多元线性模型回归系数的Stein型估计

本文对多元线性模型的回归系数提出了Stein型估计,可使其MSE小于LS估计。分析了选取参数矩阵K的MSE准则存在的缺陷,于是应用Q(C)准则克服这些缺陷。从理论上证明了Q(C)准则的优良性,并给出了确定C的方法。     

多元线性模型回归系数估计在矩阵损失下的可容许性

推广了吴启光关于一元线性模型回归系数估计的可容许性的结果，得到了多元线性模型回归系数的估计可容许的充要条件。     

多元线性模型回归系数的根方估计

本文采用根方估计估计多元线性模型中的回归系数B,通过根方参数k值的选取,可使(k)=Vec((k))的均方误差MSE小于β=Vec(B)的LS估计B的MSE。本文还给出了选取k值的两种方法及一个应用实例。     

多元线性模型回最系数的所有可容许线性估计

讨论了多元线性模型中,线性估计ＡＹ＋α在一切估计类中是线性可估函数ＳＢ的Ａ－可容许性估计、Ｅ－可容许性估计及Ｇ－可容许性估计的主要条件。     

线性模型中回归系数的一种新估计

对于最常见的线性模型，在距离平方和最小意义下给出了回归系数的估计     

线性模型中回归系数混合估计的相对效率

设线性回归模型中回归系数的最小二乘（least square，LS）估计和混合估计分别为β与βm．当设计阵X列满秩时，获得了相对效率e1（β，βm）=det[Cov（βm）]／det[Cov（β）]以及e2（β，βm）=tr[Cov（βm）]／tr[Cov（β）]的界；当X不是列满秩时，设可估函数c′β的LS估计和混合估计分别为c′β和c′βm，获得了相对效率e3（c′β，c′βm,）=Var（c′βm）／Var（c′β）的界．     

回归系数可容许线性估计的一点讨论

在平方损失函数和一特殊线性模型下，得到了一维不可估参数函数的线性估计为可容许估计的充要条件，以及模型中参数向量的线性估计为可溶许估计的充要条件。     

多元线性模型中随机回归系数和参数的线性估计在线性估计类中的可容许性(Ⅰ)

考虑多元线性模型Ｙ＝ＸＢ＋Ｅ,其中Ｙ是可观测的ｎ×ｍ矩阵,Ｂ和Ｅ分别为不可观测的ｐ×ｍ和ｎ×ｍ随机矩阵,ＥＢＥ＝ＡαＯ,ＣｏｖＢＥ＝Ｖ;Ｘ,Ａ,Ｖ均为已知矩阵,≥０,Ｖ≥０,是已知矩阵或未知的参数矩阵,α∈Ｒｋ×ｍ为未知的参数矩阵。本文在矩阵损失函数：（ｄ－Ｓα－ＱＢ）′（ｄ－Ｓα－ＱＢ）下给出了Ｓα＋ＱＢ的估计ＬＹ（ＬＹ＋ｃ）在齐次线性估计类（线性估计类）中可容许的充要条件,从而将文献［１］［３］中得到的关于一元模型的有关结果推广到多元模型。     

多元线性模型回归参数的主成分估计

在多元线性模型中, 当设计阵呈病态时, 我们可适当选择保留的主成分个数可致主成分估计比最小二乘估计有较小的均方误差.     

最小二乘估计和最佳线性无偏估计的关系

本文讨论广义线性模型的均值向量的最小二乘估计和最佳线性无偏估计的关系,得到了它们相等的充要条件以及它们的偏差关系和偏差范数估计;并在欧氏范数下,进一步讨论了这种偏差估计。     

混合系数线性模型参数的可容许估计

利用二次损失函数和矩阵损失函数,给出混合系数线性模型的可估参数向量Sd在线性估计类中的可容许估计,并且分别讨论固定系数α和随机系数期望b的可容许估计.     

多元联合回归估计

本文提出了多元线性模型回归系数的一种新的有偏估计—联合回归估计。在一定条件下，证明了此种估计优于最小二乘估计、主成份估计和组合主成分估计，且在均方误差意义下是可容许估计。     

多元线性模型系数的广义根方改进估计类

从矩阵变换理论出发，对多元线性模型的系数提出了广义根方估计。证明了它优于系数的ＬＳ估计，根方改进估计，且是β的线性可容性估计等性质。     

增长曲线模型回归系数的压缩最小二乘估计

本文采用压缩最小二乘估计Ｂ∧（ｍ）来估计设计阵呈病态时的增长曲线模型回归系数阵Ｂ．通过ｍ值的选取，可使β＾（ｍ）＝Ｖｅｃ（Ｂ∧（ｍ））的均方误差小于β＝Ｖｅｃ（Ｂ）的ＬＳＥβ∧的均方误差．证明了β∧（ｍ）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ｍ值的方法．     

关于《一元线性模型最小二乘估计的强相合性》的注记

通过直接考虑随机误差变量的方差,研究了一元线性模型最小二乘估计的强相合性,所给定理减弱并简化了[1]的条件和形式,从而推广了结果、扩大了应用范围。