线性模型中参数估计的相对效率

本文对线性模型中的最小二乘估计（LSE）与BLUE给出了一种新的相对效率（4），并研究了新的相对效率（4）与其它两种相对效率（2）与（3）的关系．最后在广义G－M模型下还给出了新的相对效率的下界．     

奇异线性模型参数估计的相对效率

提出了奇异线性模型中参数β的最佳线性无偏估计(BLUE)相对于最小二乘估计(LSE)的一种新的相对效率,并给出了该相对效率的下界,最后讨论了该相对效率与广义相关系数的关系.     

错误先验假定下Bayes线性无偏估计的稳健性

本文基于错误的先验假定获得了一般线性模型下可估函数的Bayes线性无偏估计(BLUE), 证明了在均方误差矩阵(MSEM)准则和后验Pitman Closeness (PPC)准则下BLUE相对于最小二乘估计(LSE)的优良性, 并导出了它们的相对效率的界, 从而获得BLUE的稳健性.     

广义G-M模型参数估计的相对效率

本文提出了广义Ｇ－Ｍ模型中参数β的ＢＬＵＥβ^*和ＬＳ估计β的一种新的相对效率,对其与其他两种相对效率的关系及其下界进行了研究,并讨论了它与广义相关系数的关系．     

一般线性模型基于最大特征根的相对效率

定义了一般线性模型参数的最小二乘估计(LS估计)与BLU估计的一种新的相对效率,给出了当设计矩阵满秩,协方差阵非负定时这种相对效率的下界,最后讨论了其与广义相关系数(zρ3)之间的关系.     

线性模型参数的聚集改进广义Liu估计的相对效率

对于聚集数据的线性模型,给出了参数β的聚集改进广义Liu估计,研究了该估计相对于最小二乘估计及相对于Peter—Karsten估计的两种相对效率,并得到了相对效率的上界.实例分析表明,聚集改进广义Liu估计比最小二乘估计、Peter—Karsten估计更有效.     

线性模型中最小二乘估计的相对效率

考虑了Gauss-Markov模型y=Xβ+e,e~(0,σ2Σ)和增长曲线模型Y=ABC+ε,Vec(ε)~(0,δ2V W),提出了参数γ=Xβ和Γ=ABC的最小二乘估计(LSE)γ^与Γ^关于最佳线性无偏估计(BLUE)γ*与Γ*的几种新的相对效率,并得出了它们的下界以及与以往效率的某些关系.     

聚集数据线性模型参数的改进广义岭估计的相对效率

对于聚集数据的线性模型,给出了参数的改进广义岭估计,并提出了改进广义岭估计的两种相对效率,得到了这两种相对效率的上界.     

聚集数据多元线性模型参数的多元聚集广义岭估计的相对效率

对于聚集数据的多元线性模型,提出了参数的多元聚集广义岭估计的概念,给出了多元聚集广义岭估计相对于最小二乘估计及最佳线性无偏估计的两种相对效率,并得到了这两种相对效率的上界.     

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.