基于删失数据的一般回归模型的参数估计

本文考虑基于删失数据的一般回归模型回归系数的方向估计，结合非参数回归和最小一乘方法构造了模型方向的估计，在较为一般的条件下证明了估计量的相合性．     

一般回归模型中的非参数估计

本文考虑一般回归模型中回归系数的方向之估计。文中,利用最大似然型的准则,找到了回归系数方向的相合估计。但在把他们的估计中,对自变量的分布加上了很强的限制性条件。本文,为了去掉这个限制性条件,找到了一个非参数估计方法,并证明了它的相合性。     

相依样本下污染线性模型的最近邻估计

考虑一般线性模型,设误差序列{ei}是平稳的α-混合序列,具有公共未知密度,f(x)．本文首先讨论了基于残差的f(x)的最近邻估计的相合性及收敛速度,然后把结论推广到污染线性模型,讨论了污染系数ε,误差的主体分布及回归系数β的估计的相合性,收敛速度以及(β|^)的渐近正态性．     

矩阵损失下约束线性模型中回归系数的线性可容许估计

考虑约束线性模型Mr={Y,Xβ,σ2V|Rβ=r}其中x列满秩,V为正定矩阵.在二次损失下,Baksalary. J. K和Markiewicz,A得到了回归系教β的线性估计在非齐次线性估计类中可容许的充分必要条件,利用吴启光在无约束线性模型关于回归系数线性可容许估计的结果,对约束线性模型Mr我们得到结果如下在矩阵损失下回归系数β的线性估计AY+g在非齐次线性估计类中可容许当且仅当[i]XAV对称;[ii]R(A) R(U) [iii]AXU=U,g=(AX-I)R+r或AXU≠U时,有r(AX) (-∞,0)∪(1,+∞).其中R(U)=N(R),U为列正交矩阵.     

二次损失下随机回归系数和参数的线性Minimax估计

对带有随机效应的一般线性模型,本文提出了随机回归系数和参数线性组合的Minimax估计问题. 在二次损失下,研究了线性估计的极小极大性.关于适当的假设,得到了可估函数的唯一线性Mjnimax 估计.     

二次损失下随机回归系数和参数的线性Minimax估计

对带有随机效应的一般线性模型,本文提出了随机回归系数和参数线性组合的Minimax估计问题.在二次损失下,研究了线性估计的极小极大性.关于适当的假设,得到了可估函数的唯一线性Minimax估计.     

含发散维数自变量的单指标模型中方向向量的稳健估计

在回归分析中,常常引入大量的自变量来减少模型拟合的误差.本文考虑如下非常一般的单指标模型:在给定自变量X的线性组合β0τX的条件下,响应变量Y和维数发散的自变量X相互独立,其中β0是pn维向量.本文在这样的单指标模型假设下讨论当pn→∞时单指标模型中方向向量的稳健估计问题.我们发现,当pn=o(√n)时,最小二乘估计βn0能够相合地估计β0的方向.为了剔除不相关的自变量,从而提高回归模型的可解释能力,我们提出基于1-正则化的算法,通过加二次限制得到稀疏的最小二乘估计.1-正则化的解βn不仅可以相合地估计β0的方向,而且可以产生稀疏的估计.因此,我们可以选择一些重要的自变量,在保持预测准确度的同时使模型解释变得容易.模拟分析和汽车价格数据应用分析表明,我们所提出的估计方法在有限样本场合具有良好的表现.     

线性模型中两步估计与BLUE差别的度量

本文讨论了广义线性模型中均值向量向和回归系数两步估计与最佳线性无偏估计差别的度量方法，给出了均值向量(回归系数)两步估计μ^-(β^-)相对于其最佳线性无偏估计μ^*(β^*)的相对精度P(μ^-|μ^*)的界及μ^--μ^*(β^--β^*)的欧氏范数界．并把文章结果应用到两阶段抽样回归模型，方差非齐次回归模型，半相依回归模型中．     

多元统计分析(Ⅷ)

ξ7.多因变量逐步回归 多元回归分析是多元统计中应用最广的方法.“多元”可以理解为多个自变元(只有一个因变元),也可以理解为自变量和因变量都是多个的情形.鉴于只有一个因变量的多元回归己众所周知,因此本节的重点是讨论含有多个因变量的回归及其逐步算法 7.1多因变量回归分析 1.模型 设x1,…,xp是p是自变量,y1,…,yq是q个因变量,并有如下的线性关系:其中εj是随机误差,βij是回归系数.回归分析问题是根据变量x与y的n次已知观测数据去估计回归系数,并对回归系数作统计检验等等. 在回归模型中,随机误差总假设没有系统偏差,即均值为零,所以…     

