α-混合误差异方差部分线性EV模型的小波估计的Berry-Esseen界（英文）

本文使用小波估计和最小二乘的方法研究误差为α-混合异方差的部分线性EV模型,给出了参数和非参数部分的小波估计.在一般的条件下得到了小波估计量的Berry-Esseen界.     

线性相关模型中误差方差的经验似然估计及其Bootstrap

该文利用经验似然方法，对线性相关模型中误差方差的传统最小二乘型估计进行修正，得到的修正估计其渐近方差比传统估计的更小．同时，我们还讨论了修正估计的Bootstrap逼近问题．关键词##4相关模型;;误差方差;;最小二乘;;经验似然;;Bootstrap．     

α-混合误差的部分线性EV模型的弱相合性

运用小波估计和修正最小二乘法研究了误差为α-混合的部分线性EV模型,给出了参数和非参数部分的小波估计量,得到了小波估计量的弱相合性,推广了现有的一些相应结论.     

模糊线性回归模型的约束最小二乘估计

自Tanaka等1982年提出模糊回归概念以来,该问题已得到广泛的研究。作为主要估计方法之一的模糊最小二乘估计以其与统计最小二乘估计的密切联系更受到人们的重视。本文依据适当定义的两个模糊数之间的距离,提出了模糊线性回归模型的一个约束最小二乘估计方法,该方法不仅能使估计的模糊参数的宽度具有非负性而且估计的模糊参数的中心线与传统的最小二乘估计相一致。最后,通过数值例子说明了所提方法的具体应用。     

回归函数的速归LS─权估计的强收敛性

本文讨论了把传统的最小二乘方法与非参数的权函数法结合起来所得回归函数的递归最小二乘—权估计（简记为ＬＳ—权估计）的强收敛性。     

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。     

泛最小二乘法的改进及其容许性

考虑线性回归模型,当设计阵呈病态或秩亏时,我们用泛最小二乘法给出参数的估计,并证明其容许性;然后针对泛最小二乘估计对最小二乘估计过度压缩的缺点加以改进,使之更合理,有效.     

小波分析在经济预测模型中的应用

经济信号也是一种时间序列 ,它和小波分析中的信号具有相同的特性 .因此 ,可将经济时间序列看成经济信号 ,应用小波进行实际经济分析和预测 .论文针对最小二乘法的不足 ,提出了多分辨回归分析处理经济数据分析的方法 .本文在建立宏观模型时 ,利用小波分析对经济数据进行预处理 ,获得能反映宏观变化趋势的低频信息 ,再用最小二乘法进行拟合和预测 ,通过对传统最小二乘法建立的模型的对比分析 ,结果表明 :本方法优于一般最小二乘法 .     

残差自回归半参数模型的参数估计

研究了残差自回归半参数模型的参数估计,运用广义最小二乘法估计了参数部分．用随机模拟说明了运用广义最小二乘（GLSE）估计出的参数部分优于运用普通最小二乘法（OKSE）得到的估计．     

基于小波收缩求解时间反向热传导问题的正则化方法

时间反向热传导问题是一类典型的不适定问题.应用对偶最小二乘法给出了时间反向热传导问题的误差估计,同时用小波收缩方法给出了它的非线性近似解的误差估计,并证明了在高层上的收敛性.     

改良PP回归最小二乘估计的相合性

本文考虑了PP回归估计问题，给出了PP方向和岭函数相合的改良估计，降低了文献中的限制条件．     

三参数对数正态分布的参数估计

本文讨论了三参数对正态分布的参数估计问题，指出了最小二乘估计存在的问题，并提出了两种修改的最小二乘估计，模拟研究表明，这种估计较以前提出的估计有一定的优点。     

带线性约束的回归模型参数的Liu估计方法

针对一般带约束的最小二乘估计(ORLSE)在参数估计中处理复共线性的不足,通过引入附加随机线性约束,提出了约束Liu型估计方法.经理论证明,此方法在均方误差下较已经提出的ORLSE和约束岭估计(RRE)效果更好,并且它可以作为两种方法的推广形式.讨论了其中k, d的确定原则,并将此方法推广到了广义形式和典则形式下的估计公式.     

