无重复因析试验中一种估计散度效应的方法

自从Box和Meyer首次提出无重复因析试验中散度效应的识别和估计问题, 各种散度效应的估计方法(包括迭代和非迭代)被提出. 特别地, Brenneman 和Nair 给出了这些方法的一个综述, 并且他们验证了改进的Harvey方法优于其它的方法.本文中对于对数线性模型, 一个基于多个位置模型残差平均的非迭代的散度效应估计方法在模型选择阶段被提出. 在大多数的模拟实验模型中, 本文方法具有比MH方法更小的均方误差, 且它可以应用于MH方法不适用的0或小的绝对残差情形. 我们也考虑了这个估计的理论性质, 并进行了实例分析.     

两水平无重复因析试验散度效应的估计

本文对两水平无重复因析试验给出了散度效应的一种新的估计,称为AMH估计,改进了文献中散度效应的较好的MH估计的一个缺陷,给出并证明了AMH估计的无偏条件,证明了AMH估计比MH估计有更小的方差下界.最后通过模拟试验比较了AMH和MH估计的偏度,方差和均方误差.     

无重复因析试验中散度效应的ML估计

在无重复因析试验中,若因子A,B的散度效应显著,则不论其交互效应AB的散度效应是否显著,其散度效应的现有估计常常是有偏的,从而导致其被错误地识别为显著效应.提出了散度效应的一种新的估计方法(称为ML估计),并给出了ML估计的方差的精确表达形式,证明了在一类模型中,交互效应AB的散度效应的ML估计是无偏的.最后,将ML估计与现有的常用估计进行了比较.     

两水平无重复因析试验散度效应BH估计的性质

本文研究了两水平无重复因析试验散度效应BH估计的性质,给出了BH估计无偏性的充分必要条件,求得了它的近似方差.并在多个模型下对BH与MH估计进行了模拟比较.     

无重复因析试验中多个散度效应检验的一种改进方法

在无重复因析试验的多个散度效应分析中,常常出现错误识别的现象,即两个显著的散度效应可能在它们的交互列上产生一个错误的散度效应,并且现有的许多方法都存在这样的问题.为了解决这种模棱两可性,McGrath和Lin(2001)提出了一种基于残差样本方差几何平均的检验方法(ML方法),但是这个方法不能应用于零残差样本方差的情形.鉴于此,提出了一种基于修改残差的改进方法,适用于零残差样本方差的情形,并且通过实例验证了方法的合理性.最后,通过模拟和ML方法做了比较.     

岭回归中确定K值的一种方法

本文给出了岭估计中确定K值的一种新方法,这种方法改进了Hoerl和Kennard的相应方法。     

Gauss-Markov估计关于误差分布的稳健性

对于一般线性模型y=Xβ+ε,本文讨论了在广义均方误差准则及均方误差矩阵准则下,未知参数β的可估函数Xβ的Gauss-Markov估计关于误差分布的稳健性,分别给出了误差项ε的最大分布类,使得误差项ε的分布在此范围内变动时,Gauss-Markov估计在相应准则下是最优估计.     

无重复析因试验位置效应分析若干方法的比较

本文介绍了在效应稀疏性的前提下venter和Steel提出的分析无重复析因试验数据的方法,并将它们和下降Lenth方法,下降Dong方法一起作了较全面的模拟比较。     

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。     

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     

Bayes估计与最小二乘估计的一个新的相对效率

考虑在错误的先验假定下线性模型回归系数的Bayes估计,将其与最小二乘估计进行比较,提出了Bayes估计与LSE的一种新的相对效率e5,给出了e5的基本性质,同时导出了它的上下界．     

线性模型中部分根方估计的优良性

在均方误差矩阵(MSE-M)准则和在Pitman Closeness(PC)准则下,比较了部分根方估计相对于最小二乘估计的优良性.     

Identifying Significant Effects in Unreplicated Regular Two-level Factorial Experiments

The paper gives a new method to identify significant effects in two-level factorial experiments, and compares the new method with the exiting methods using Monte Carlo simulation. The existing methods only perform well under the assumption of effect sparsity, but the new method performs well without effect sparsity.     

约束线性模型的条件部分根方估计

对于线性约束下的线性回归模型,针对设计矩阵的病态问题,提出一种条件部分根方估计.并在均方误差矩阵准则和Pitman Closeness准则下,比较了条件部分根方估计相对于约束最小二乘估计的优良性.     

无重复析因试验中位置效应分析的下降方法

本文介绍了在效应稀疏性的前提下无重复析因试验中位置效应分析的下降Lenth方法,并建立了下降Dong方法,最后对它们作了模拟比较。     

半参数回归模型的一类压缩估计

研究了半参数回归模型的参数估计问题,利用压缩估计方法给出了模型的一类有偏估计,并与最小二乘估计、岭估计、几乎无偏岭估计进行了比较.在均方误差意义下,新的压缩估计明显优于最小二乘估计.最后讨论了有偏参数选取的问题.