基于最大特征根的相对效率的下界估计

定义了广义线性模型中参数的最小二乘估计(LSE)与最佳线性无偏估计(BLUE)的一种新的相对效率,这种相对效率定义为参数估计量的协方差阵的最大相对特征根之比.给出了当设计矩阵满秩,协方差阵非负定时这种新的相对效率的下界,研究了新的相对效率与广义相关系数之间的关系.由本文的讨论可见,当广义线性模型与主成分分析、典型相关分析方法结合应用时,这种相对效率具有很强的实用价值.     

基于最小特征根的相对效率

对线性模型的最小二乘估计(LSE)与最佳线性无偏估计(BLUE)定义了一种新的相对效率,新的相对效率定义为最小特征根的比值,之后研究了它的下界及它与广义相关系数之间的关系.最后讨论了新的相对效率与已有的3种相对效率之间的关系.     

相对效率与广义相关系数的关系

本文对线性模型中最小二乘估计（ＬＳＥ）与ＢＬＵＥ的一种新的相对效率与广义相关系数的关系进行了研究     

权回归模型中的相对效率

文献[5]在线性模型中定义了一种新的相对效率 ,本文将它推广到权回归模型中并研究了它的下界以及它与某些广义相关系数之间的关系     

权回归模型中的相对效率

将线性模型中定义的一种新相对效率e4()=min1≤i≤pλi(Covβ)λi(Cov)推广到权回归模型中,并研究了它的下界以及它与某些广义相关系数之间的关系.     

奇异G-M模型参数估计的相对效率

研究了在奇异线性模型下参数估计的相对效率并研究了它的下界以及与广义相关系数的关系。     

相对效率与广义相关系数

对于线性模型y=Xβ+ε,E(ε)=0,cov(ε)=V>0,在错误地把协方差阵取为cov(ε)=D>0的条件下,对于一种新的相对效率,本文研究了它与某些广义相关系数的关系.     

生长曲线模型中基于最小特征根的相对效率

对生长曲线模型的最小二乘估计（LSE）与最佳线性无偏估计（BLUE）定义了一种新的相对效率,新的相对效率定义为最上特征根的比值,研究了它的下界,并讨论了它与已有的三种相对效率之间的关系.     

奇异G-M模型最小二乘估计新的相对效率

在奇异线性模型下利用2个矩阵特征根比值的最小值推广了Euclid范数定义的2种相对效率．文中研究了它们的下界,并给出了2种相对效率与广义相关系数之间的联系以及它们之间的关系,最后讨论了它们的性质,并研究了这2种相对效率的优越性．     

奇异线性模型相对效率的下界估计

定义了奇异线性模型的两种相对效率e2(β)和e5(β)，利用矩阵代数工具给出了e2(β)和e5(β)的3个下界估计，并且得到了一些矩阵不等式．     

线性模型中参数估计的相对效率

对于一个线性模型,如果最小二乘估计(LSE)与最佳线性无偏估计(BLUE)相等,就可以放心地用LSE代替BLUE;反之,用LSE代替BLUE就要蒙受一些损失,有时,这种损失可能是很大的,因而研究这种损失的大小就显得颇为重要.考虑一般线性模型y=Xβ+ε,E(ε)=0,cov(e)=σ2∑,定义了LSE相对于BLUE的两个新的相对效率,并给出了它们的上界.     

线性模型中参数估计的一种新的相对效率

对于线性模型中未知参数的最小二乘估计,本文给出了一种新的相对效率,并研究了它的性质且给出了其下界,最后讨论了该相对效率与其它几种相对效率间的关系。     

广义岭估计的相对效率

考察Gauss-Markoff模型中未知参数向量的最优线性无偏估计的改造问题,引入讨论了方兴等 提出的最优化无偏估计的一种估计的相对效率,把其对一般岭估计的部分研究结果推广到广义岭估计。     

广义岭估计及其相对效率

讨论了一般Gauss-Markoff模型中未知参数的广义岭估计，并证明了其优良性，比较了三种估计的分别基于方差和均方误差的相对效率，并给出了它们的上下界。     

混合系数线性模型参数的一种新估计及相对效率

在连续测量数据的情况下,给出了固定系数а和随机系数b的一种新估计,并引入了一般广义岭估计的概念且证明了其优良性。提出了关于这种新估计的三种相对效率,并给出了它们的上界或下界。     

权回归模型中参数估计的相对效率

考虑加权回归模型,定义了一种新的相对效率,并给出了相对效率的下界,同时讨论了新的相对效率与其它三种已有相对效率的关系。