线性回归系数最小二乘估计弱相合性的一个结果

假定线性回归模型的误差列为i.i.d.,有r阶矩,1≤r＜2.[1]中证明若     

线性回归系数最小二乘估计强相合的充要条件

设有线性模型，以λn和μn分别记Sn的最小和最大特征根．假定随机误差e1，e2，…为iid，Ee1＝0且对某个r，1≤r＜2．本文在的限制下，得到了β的最小二乘估计为强相合的充要条件.     

混合整数线性模型参数最小二乘估计的弱相合性

在GPS和测绘等领域中,混合整数线性模型是非常重要的一种模型。本文在混合整数线性模型参数的最小二乘估计的基础上,证明了该估计量的弱相合性。Monte Carlo模拟验证表明,各参数估计的相合效果明显。     

独立误差下线性回归最小二乘估计相和性的必要条件

对线性回归Yi=x'iβ+ei,i=1,…,n,…,其中x1,x2,…为已知P维向量,e1,e2,…为随机误差.本文证明了:如果e1,e2,…独立,每一个非退化,则是β的最小二乘估计相合的必要条件,注意此处对ei的期望和方差没有施加任何条件.     

独立误差下线性回归最小二乘估计相和性的必要条件

对线性回归Yi=x'iβ+ei,i=1,……,n,……,其中x1,x2,………为已知p维向量,e1,e2,………为随机误差.本文证明了如果e1,e2,………独立,每一个非退化,则Sn-1=(∑ni=1 xix'i)→0是β的最小二乘估计相合的必要条件,注意此处对ei的期望和方差没有施加任何条件.     

Gauss-Markov条件下最小二乘估计的强相合性

设Y_i=x＇_iβ+e_i,1≤i≤n为线性模型,β_n=(β_n1,…,β_np)＇为β=(β₁,…,β_p)＇的最小二乘估计,以u_n记(sum from i=1 to n(x_ix＇_i))的(1,1)元,v_n=u_n^-1.证明了在Ee_i=O且{e_i}满足Gauss-Markov条件时,v_i→∞及sum from i=2 to ∞(v_i^-2(v_i-v_i-1)log~2i<∞)为β_n1强相合的充分条件,且对任何ε_n→0,v_i→∞及sum from i=2 to ∞(ε_iv_i^-2(v_i-v_i-1)log²i<∞)已不再充分.提出了β_n1强相合的一个充要条件,它把β_n1强相合归结为正交随机变量级数的收敛问题.     

多元线性回归最小二乘估计的一个非正常表现

通过一个实例揭示线性回归最小二乘估计的一个非正常性质,证明了:在误差方差无限时,在模型中人为地引入赘余参数有可能在相合性意义下改善原来的估计,并对这个现象的含义作了讨论。     

关于线性模型中LS估计相合的条件

考虑线性模型yi=X_i~rβ+e_i i=1,2,…,其中β是未知的 p-维向量参数,{e_i,i≥1)为独立随机变量序列满足均值 Ee_i=0,r-阶矩 E|e_i|~r 有限,这里1≤r<2,i=1,2,….本文在某种意义下,建立了β的最小二乘(LS)估计的(1):r 阶矩相合的充分必要条件;(2):一元回归(即 p=1)的强相合的充分必要条件和对设计矩阵 X_n=(x_1,…,x_n)有某些约束下,多元回归中强相合的充分必要条件;(3):弱相合的充分必要条件.这里考虑所加条件的途径与以往文献中的途径完全不同.     

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。     

NA样本下线性模型估计矩相合性

在NA样本下讨论了线性回归模型最小二乘估计的r阶矩相合性,并在02时推广了相关文献之结论.     

线性回归估计相合性问题的新进展

本文综述了近年来线性回归最小二乘仗霜合性问题的一些新进展，对在误差方差无限的情况下这种估计的特殊表现作了论述，并提出了若干尚未解决的问题。     

简单线性模型中回归系数相合估计存在性问题的一点注记

本文基于文[1]中的方法，证明了在简单线性模型yi=x'iβ＋ei中和对随机误差序列｛ei｝的一定的假定之下，回归系数β的相合估计存在的充要条件为，并放宽了文[1]中对ei的密度函数的要求.     

改良PP回归最小二乘估计的相合性

本文考虑了PP回归估计问题，给出了PP方向和岭函数相合的改良估计，降低了文献中的限制条件．     

带插值条件的拟线性最小二乘估计

提出了带插值点的拟线性最小二乘法,并给出了带插值点的拟线性最小二乘法拟合的最小二乘估计,证明了及其参数具有无偏性。     

弱相依误差线性回归模型M-估计的弱相合性

本文考虑线性回归模型yi=xTiβ+ei,i=1,2,…,n,其中ei是(ε,ψ)-弱相依随机误差.在较一般的条件下,我们得到了M-估计弱相合性的统一结果,该结果推广了线性回归模型M-估计的相应结论,包括所有时间序列相依误差,如:高斯序列、相协序列、Bernoulli漂移、Markov链、一些广泛使用的线性或非线性时间...     

误差为NA序列的半参数回归模型估计的r阶矩相合性

对于半参数回归模型y1=xiβ＋g(ti) ei,i=1,2,…,n,本综合最小二乘法和一般加权方法,定义了β,g(t)的估计量βn,gn(t),在误差为NA序列进,得到了βn,gn(t)的r(r≥2)阶矩相合性。     

奇异线性模型最小二乘估计的相对效率

对于奇异线性模型引入了参数β的最小二乘估计相对与最佳线性无偏估计的一种新的相对效率，并讨论了它的下界。     

模糊线性回归模型的约束最小二乘估计

自Tanaka等1982年提出模糊回归概念以来,该问题已得到广泛的研究。作为主要估计方法之一的模糊最小二乘估计以其与统计最小二乘估计的密切联系更受到人们的重视。本文依据适当定义的两个模糊数之间的距离,提出了模糊线性回归模型的一个约束最小二乘估计方法,该方法不仅能使估计的模糊参数的宽度具有非负性而且估计的模糊参数的中心线与传统的最小二乘估计相一致。最后,通过数值例子说明了所提方法的具体应用。     

部分线性模型中估计的强相合性

考虑回归模型：ｙｉ＝ｘｉβ＋ｇ（ｔｉ）＋σｉｅｉ，１ｉｎ，其中σ２ｉ＝ｆ（ｕｉ），（ｘｉ，ｔｉ，ｕｉ）是固定非随机设计点列，ｆ（·）和ｇ（·）是未知函数，β是待估参数，ｅｉ是随机误差．对文［１］给出的基于ｇ（·）及ｆ（·）的一类非参数估计的β的最小二乘估计＾βｎ和加权最小二乘估计βｎ，我们在适当条件下证明了它们的强相合性．     

权回归模型中最小二乘估计的相对效率

对于线性加权回归模型，本文得到了未知参数的最小二乘估计相对于最佳线性无偏估计的四种相对效率的下界，并建立了相对效率与广义相关系数的联系。