基于混合地理加权Fay-Herriot模型的小域估计

作为一类区域层次模型, Fay-Herriot模型在小域估计中已经得到广泛的应用,这类模型假定各区域的直接估计是空间不相关的.很多情况下这个假定是不成立的,因此一些考虑空间效应的Fay-Herriot模型被提出.本文基于混合地理加权回归模型提出一类新的Fay-Herriot模型用以刻画空间非平稳性,基于提出的模型,给出小域目标参数的经验最佳线性无偏预测估计量,并研究了该估计量的均方误差.最后通过数值模拟验证了所提方法的有效性.     

基于分层贝叶斯广义线性模型的小域估计方法研究

当前,构建恰当的小域估计方法是解决我国政府抽样调查中多层次推断问题的关键所在。由于小域的小样本特性,基于频率统计学的小域估计方法推断效果并不理想,而传统基于贝叶斯统计视角的小域估计方法在非连续型变量估计时适应性不强。本文在系统介绍传统贝叶斯小域估计方法的基站上,为了解决离散变量的估计推断问题,将广义线性模型引入到分层贝叶斯方法中,构建了基本的理论机制和分类数据的估计模型。基于此模型,运用全国流动人口动态监测调查2014年广东省内的样本数据进行实例测算,估计出广东省各地级市的流动人口学历分布情况,并将分层贝叶斯广义线性模型的估计结果与传统估计方法进行了对比分析。结果显示,分层贝叶斯广义线性模型在样本量充足的情况下能够准确地估计出目标小域的总体参数,在样本量不足的小域中依然能够给出稳健的估计结果。文章所构建的估计模型不仅可以充分利用先验信息和辅助信息,还适用于对复杂数据进行估计推断,能够为我国政府抽样调查的小域估计实践提供有价值的理论参考。     

基于混合地理加权回归模型的小域估计

近年来,基于空间模型的小域估计方法在抽样调查领域得到越来越多的关注.提出了一类混合地理加权单元层次小域模型用以刻画空间非平稳性,其中回归系数一部分为常数,另一部分则是随着地理位置的变化而变化.基于模型给出了域均值的估计,并研究了该估计量的均方误差及其估计.     

一般混合线性模型联合估计的一个最优性

本从一个新的角度，刻划了一般的混合线性模型的一个最优性质。这一性质比最小方差性更为直观。     

混合线性模型联合估计的一个注记

本文从一个新的角度刻划了一般混合线性模型中固定效应β与另一随机向量δ的联合估计的最佳线性无偏估计的一种最优性 ,这一性质比最小方差性更为直观     

一般混合线性模型联合估计的一个最优性

本文从一个新的角度 ,刻划了一般的混合线性模型的一个最优性质 .这一性质比最小方差性更为直观 .     

多元线性模型中随机回归系数和参数的最优估计

本文研究了一般的随机效应多元线性模型中线性可估函数的最优线性无偏估计。特别地 ,考虑了一类特殊的估计 :Φ-线性估计 ,给出了 Φ-线性可估函数和最优 Φ—线性无偏估计的定义。得到了 Φ-线性可估函数的最优Φ—线性无偏估计 ,并证明了它在几乎处处意义下的唯一性     

不同混合线性模型下线性函数的最佳线性无偏预测相等的条件

考虑一个不仅对协方差矩阵没有任何秩假设,而且对随机效应向量和随机误差向量之间的关系没有任何限制的混合线性模型.给出了线性统计量Ay是线性函数f（L,N）的最佳线性无偏预测的充要条件;同时也给出了在混合线性模型M1下BLUP（f（L,N））仍是在混合线性模型M2下BLUP（f（L,N））的充要条件;最后给出在两混合线性模型下BLUP（f（L,N））相等的条件.     

