一般回归模型中的U统计量

本文考虑一般回归模型中回归系数的方向的估计问题。一般回归模型的定义中,应变量y在自变量x给定之下的分布只依赖于x之分量的线性组合。这个线性组合的系数向量β就是回归系数向量。一般回归模型是通常线性模型的推广。本文中,我们构造了一个U统计量作为β之方向的估计。在适当的光滑性条件下,本文证明了该U统计量作为β的方向的估计具有相合性与渐近正态性。     

线性模型回归系数与误差方差联立经验Bayesian估计的收敛速度

本文研究了正态线性模型回归系数与误差方差联立经验Bayesian估计的收敛速度。     

Panel模型中的精确检验和置信区间

利用广义p-值和广义置信区间的概念,研究了Panel模型中未知参数的检验和置信区间问题.对于回归系数,分别考虑了单个情形和多个线性无关情形下的检验和置信区间问题,得到了精确检验和置信区间.对于方差分量,研究了其任意线性组合的检验和置信区间问题,建立了精确检验和置信区间.基于广义p-值和广义置信区间,获取精确检验和置信区间的方法具有计算方便、易应用于小样本问题的特点.最后,分别从理论和数值上研究了这些精确检验和置信区间的统计性质.     

增长曲线模型中回归系数的广义根方估计

本文对增长曲线模型中的回归系数B提出了一种新的估计形式－广义根方估计的B（K），其中K＝diag(k1,k2,…，kp）并证明了通过广义根方偏参数ki(i=1,2,…，p）的适当选取可使得该估计在均方误差矩阵的意义下优于已有的LS估计和根方估计，及广义根方估计是可容许估计，本文还给出了选取广义根方偏参数的两种方法，算法及一个应用实例。     

最小角回归算法(LAR)结合采样误差分布分析(SEPA)建立稳健的近红外光谱分析模型

结合采样误差分布分析(SEPA)框架和最小角回归(LAR)算法,提出了一种SEPA-LAR变量逐步筛选方法用于波长选择,并建立了稳健的近红外光谱分析模型。利用蒙特卡洛采样(MCS)获得多个数据集划分建立多个模型,对光谱各变量(波长)在所有模型的LAR系数进行统计分析,按其回归系数绝对值总和由大到小排序,选择排序靠前的波长建立偏最小二乘(PLS)模型,以未参与SEPA-LAR和建模的独立验证集对该模型进行评价。将玉米湿度、柴油密度以及奶酪脂肪的近红外光谱数据用于SEPA-LAR的性能检验,独立验证集的预测均方根误差(RMSEP)分别为0.001 44%(湿度指标)、0.001 58 g/mL(密度指标)以及1.13 g/100 g(脂肪含量指标)。结果表明,相较于竞争自适应重加权采样法(CARS),该方法具有更优异的稳定性;相较于移动窗口偏最小二乘(MWPLS)以及蒙特卡洛无信息变量消除(MCUVE)方法,该方法选择的变量更少,预测误差更低,预测性、可解释性和稳定性更优异。     

部分线性模型回归系数估计的渐近分布

考虑部分线性模型Ｙ＝Ｘ‘β＋ｇ（Ｔ）＋ｅ，ｘ∈Ｄ，ｔ∈「０，１」，β为未知的参数向量，ｇ为未知函数，Ｃｈｅｎ给出此模型的一种估计如下，先用分段多项式逼近ｇ，然后用最小二乘法估计β，「１」得到估计量β的渐近正态性。因其渐近分布中含有未知参数，不能直接用于检验问题。     

线性模型中两步估计的分解式及其应用

本文讨论广义线性模型中均值向量和回归系数的两步估计，给出了均值向量两步估计的分解式及均值向量两步估计与其最佳线性无偏估计一致的充分条件，并把结果应用到两阶段抽样回归模型及误差相关回归模型中。     

矩阵损失下带约束的回归系数非齐次线性估计的Minimax可容许性的特征

本文在矩阵损失下给出了带约束的回归系数线性估计在非齐次线性估计类中是Minimax可容许估计的充要条件。