广义岭型主成分估计优良性研究

对有偏估计中的广义岭型主成分估计的优良性进行了较深入的研究.证明了广义岭型主成分估计优于最小二乘估计的充要条件,并在此基础上对几类常见的有偏估计在均方误差(阵)条件下优于最小二乘估计的充要条件进行了拓展.     

压缩主成分估计

给出线性回归模型{Y=Xβ εE（ε）=0，Cov(ε)=σ^2In中参数β的一种压缩主成分估计，研究了其有效性、可容许性以及抗干扰性，并与岭型组合主成分估计、岭估计、Stein压缩估计以及根方有偏估计等进行了比较，得出在一定条件下，这种估计优于其它几种估计的结论。     

广义岭估计的新定义及其性质

Hoerl和Kennard提出了广义岭估计[1].本文提出了另一类广义岭估计β^(K)=(X'X+K)-1X'Y,K=diag(K1,K2,…Kp),它是岭估计的自然推广,但和前者的广义岭估计不同.证明了存在K＞0使β^(K)的均方误差小于最小二乘估计β=(X'X)-1X'Y的均方误差,并且β^(K)是β的可容许估计.     

岭型压缩主成分估计及其性质

本文定义了一类新的降维估计，称之为岭型压缩主成分估计。证明了，当参数满足一定条件时，它比主成分估计，岭型主成分估计及最小二乘估计有较小的均方误差。     

一般增长曲线模型回归系数的一种可容许有偏估计

对于线性回归模型：Y=Xβ＋ε,E（s）=0,cov（ε）=σ^2v,v〉0,文献[1]给出了有偏估计βs^＊=（X^TV^-1X＋sI）^-s（XTV^-1Y＋β^＊）,其中s〉0为参数,β表示线性回归模型的广义最小二乘估计,文献[2]中已经证明了βs^＊的可容许性并且有很多优良性质．作者用类似的方法证明在一般增长曲线模型下该有偏估计仍具有许多优良性质并证明其在均方意义下是可容许的．     

相依回归系统参数的广义岭型改进估计

从设计阵的多重共线性角度出发,提出一种新的相依回归系统回归系数有偏估计——广义岭型改进估计.讨论了此估计的优良性,如:有偏性、可容许性等,在均方误差准则下证明了此估计要优于传统的岭型改进估计,并对同类估计进行了比较.     

刀切广义岭估计的渐近性质

经典的大样本理论研究了当自变量数 p固定(或p→∞ ),并且样本容量 n→∞时估计量的性质,但 n固定并且 p→∞这种情况几乎没有被讨论过.后者对髙维数据的研究具有重要意义,本文研究了刀切广义岭估计在 n固定 p→∞时的渐近性质,建立了刀切广义岭估计在一定条件下的均方误差相合性,提供了一个剔除次要变量的变量筛选方法,并证明了这个筛选程序的强相合性.     

回归系数的线性有偏估计

给出回归系数的最小均方误差线性有偏估计、线性有偏估计优于最小二乘估计的充要条件及线性有偏估计为可容许估计的充要条件,同时给出文献中未涉及的一些有偏估计．     

广义岭型组合主成分估计及其K值的选取

本文把岭型组合主成分估计拓广为广义岭型组合主成分估计＾α（ｃ）证明＾α（ｋ）能更有效地改善ＬＳ估计，并运用Ｑ（ｃ）准则得到广义岭型组合主成分估计的显示解及得到该解的迭代算法     

广义岭估计的方差最优性质

Hoerl和Kennard在1970年提出了岭估计,它是一种重要的有偏估计。本文在均方误差准则下,讨论了广义岭估计相对于LS估计的优良性质及其推广结果。     

广义岭估计及其相对效率

讨论了一般Gauss-Markoff模型中未知参数的广义岭估计，并证明了其优良性，比较了三种估计的分别基于方差和均方误差的相对效率，并给出了它们的上下界。     

广义岭估计的相对效率

考察Gauss-Markoff模型中未知参数向量的最优线性无偏估计的改造问题,引入讨论了方兴等 提出的最优化无偏估计的一种估计的相对效率,把其对一般岭估计的部分研究结果推广到广义岭估计。     

多元广义岭估计及K值选取的Q（C）准则

本文采用广义岭估计β~*(K)来估计多元线性模型中的回归系数β=Vec(B),通过K值的选取,可使均方误差MSE小于LS估计的MSE。分析了广义岭估计中根据MSE准则选取K值存在的主要缺陷,从理论上证明了选取K值的新准则——Q(C)准则的优良性,并给出了实际应用Q(C)准则的方法。     

岭型主成分估计的方差最优性质

研究岭型主成分估计在降维估计类中的方差最优性，证明了它的方差阵在降维估计类中最小，方差阵的特征值最小，方差和及方差积最小。并讨论了它的方差在正交不变范数意义下的最小性和方差的最小最大性质，得出了方差阵的行列式及正交范数在降维估计类中最小。     

广义岭型主成分估计的一条最优性质

证明了在一类广义岭型降维估计中，广义岭型主成分估计的方差和最小。     

广义岭型主成分估计的方差最优性质

主要讨论了在广义岭型降维估计类中,广义岭型主成分估计的方差性质.在一定条件下,证明了广义岭型主成分估计的协差阵的特征值、行列式及正交不变范数最小.     

广义岭型主成分估计在降维估计类中的方差最优性质

定义了一类降维估计,称为广义岭型降维估计类.在这类降维估计中,用矩阵求特征值的方法研究了广义岭型降维估计的方差最优性质.证明了它的方差阵最小,方差阵的特征值最小.进一步导出了广义岭型主成分估计的方差和、方差阵特征值乘积及方差阵的正交不变范数最小.