多元线性模型回归系数的有偏估计与均方误差的无偏估计

本文对多元线性模型回归系数的最小二乘估计的任一线性变换，给出了均方误差的一个无偏估计，并应用统一方法，即极小化均方误差的无偏估计的方法，对岭估计和广义岭估计给出了确定偏参数的公式。最后给出了一个实例。     

关于线性回归模型的有偏估计

有偏估计方法是近代回归分析的常用方法．本文研究了几种常用的有偏估计方法，澄清了这些方法的区别和联系．对有偏估计的一些关键点进行研究，给出了一种新的岭参数确定法和一种新的主成分概念，并讨论了这些方法的优良性．为了提高有偏估计的效率，提出了用比例因子规范模型的方法．最后，给出了说明本文方法的数值例子．     

混合系数线性模型的一类有偏估计

本文研究连续测量数据情况下的混合系数线性模型的参数估计问题.利用压缩估计方法给出该模型的一类有偏估计,研究新估计的一些优良性质,在一定条件下证明这类估计优于s-K估计~([7]).     

线性模型参数的稳健化有偏估计

本文讨论复共线性和粗差同时存在时线性模型的参数估计问题,基于等价权原理提出了一个稳健有偏估计类（稳健压缩估计）,并且建立了稳健压缩估计的计算方法,为了满足实际问题的需要,构造了许多很有意义的稳健有偏估计,例如稳健岭估计、稳健主成分估计,稳健组合主成估计、稳健单参数主成分估计、稳健根方估计等等,最后通过一个算例表明,本文提出的稳健有偏估计具有既可克服复共线性影响又可抵抗粗差干扰的良好性质。     

增长曲线模型中回归参数阵的线性有偏估计类

In response to some perceived deficiency with the BLUE of the regression parameter matri xin the growth curve model,this paper proposes a class of linerar biased estimators,which is called a class of universal ridge ones(URE).based on the recent deveopment theory of biased estimation on the classical regression model.By appropriate choices of the included biased parameters,many interesting and practical linear biased estimators may be obtained.Some important properties are also discussed.With the UR estimators,the estimation methods used in the growth curve model will be greatly ennriched.     

混合系数线性模型参数的Stein估计

在连续测量数据情况下,对混合系数线性模型给出了固定系数和随机系数的两种形式的Ｓｔｅｉｎ估计,并证明了在均方误差意义下,Ｓｔｅｉｎ估计要优于ＬＳ估计,最后还讨论了Ｓｔｅｉｎ压缩系数的选取方法     

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.     

混合系数线性模型参数的广义Liu估计

本文研究连续测量数据情况下的混合系数线性模型的参数估计问题.利用压缩估计方法给出了该模型的一类新的有偏估计一广义Liu估计,并在均方误差意义下,证明此类估计分别优于最小二乘估计、Liu估计.最后讨论参数的选取问题.     

多元线性模型回归系数的压缩LS估计

本文采用压缩ＬＳ估计Ｂ（ｋ）来估计设计矩阵呈病态的多元线性模型的回归系数Ｂ。通过ｋ值的选取，可使（ｋ）＝Ｖｅｃ（（ｋ））的均方误差ＭＳＢ小于β＝Ｖ＿ｅｃ（Ｂ）的ＬＳ估计β￣＊的ＭＳＥ。证明了具有可容许性、抗干扰性和有效性，并给出了实际应用中选取ｋ值的方法。     

A Class of Linear Biased Estimators of Regression ParameterMatrix in the Growth Curve Model

ＡＣｌａｓｓｏｆＬｉｎｅａｒＢｉａｓｅｄＥｓｔｉｍａｔｏｒｓｏｆＲｅｇｒｅｓｓｉｏｎＰａｒａｍｅｔｅｒＭａｔｒｉｘｉｎｔｈｅＧｒｏｗｔｈＣｕｒｖｅＭｏｄｅｌ￥ＧｕｉＱｉｎｇｍｉｎｇ（ＺｈｅｎｇｚｈｏｕＩｎｓｔｉｔｕｔｅｏｆＳｕｒｖｅｙｉｎｇａｎｄＭａ...     

Nonnegative Minimum Biased Quadratic Estimation in Mixed Linear Models

The problem of nonnegative quadratic estimation of a parametric function γ(β, σ)=β′Fβ+∑^r_i=1 f_iσ²_i in a general mixed linear model {y, Xβ, V(σ)=∑^r_i=1 σ²_iV_i} is discussed. Necessary and sufficient conditions are given for y′A₀y to be a minimum biased estimator for γ. It is shown how to formulate the problem of finding a nonnegative minimium biased estimator of γ as a conic optimization problem, which can be efficiently solved using convex optimization techniques. Models with two variance components are considered in detail. Some applications to one-way classification mixed models are given. For these models minimum biased estimators with minimum norms for square of expectation β² and for σ²₁ are presented in explicit forms.     