超总体模型下有限总体的估计

超总体模型是抽样理论与统计学其它分支联系的桥梁,借助于超总体模型研究抽样理论是一个有前途的方法．本文综述了这方面的结果,包括总体目标量的估计及其精度估计,同时提出了若干未来的研究问题．     

一般混合线性模型固定效应、随机效应与另一随机向量的联合估计

讨论一般混合线性模型中固定效应β、随机效应ξ_i(i=1,2,…,k)与另一随机向量δ的联合估计,得到了β、ξ_i(i=1,2,…,k)及δ的线性组合的最佳线性无偏估计,推广了有关文献中的结果,并从一个直观角度刻划了β、ξ_i(i=1,2,…,k)与δ的线性组合的最佳线性无偏估计的一种最优性,推广有关文献的结果.     

有限总体中基于广义Liu 估计的预测及其小样本性质

在有限总体中提出了一类基于广义Liu估计的新的预测,得到了基于广义Liu估计的预测在预测均方误差意义下优于最优线性无偏预测的充要条件,并通过实例对理论成果进行了进一步的说明.     

线性混合模型中固定效应和方差分量同时最优估计

对于具有广泛应用的含有两个方差分量的线性混合模型, 找到了一组简单条件. 在这些条件下, 证明了固定效应的最小二乘估计和方差分量的方差分析估计同时是最小方差无偏估计; 获得了固定效应的精确置信区间和随机效应的方差分量的一致最优无偏检验; 得到了随机效应方差的方差分析估计取负值的概率精确表达式.     

混合系数线性模型的几乎无偏s-K估计

在连续测量数据情况下,给出了混合系数线性模型的几乎无偏s-K估计,讨论了该估计的相关性质,并在一定条件下证明了几乎无偏s-K估计优于s-K估计以及几乎无偏岭估计.     

两个线性模型间最优线性无偏预测的等价性

设M1和M2是两个带有预测量的线性模型,通过使用矩阵秩方法,本文给出了模型M1下预测量的最优线性无偏预测同时也是模型M2下的最优线性无偏预测的充分必要条件.作为这个结果的应用,我们给出了两个线性混合模型间最优线性无偏预测等价性的充分必要条件.     

一般线性混合模型中的最佳线性无偏估计和谱分解估计

该文在一般线性混合模型中, 研究了固定和随机效应线性组合的估计问题.对观测向量的协方差阵可以为奇异矩阵情形下,导出了该组合的最佳线性无偏估计,并证明了它的唯一性.在一般线性混合模型的特例, 三个小域模型下, 得到了小域均值u_i 和方差分量的谱分解估计. 进而, 获得了基于谱分解估计的两步估计均方误差的二阶逼近.     

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。     

混合系数线性模型的几乎无偏岭估计

本文研究了连续测量数据情况下的混合系数线性模型的参数估计问题.利用岭估计方法得到了该模型的几乎无偏岭估计,并证明了在均方误差意义下,几乎无偏岭估计优于岭估计.最后讨论了有偏参数的选取问题.     

平衡线性混合模型方差分量几种估计的优良性

对于平衡线性混合模型,本文提出了一组易验证的条件,在此条件下,方差分量的谱分解估计、方 差分析估计和最小范数二次无偏估计都相等且为一致最小方差无偏估计．同时证明了在此条件下,似然 方程和限制似然方程都有显式解,还给出了许多满足这组条件的平衡线性混合模型的例子．     

平衡线性混合模型方差分量几种估计的优良性

对于平衡线性混合模型,本文提出了一组易验证的条件,在此条件下,方差分量的谱分解估计、方差分析估计和最小范数二次无偏估计都相等且为一致最小方差无偏估计.同时证明了在此条件下,似然方程和限制似然方程都有显式解,还给出了许多满足这组条件的平衡线性混合模型的例子.     

SUR模型回归系数的估计

本文证明了一个关于SUR模型回归系数最小方差线性无偏估计(MVLUE)的充要条件,并利用此充要条件讨论了几类SUR模型回归系数的MVLUE估计及两步估计.在方法上避免了与分块矩阵求逆有关的运算,所得结论推广和完善了已有的一些结果.