平衡随机模型中方差分量的非负估计

众所周知, 对于平衡随机模型, 方差分量的方差分析估计为一致最小方差无偏估计. 本文基于方差分量的方差分析估计, 构造了一个二次不变估计类, 它包含了一些常用重要估计. 证明了该估计类在一定条件下在均方误差意义下一致优于方差分析估计, 并在此估计类基础上, 给出了方差分量的两种非负估计, 它们在均方误差意义下分别一致优于方差分析估计和限制极大似然估计, 且有显式解、容易计算.     

方差分量的二次不变估计的非负改进

研究一类方差分量模型中的方差分量的估计改进问题,首先在含两个方差分量模型中给出σ21二次型估计类,并且此估计类还具有无偏性和不变性.考虑二次损失(δ-θ)2,在此估计类基础上放弃无偏性进行非负改进,不仅得到优于二次不变无偏估计类的σ21的非负二次不变估计类,而且还说明了它优于方差分析估计和最小均方误差估计,文献[5]中给出s>2时的非负改进,但是非负改进存在是有条件的,本文克服了这个缺陷.最后给出了非负改进存在的充分必要条件.     

混合模型中方差分量估计的容许性及非负估计

对含有两个方差分量的线性混合模型, 本文构造了方差分量的一个线性估计类, 它包含许多常见的方差分量估计. 在这个类中我们建立了容许性的必要条件, 据此得到了两个新的改进估计. 最后我们讨论了方差分量的非负估计, 得到了优于方差分析估计和Tatsuya估计的正估计.     

共同均值参数线性无偏估计的可容许性

本文在一特殊的共同均值模型和平方损失函数下,得到了共同均值参数β线性无偏估计Σｉ＝１＾ｍＡｉｙｉ（Σｉ＝１＾ｍＡｉ＝Ｉｎ）分别在线性估计类和齐次线性估计类中为可容许估计的充要条件。     

G-M线性模型的一个估计类

本文主要讨论参数β的形如β~=AX’y的估计类：给出了β~线性可容性的充要条件；当误差正态时，其线性可容许子 类与Bayes估计类等价；k阶主要成分估计β~k^*的协方差阵在估计类Гk中具有T-min max性和A,Фi=max min性。     

广义偏最小二乘(PLS)估计类

本文研究了一类含有偏最小二乘（partialleastsquaresPLS）估计的估计类．给出了PLS估计的一般代数形式；讨论了含有PLS估计的广义PPLS估计类的统计性质；给出了该估计类优于最小二乘估计的条件．     

具有P个方差分量的线性模型的Beyes二次估计及可容许估计的非负性

本文对具有 p 个方差分量的线性模型讨论了方差分量线性函数的 Bayes 不变二次估计问题,给出了 Bayes 不变二次估计(无偏和有偏)的显示表达式,并且证明了它们在各自考虑的类中形成了可容许估计的完全类.在可容许估计的完全类中,还讨论了非负参数函数的非负估计问题,给出了可容许的非负定估计存在的充要条件.     

矩阵损失下多元回归系数线性估计的Minimax可容许性的特征

本文在矩阵损失厂给出了多元回归系数线性估计在线性估计类中是Ｍｉｎｉｍａｘ可容许估计的充要条件．     

广义压缩最小二乘估计

本文引进了线性模型中回归系数的一个估计类。许多常用的估计,例如岭回归估计、主成分估计、压缩最小二乘估计以及迭代估计都属于这个估计类。本文讨论该估计类中估计的容许性问题以及矩阵均方误差准则下估计的比较问题。     

二次损失下增长曲线模型参数阵的线性Minimax可容许估计

本文在二次损失函数下,给出了增长曲线模型参数阵的线性估计在给定的线性估计类中是Minimax可容许估计的充要条件.     

矩阵损失下带约束的回归系数非齐次线性估计的Minimax可容许性的特征

本文在矩阵损失下给出了带约束的回归系数线性估计在非齐次线性估计类中是Minimax可容许估计的充要条件。     

方差分量的改进估计

本文研究一类方差分量模型中方差分量的改进估计问题,对单向分类随机模型的对应于随机效应的方差分量,我们研究了一个不变估计类,它包含了一些常用重要估计。证明了在均方误差准则下,在该估计类中不存在一致最优不变估计,且方差分析估计是不容许估计。在一个重要子估计类中,找到了一致最优估计。对于较一般的含两个方差分量的混合模型,我们研究了一个非负估计类的性质,给出了它们的分布,并建立了它们优于方差分析估计的充分     

方差分量模型中回归系数估计的可容许性

本文考虑方差分量模型中回归系数函数g(β)的估计的可容许性问题. §2中给出了β的线性函数p′β的估计在平方损失之下,在线性估计类中为可容许估计的充要条件. §3中给出了β的估计在平方和损失之下,在线性估计类中为可容许估计的充分条件和必要条件.     

矩阵损失下生长曲线模型中回归系数线性函数的MINIMAX可容许估计

本文在矩阵损失下给出了生长曲线模型中回归系数线性估计在某种线性估计类中是Minimax可容许估计的充要条件     

PP聚类的M—估计

本文从稳健性的角度出发考虑了ＰＰ聚类的Ｍ－估计，将最小二乘估计和最小一乘估计的结论推广到更一般的情形，证明了估计的相合性。     

损失函数的选择

本文给出了损失函数的比较准标,对于单个位置参数分布族,得到了关于线性估计类凸损失函数与平方损失函数等价,在独立同分布样本下,给出了凸损失函数下的线性容许估计类。     

随机设计变量情形回归函数的非线性小波估计 *

在随机设计变量情形 ,构造了回归函数的非线性小波估计以及自适应非线性小波估计 .证明了非线性小波估计在Besov空间中可达到最优收敛速度 ,自适应非线性小波估计在一大类Besov空间中可达到次最优收敛速度 ,即和最优收敛速度只相差lnn .这样 ,在随机设计变量情形 ,所构造的回归函数的非线性小波估计和在固定设计点下对回归函数所构造的非线性小波估计几乎具有相同的优良性质 .进一步 ,只要求误差有有界三阶矩 ,而不要求误差服从正态分布 .     

带约束的回归系数的线性估计的可容许性

在本文中,我们针对带齐次线性等式约束的线性模型Y=Xβ+ε,ε～(0,σ~2V),Hβ=0,给出了回归系数的最佳线性无偏估计的较简单的表达式以及Sβ的估计LY(LY+α)在齐次线性估计类(线性估计类)中可容许的充要条件。     

线性模型中估计的可容许性

本文推广了La Motte有关线性模型中可容许估计的结果,由此解决了一种方式分组随机效应模型中方差分量二次及非负二次估计的可容许问题,并证明了可容许估计类是一最小完备类。     

高维稳健主成分聚类方法及其应用研究

随着信息技术的高速发展,每条数据所包含的信息越来越丰富,使得数据不可避免地含有异常值,且随着维数的增加,异常值出现的可能性更大。传统的主成分聚类分析对异常值特別敏感,基于MCD估计的主成分聚类方法虽然对异常值具有防御作用,但是在高维数据下MCD估计的偏差过大,其稳健性显著降低,而且当维数大于观测值个数时MCD估计失效。为此本文提出了基于MRCD估计的稳健主成分聚类方法,数值模拟和实证分析表明,基于MRCD估计的主成分聚类分析的效果优于传统的主成分聚类分析和基于MCD估计的主成分聚类分析,尤其是在维数大于样本观测值的情况下,MRCD估计更为有效。