A New Class of Consistent Estimators for Stochastic Linear Regressive Models

In this paper we propose a new approach for estimating the unknown parameter in the stochastic linear regressive model with stationary ergodic sequence of covariates. Under mild conditions on the joint distribution of the covariate and the error, the estimator constructed is shown to be strongly consistent in two important special cases: (1) The sequence of (variate, covariate) is independent identically distributed (i.i.d.), and (2) the sequence of variates is a stationary autoregressive series. The asymptotical normality is also discussed under more assumptions on the distribution of the covariate.     

Adaptive Unified Biased Estimators of Parameters in Linear Model

To tackle multi collinearity or ill-conditioned design matrices in linear models,adaptive biasedestimators such as the time-honored Stein estimator,the ridge and the principal component estimators havebeen studied intensively.To study when a biased estimator uniformly outperforms the least squares estimator,some sufficient conditions are proposed in the literature.In this paper,we propose a unified framework toformulate a class of adaptive biased estimators.This class includes all existing biased estimators and some newones.A sufficient condition for outperforming the least squares estimator is proposed.In terms of selectingparameters in the condition,we can obtain all double-type conditions in the literature.     

部分线性模型中估计的收敛速度

考虑回归模型（Ⅰ）：其中（ｘ＿ｉ，ｔ＿ｉ）是固定非随机设计点列，ｘ＿ｉ＝（ｘ＿（ｉｌ），…，ｘ＿（ｉｐ））＇β＝（β＿１，…，β＿ｐ）＇（ｐ＞１），ｇ是定义在［０，１］上的未知函数，β是未知待估参数，０＜ｔ＿ｉ＜１，ｅ＿ｉ是ｉ．ｉ．ｄ．随机误差，且Ｅｅ＿ｉ＝０，Ｅｅ＝σ￣２＜∞。基于ｇ的估计取一类非参数权估计（包括常见的核估计和近邻估计），我们讨论了β的最小二乘估计及ｇ的估计的最优强弱收敛速度。     

有限总体中基于广义Liu 估计的预测及其小样本性质

在有限总体中提出了一类基于广义Liu估计的新的预测,得到了基于广义Liu估计的预测在预测均方误差意义下优于最优线性无偏预测的充要条件,并通过实例对理论成果进行了进一步的说明.     

随机变量二次型的协方差在混合效应模型中的应用

本文提出方差分量ANOVA估计的一种改进方法, 证明了对于一般的方差分量模型, 只要方差分量的ANOVA估计存在就可以通过此方法给出其改进形式, 并且在均方误差意义下优于ANOVA估计. 特别地, 对于单向分类随机效应模型, Kelly和Mathew^[1]对ANOVA估计的改进就是我们提出的改进方法的特殊形式, 这也给出了此类改进估计在均方误差意义下优于ANOVA估计的另一种合理的解释. 同时, 本文又将此思想应用到对谱分解估计的改进上. 本文应用协方差的简单性质证明了对带有一个随机效应的方差分量模型, 当随机效应的协方差阵只有一个非零特征值时, 随机效应方差分量谱分解估计在均方误差意义下总是优于ANOVA估计. 本文最后将第三节的结论推广到广义谱分解估计下, 同时给出广义谱分解估计待定系数的一个合理的取值.     

混合模型中方差分量估计的容许性及非负估计

对含有两个方差分量的线性混合模型, 本文构造了方差分量的一个线性估计类, 它包含许多常见的方差分量估计. 在这个类中我们建立了容许性的必要条件, 据此得到了两个新的改进估计. 最后我们讨论了方差分量的非负估计, 得到了优于方差分析估计和Tatsuya估计的正估计.     

具有相关误差的多元线性模型的更新方程

已知的线性模型的更新方程是在对模型加了不相关误差结构的约束, 或只对带有固定参数的一元线性模型考虑的. 本文考虑具有相关误差的多元线性模型下的更新方程, 给出了在补充参数, 数据或指标时, 未知参数阵的最佳线性无偏估计及残积阵的更新方程. 公式适用于固定参数与随机参数两种情形.     

Panel模型中常见估计的比较

本文研究了Panel模型中回归系数常见估计的比较问题,给出了在Pitman准则,协方差阵准则和广义均方误差准则下最小二乘估计,Within估计,Between估计及两步估计之间的优良性比较结果.特别地,本文证明了在Pitman准则下最小二乘估计一致地优于Between估计.