变量的多重共线性在回归建模与分析中的危害作用，并指出目前常用的几种消除多重线性影响的方法，以及它们的不足之处。本文结合实证研究指出：利用一种新的建模思路—ＰＬＳ回归，可以更好地消除多重共线性对建模准确性与可靠性所带来的影响     

处理多元线性回归中自变量共线性的几种方法：—SAS／STAT软件（6．12）中RE

本文通过例子介绍多元线性回归中自变量共线性的诊断以及使用SAS／SATA（6．12）软件中的REG等过程的增强功能处理回归变量共线性的一些方法,包括筛变量法,岭回归分析法,主成分回归法和稔蕞小二乘回归法。     

相依线性回归系统回归系数的预检验岭估计

对于由两个相依线性回归方程组成的线性回归系统，文「５」提出了基于最小二乘估计和协方差改进估计的一种新型估计，即预检验估计，它具有许多优良性质，但是在设计阵呈病态时，预检验估计的均方误差很大，因而在这种情况下不再被谯是良好估计。     

基于刀切岭估计的线性回归参数的最小体积置信集

本文基于岭估计研究了正态线性回归模型中未知参数的最小体积置信集问题.利用Jackknife方法,获得了在不同情况下未知参数的最小体积置信集.最后,与经典置信集进行比较,在最小体积意义下我们所得到的置信集是最佳的.     

灰色系统模型的优化岭回归算法

文献[1]指出了目前用普通最小二乘法估计灰微分方程参数的方法由于方程组的病态问题很难求解得合理的参数;文献[2]指出了根据初值求解灰色系统模型的时间响应式的方法由于初值的误差使所求得时间响应式产生系统误差.为了克服灰色模型的上述两个缺点,本文设计了一种求解灰色系统模型的优化岭回归算法,计算一个广泛引用的算例演示了这种算法的优越性.     

偏最小二乘回归在选矿效益建模中的应用

选矿效益对矿管理有着重要意义。影响选矿效益的因素之间存在严重的多重共线性,采用PLS方法建立了选矿效益的偏最小二乘回归模型,避免了普通多元回归模型的不合理性和岭回归模型选择岭参数的主观性。     

The Generalized Ridge Trace Plot: Visualizing Bias and Precision

In ridge regression and related shrinkage methods, the ridge trace plot, a plot of estimated coefficients against a shrinkage parameter, is a common graphical adjunct to help determine a favorable trade-off of bias against precision (inverse variance) of the estimates. However, standard unidimensional versions of this plot are ill-suited for this purpose because they show only bias directly and ignore the multidimensional nature of the problem.

A generalized version of the ridge trace plot is introduced, showing covariance ellipsoids in parameter space, whose centers show bias and whose size and shape show variance and covariance, respectively, in relation to the criteria for which these methods were developed. These provide a direct visualization of both bias and precision. Even two-dimensional bivariate versions of this plot show interesting features not revealed in the standard univariate version. Low-rank versions of this plot, based on an orthogonal transformation of predictor space extend these ideas to larger numbers of predictor variables, by focusing on the dimensions in the space of predictors that are likely to be most informative about the nature of bias and precision. Two well-known datasets are used to illustrate these graphical methods. The genridge package for R implements computation and display.     

部分线性模型的随机约束岭估计

研究了部分线性回归模型附加有随机约束条件时的估计问题.基于Profile最小二乘方法和混合估计方法提出了参数分量随机约束下的Profile混合估计,并研究了其性质.为了克服共线性问题,构造了参数分量的Profile混合岭估计,并给出了估计量的偏和方差.     

Ridge Finding from Noisy Data

Abstract

Methods are presented for detecting ridges and/or antiridges using noisy data. Several alternative criteria are proposed for identifying points on a ridge and procedures for following a ridge line are discussed. The methods are illustrated by examples.     

基于泛岭估计对岭估计过度压缩的改进方法

岭估计是解决多元线性回归多重共线性问题的有效方法,是有偏的压缩估计。与普通最小二乘估计相比,岭估计可以降低参数估计的均方误差,但是却增大残差平方和,拟合效果变差。本文提出一种基于泛岭估计对岭估计过度压缩的改进方法,可以改进岭估计的拟合效果,减小岭估计残差平方和的增加幅度。     

岭回归估计的向量参数方法

本文提出岭回归估计的向量参数方法,选择均方误差函数的负梯度方向作为参数向量方向,根据均方误差与拟合误差的预期约束条件选择确定参数向量模长.文中获得了两个单调性结论,向量参数岭回归估计的均方误差是参数向量模长的单调减函数,而拟合误差是参数向量模长的单调增函数.基于两类误差的单调性结论,本文创建了关于两类误差的预期约束条件,预期条件约束下的向量参数岭回归方法有望成为兼备均方误差次优与拟合误差适度的双赢估计.文章最后是一个应用实例.     

多元模糊回归预测模型及其应用

论述多元模糊回归预测模糊的建模方法,探讨该预测模型在第二代玉米螟百株卵量各动态上的应用,研究结果表明,该预测模型为害害虫群动态的中长期预测预报提供了一种新的研究方法,是一种优良的模型。