不等式约束条件下部分线性回归模型的参数估计

本文研究了不等式约束条件下部分线性回归模型的参数估计问题，利用最优化方法和贝叶斯方法，给出了不等式约束条件下部分线性回归模型的最小二乘核估计和最佳贝叶斯估计，并且证明了在一定条件下，带约束条件的最小二乘核估计在均方误差意义下要优于无约束条件的最小二乘核估计。     

线性模型回归系数的c-(K,S)型估计的小样本性质

根据线性回归模型Y=Xβ+,εE(ε)=0,COV(ε)=σ2,对回归系数的有偏估计c-(K,S)型估计进一步研究;讨论了c-(K,S)型估计的基本性质;并在均方误差阵(M SEM)准则下讨论了c-(K,S)型估计相对于最小二乘估计的优良性,有助于线性回归系数有偏估计的进一步改进.     

纵向数据下混合效应EV模型中参数估计的渐近性质

考虑纵向数据下混合效应EV模型。对带有惩罚项的Profile广义最小二乘方法进行了修正。利用矩估计法和ML-based EM算法给出了固定效应,随机效应以及协方差阵的估计。在一般的条件下,给出了固定效应估计的强相合性和渐近正态性,并对所提出的各种估计进行了模拟研究。模拟效果不错。     

Application of Wavelet Shrinkage to Solving the Sideways Heat Equation

The sideways heat equation is considered in terms of the ill-posed operator equation Au = g, g R(A) L ²(), with a given noisy right hand side. For a reconstruction of the solution from indirect data the dual least square method generated by the family of Meyer wavelet subspaces is applied. An explicit relation between the truncation level of the wavelet expansion and the data error bound is found under which convergence results including error estimation are obtained. Next, a certain simple nonlinear modification of the method based on local refinements of the wavelet expansion of the noisy data is investigated. Moreover, it is shown that an accuracy of the solution reconstruction can be improved by adding some sufficiently large coefficients on the level higher than that indicated by the convergence theorem.This revised version was published online in October 2005 with corrections to the Cover Date.     

Positive shrinkage, improved pretest and absolute penalty estimators in partially linear models

Shrinkage estimators of a partially linear regression parameter vector are constructed by shrinking estimators in the direction of the estimate which is appropriate when the regression parameters are restricted to a linear subspace. We investigate the asymptotic properties of positive Stein-type and improved pretest semiparametric estimators under quadratic loss. Under an asymptotic distributional quadratic risk criterion, their relative dominance picture is explored analytically. It is shown that positive Stein-type semiparametric estimators perform better than the usual Stein-type and least square semiparametric estimators and that an improved pretest semiparametric estimator is superior to the usual pretest semiparametric estimator. We also consider an absolute penalty type estimator for partially linear models and give a Monte Carlo simulation comparisons of positive shrinkage, improved pretest and the absolute penalty type estimators. The comparison shows that the shrinkage method performs better than the absolute penalty type estimation method when the dimension of the parameter space is much larger than that of the linear subspace.     

关于James-Stein估计的小样本性质

首先给出了Jam es-S te in估计优于岭估计的充分条件,随后在P itm an准则下给出了Jam es-S te in估计优于最小二乘估计的简短证明.     

时空模型的局部众数回归

时空数据经常含有奇异点或来自重尾分布,此时基于最小二乘的估计方法效果欠佳,需要更稳健的估计方法.本文提出时空模型的基于局部众数(local modal, LM)的局部线性估计方法.理论和数据分析结果都显示,若数据含有奇异点或来自重尾分布,基于局部众数的局部线性方法比基于最小二乘的局部线性方法有效;若数据无奇异点且来自正态分布,两种方法效率渐近一致.本文采用众数期望最大化(modal expectation-maximization, MEM)算法,并在数据相依情形下得出估计量的渐近正态性.