用M方法检测回归系数矩阵的秩

为了确定多重线性回归模型中回归系数矩阵的秩，　本文提出了一个基于Ｍ估计的模型选择程序，　且在较弱的条件下建立了回归系数矩阵的秩的估计的强相合性。     

半相依回归系统中回归系数估计的若干结果

本文首先给出了半相依回归系统中回归系数的一种新的估计方法,即用一些较简单的矩阵代替β的BLUE(?)中相当复杂的矩阵,得到β的相应的估计.协方差改进估计(CIE)可以看成是BLUE的某种“近似”.当CIE可以改进时,我们引入广义CIE(GCIE),讨论了GCIE的一些统计性质.在∑_(mxm)已知时.我们还得到β_(?)在线性估计类中均方损失下的可容许估计.     

方差分量模型中回归系数估计的可容许性

本文考虑方差分量模型中回归系数函数g(β)的估计的可容许性问题. §2中给出了β的线性函数p′β的估计在平方损失之下,在线性估计类中为可容许估计的充要条件. §3中给出了β的估计在平方和损失之下,在线性估计类中为可容许估计的充分条件和必要条件.     

一类纵向数据半参数模型中的强相合估计

本文考虑如下纵向数据半参数回归模型:y_(ij)=x′_(ij)β+g(x_(ij))+e_(ij).结合最小二乘法和非参数权函数估计方法得到模型中参数β,回归函数g(·)的估计,并在适当条件下证明了估计量的强相合性.     

纵向数据下均值协方差联合建模中的ARMA Cholesky因子模型

在广义估计方程框架下,发展了一类灵活的回归模型来参数化协方差结构.通过合并广泛使用的修正的Cholesky分解和滑动平均Cholesky分解,得到自回归滑动平均Cholesky分解.该分解能够参数化更一般的协方差结构,且其输入具有清晰的统计解释.对这些输入建立回归模型,并利用拟Fisher迭代算法估计回归系数.均值和协方差模型中的参数估计皆具有相合性和渐近正态性.最后通过模拟研究考察了所提方法的有限样本表现.     

PA条件不成立时GEE方法中的检验问题

边际回归模型和与此有关的广义估计方程(GEE)在纵向数据分析中得到了广泛的应用. Pepe和Anderson在1994指出在边际模型和GEE方法的应用中必须满足一个重要条件, 即PA条件. 如果该假定不能满足, 可能得不到相合估计, 由此进行的统计推断的效率可能不高. 本文通过简单的AR(1)模型, 在理论上和数值模拟上讨论了PA条件对基于广义估计方程方法所作的关于回归系数的检验的影响. 由于PA条件不成立, 回归系数的GLS估计不再是渐近无偏的, 构造的Wald和Score统计量的分布不再是中心卡方分布, 从而对于检验的效率也产生了严重影响.     

两级抽样回归模型中估计与检验的稳健性

对于两级抽样(two-stage sampling)回归模型,协方差阵含有未知的类内相关系数(intraclustercorrelation)ρ本文研究在设计阵满足何种条件时,回归系数的估计与F-检验不受ρ的影响。即估计与F-检验关于协方差阵具有稳健性。本文对最小二乘估计与似然比F-检验统计量的稳健性分别给出了充要条件、充分条件和必要条件。     

多元线性模型中随机回归系数和参数的线性估计的泛容许性

本文对于一般的随机效应多元线性模型，给出了随机回归系数和参数的线性可估函数的泛容许性估计的定义，并得到了随机回归系数和参数的线性可估函数的齐线性估计在齐线性估计类中泛容许性的特征。     

半参数回归模型的估计的渐近性质

考虑半参数回归模型ｙｉ＝ｘｉ＾１β＋ｇ（ｔｉ）＋ｅｉ,１≤ｉ≤ｎ;其中ｇ为Ｒ上未知函数,σ０＾２＝Ｄ（ｅ１）柴根象等在１９９５年给出了β的二阶段估计βｎ,本文基于β１建立了σ０＾２的估计量σｎ＾２,研究了误差方差估计σｎ＾２的渐近正态性和强相合性,并且得到了可直接用于统计推断的统计量及其分布。     

多元线性回归中回归系数的线性经验Bayes估计

本文构造了多元线性回归模型回归系数向量的线性经验Bayes估计,并在较一般的条件下得到了渐近最优的收敛速度。     

协方差阵估计的比较

本文在一般线性回归模型误差异方差情况下，通过计算机模拟对回归系数最小二乘估计的协方差矩阵的估计进行了比较。结果表明，当样本大小大于50时，回归系数的最小二乘估计具有较高的估计精度；其协方差矩阵的五种估计以普通最小二乘估计的协方差矩阵为最优。