不可估参数函数的可容许估计

对于线性模型ＥＹ＝Ｘβ,ＣｏｖＹ－∑＾ＭＩ＝１σＳ＾２Ｖｉ。当Ｓβ不可分别给出了Ｓβ的线性估计在二次损失和矩阵损失下线性可容许的充要条件。当Ｙ－Ｎ（Ｘβ,∑＾ＭＩ＝１σ＾２Ｖｉ）时,还得到了Ｓβ的线性估计在矩阵损失下在一切估计类中可容许的充要条件和在二次损失下在切估计类中可容许的充分条件和必要条件。     

二次损失下可估函数的线性MINIMAX估计的性质及其应用

对于线性模型Ｙ～（Ｘβ,σ２Ｖ）中的可估函数Ｓβ,本文在二次损失Ｌ（β,σ２;ｄ）＝（ｄ－Ｓβ）′ｄ－Ｓβ）／（σ２＋β′Ｘ′Ｖ－１Ｘβ）下讨论了线性估计类中的ｍｉｎｉｍａｘ估计的性质,并利用这些性质徐兴忠得到的线性ｍｉｎｉｍａｘ估计及其最大风险的表达式提供了一个相对简短的证明．     

正态线性试验中可估函数的最小最大估计

对于正态线性试验NL(Xβ,δ~2V),V为已知κ×n阶正定矩阵,δ~2为未知正参数,通过容许性理论,在平方损失函数(δ~2+β~rX~rV~(-1)Xβ)~(-1)‖δ-SXβ‖下,本文证明了SXβ的线性估计是所有估计类中一致最小最大估计。     

混合模型及其导出模型下可估函数的最佳线性无偏估计研究

讨论了在混合模型(y,Xβ+Uζ,σ_0~2V_0)及其导出模型下,可估函数的最佳线性无偏估计之间的关系,证明了当可估函数的最佳线性无偏估计存在时,它在混合模型及其导出模型下的一致性。     

矩阵正态分布均值矩阵的可估函数的线性估计在线性估计类中的泛容许性

考虑以下问题 :设n×m随机矩阵Y有分布N(Θn×m ,σ2 (Vn×n Σm×m) ) ,0 <σ2 ≤ 1 ,即Y服从均值向量为Θ协方差矩阵为σ2 (Vn×n Σm×m)的多元正态分布 ,其中 (Θ ,σ2 )为未知参数 .类似覃红讨论均值矩阵Θ的可估函数SΘ的线性估计AY在线性估计类中的泛容许性 .称Y的分布为矩阵正态分布     

广义岭估计的新定义及其性质

Hoerl和Kennard提出了广义岭估计[1].本文提出了另一类广义岭估计β^(K)=(X'X+K)-1X'Y,K=diag(K1,K2,…Kp),它是岭估计的自然推广,但和前者的广义岭估计不同.证明了存在K＞0使β^(K)的均方误差小于最小二乘估计β=(X'X)-1X'Y的均方误差,并且β^(K)是β的可容许估计.     

刀切广义岭估计的渐近性质

经典的大样本理论研究了当自变量数 p固定(或p→∞ ),并且样本容量 n→∞时估计量的性质,但 n固定并且 p→∞这种情况几乎没有被讨论过.后者对髙维数据的研究具有重要意义,本文研究了刀切广义岭估计在 n固定 p→∞时的渐近性质,建立了刀切广义岭估计在一定条件下的均方误差相合性,提供了一个剔除次要变量的变量筛选方法,并证明了这个筛选程序的强相合性.     

复共线性条件下广义岭估计的改进

对于复共线性条件下线性回归模型的广义岭估计进行了进一步的研究。针对线性回归模型病态的根本原因,提出了一类新的估计——0-K型广义岭估计。研究这一估计的性质,证明利用0-K型广义岭估计技术可以改进广义岭估计(在均方残差意义下)。文中的方法为病态线性回归模型系数的有偏估计提供了改进的技术途径。     

Hilbert K＿模上紧框架的收敛与估计

研究Hilbert K＿模上紧框架的內积组成的级数的收敛性问题和紧框架的估计问题,得到了一些很有意义的结论,尤其是双边不等式的获得,对收敛性给出实例加以说明.     

线性模型中几个有偏估计的改进

对线性模型中回归系数的Stein型估计,双h类估计和双l类估计作了改进,使得它们在设计阵的任何情形下都能一致优于最小二乘估计。     

楔形基无网格法解的存在惟一性

将楔形基函数与配点法结合构造了一种新的无网格法。该方法无需背景积分网格,是一种真正的无网格法。将该方法应用于求解椭圆型方程问题,给出了解的存在惟一性,并通过数值算例验证了该算法的可行性。     

多元广义岭估计确定偏参数的两种准则

本文给出广义岭估计β（Ｋ）的偏参数Ｋ选择的Ｄ（Ｑ）准则和均方误差无偏估计的极小化准则,以及偏参数Ｋ的最优解公式．它使广义岭估计β（Ｋ）的均方误差（ＭＳＥ）明显小于 ＬＳ估计β的 ＭＳＥ．从而提高了广义岭估计的拟合精确度．最后给出一实例．     

Bayes线性无偏最小方差估计相对于岭估计的优良性

在均方误差矩阵准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于岭估计的优良性,在平衡损失风险函数准则下研究了未知参数的BLUMV估计相对于岭估计的优良性,并导出了在一定条件下BLUMV估计与最小二乘估计趋于一致.     

线性模型中回归系数广义岭估计的小样本性质

在均方误差矩阵准则和Pitman closeness（PC）准则下讨论了线性回归模型中回归系数的广义岭估计相对于最小二乘估计的优良性及其相对效率的界．     

集值随机过程的均方导数

为了研究集值随机过程的微积分理论，利用有界闭凸集合弱收敛的性质和集合“开”的概念，给出了有界闭凸集值随机过程的均方导数的定义，建立了均方导数的若干性质，并讨论了集值随机过程均方可导与均方连续的关系。     

关于岭估计改进的研究

在奇异线性模型下,基于广义岭估计基础上提出新估计改进,对参数范围扩大化进行了处理,重点验证了新估计的一些重要性质及其优良性.     

平稳过程采样定理的一个注记

平稳过程采样定理是随机过程中的一个重要定理.其将平稳过程离散表示的思想方法在理论上有重要意义,在实际工作中有广泛的应用.文章在证明了一个变差理论中的一个重要引理的基础上,利用谱分解的方法,证明了具有有界谱的平稳随机过程,在任何有限的时间区间内可以被离散地表示,不仅是在均方收敛意义下成立,而且这种均方收敛是关于时间t是一致地成立的.