Panel模型中常见估计的比较

本文研究了Panel模型中回归系数常见估计的比较问题,给出了在Pitman准则,协方差阵准则和广义均方误差准则下最小二乘估计,Within估计,Between估计及两步估计之间的优良性比较结果.特别地,本文证明了在Pitman准则下最小二乘估计一致地优于Between估计.     

Bayes估计的进一步研究及其Pitman最优性

对线性模型参数,讨论了Bayes估计的Pitman最优性,将已有结果进行了改进,去掉了附加条件,证明了在Pitman准则下,Bayes估计一致优于最小二乘估计(LSE),在此基础上,提出了一种基于先验信息的方差分量估计,通过和基于LSE的方差分量估计作比较,证明了新估计是无偏估计且有更小的均方误差．最后,证明了在Pitman准则下生长曲线模型参数的Bayes估计优于最佳线性无偏估计．     

线性模型中部分根方估计的优良性

在均方误差矩阵(MSE-M)准则和在Pitman Closeness(PC)准则下,比较了部分根方估计相对于最小二乘估计的优良性.     

约束线性模型的条件部分根方估计

对于线性约束下的线性回归模型,针对设计矩阵的病态问题,提出一种条件部分根方估计.并在均方误差矩阵准则和Pitman Closeness准则下,比较了条件部分根方估计相对于约束最小二乘估计的优良性.     

回归系数Stein压缩估计的小样本性质

本文在广义均方误差（GMSE）准则下给出了回归系数β的Stein估计优于最小二乘（LS）估计的充分必要条件，然后在Pitman Closeness(PC)准则下比较了Stein估计相对于LS估计的优良性，本文最后给出了一个特别的注记。     

线性模型中回归系数和误差方差的同时Bayes估计的优良性

在线性模型中回归系数与误差方差具有正态-逆Gamma先验时,导出了回归系数与误差方差的同时Bayes估计.在均方误差矩阵准则和Bayes Pitman closeness准则下,研究了回归系数的Bayes估计相对于最小二乘(LS)估计的优良性,还讨论了误差方差的Bayes估计在均方误差准则下相对于LS估计的优良性.     

错误先验假定下Bayes线性无偏估计的稳健性

本文基于错误的先验假定获得了一般线性模型下可估函数的Bayes线性无偏估计(BLUE), 证明了在均方误差矩阵(MSEM)准则和后验Pitman Closeness (PPC)准则下BLUE相对于最小二乘估计(LSE)的优良性, 并导出了它们的相对效率的界, 从而获得BLUE的稳健性.     

位置参数受约束时指数分布在定数截尾样本下的参数估计

本文考虑指数分布在定数截尾样本情况下位置多数有上界约束时，位置多数和尺度参数的估计．分别给出了有约束位置参数和尺度参数的最佳仿射同变估计在均方误基原则下的改进估计，同时研究了在Pitman准则下这些估计的比较，观察到了与均方误差原则不一致，甚至矛盾的结论．最后应用到位置参数有顺序的两个截尾指数分布，同样获得类同结果．     

Pitman准则下指数分布刻度参数幂的分组定数截尾估计

在Pitman准则下,对指数分布刻度参数σ的形为σ     

两个半相依模型回归系数的改进估计

对于两个半相依回归系统的未知回归系数,本文首先借鉴文献中给出的两步协方差改进估计的方法给出两种两步协方差改进估计序列,并给出其与两步估计等价的条件和均方误差意义下的优良性; 其次,我们对文献中给出的一种两步估计作简单改进,使得改进后的估计在更大的参数空间内优于最小二乘估计. 再次,本文另辟蹊径, 构造了一种新的估计,同样地,此估计也具有更好的小样本性质.本文最后一节讨论了Pitman准则下两步估计的优良性.     

协方差改进法与半相依回归的参数估计

对于由两个误差项相关的线性回归方程组成的系统,本文应用协方差改进法获得了参数的一个迭代估计序列。我们证明了当协方差阵已知时,该估计序列处处收敛到最佳线性无偏估计,且它们的协方差阵在矩阵偏序意义下单调下降收敛到最佳线性无偏估计的协方差阵,该估计序列具有Pitman准则下的优良性。当协方差阵未知时,我们证明了用协方差阵的无限制估计所产生的两步估计具有无偏性、相合性和渐近正态性。在一定意义下,本文的估计优于文献中已有的一些估计。本文的结果也显示了协方差改进方法的有效性。     

Laplace分布位置尺度参数的估计比较

研究了Laplace分布位置与尺度参数的估计,首先利用截面似然法获得参数的MLE;然后根据Pitman积分,在其中一个参数固定的情形下,可求得另一个参数的MREE;再通过构造完备充分统计量得到参数的UMVUE.在此基础上导出参数估计的枢轴量及其置信区间,最后用随机数来模拟几种估计的精度.     

Weibull分布形状参数的收缩估计

本文研究两参数Weibull分布在Ⅱ形截尾场合下形状参数的收缩估计．提出了形状参数的四个不同的收缩估计，在Minimax遗憾准则下得到了最优收缩系数．通过对这四个收缩信计的效的研究，可知他们在适当的先验信息下都优于原来的估计，其中基于近似无偏估计所得的形状参数的无编估计是比较理想的估计量．     

包含多余回归变量的错误指定模型的随机约束Liu估计

对由于包含多余回归自变量而导致的错误指定线性回归模型,本文导出了回归系数的最小二乘估计,普通混合估计以及随机约束Liu估计,并在均方误差矩阵准则下对这三个估计的优良性进行了比较,给出了随机约束Liu估计优于最小二乘估计和普通混合估计的充要条件.此外,对它们所对应的经典预测值的优良性也进行了讨论.     

错误先验假定下回归系数Bayes估计的小样本性质

本在于错误指定的先验假定获得了回归系数的Ｂａｙｅｓ估计（ＢＥ）,并在均方误差矩阵准则下对其与最小二乘（ＬＳ）估计进行了比较,导出了它们的相对效率的界、讨论了在后验ＰｉｔｍａｎＣｌｏｓｅｎｅｓｓ准则下ＢＥ相对于ＬＳ估计的优良性。     

一种概率分布的极值分位数的最优估计

在本文中, 我们构造了一种新的极值分位数估计, 给出了估计量的极限性质. 同时, 在渐近二阶矩最小的准则下, 利用子样本自助法给出了计算所构造的极值分位数估计时的样本点分割方法, 从理论上证明了这一极限结果, 说明了这种分割在渐近二阶矩最小的准则下是渐近最优分割, 同时提出了自适应的样本点分割的自助算法.     

一类线性模型中参数的平衡LS估计的性质

对于线性回归模型中平衡LS估计这一类含参数t和参数矩阵L的估计,进一步讨论了t和L的取值对平衡LS估计优良性的影响,得到了平衡LS估计在某些准则下优于OLS估计的条件.     

一种有偏估计与最小二乘估计的两种新的相对效率

考察了线性回归模型的回归系数的一类有偏估计,在均方误差矩阵准则下将其与最小二乘估计(LSE)进行比较,导出了这类有偏估计相对于LSE的两种新的相对效率的上、下界.     

PC准则下回归系数的一类线性估计的优良性

设线性回归模型为,此处n≥p,X的秩为R(X)=s,00为常数,∑_0为正定阵。本文证明了:在适当条件下(?)于PC准则下优于(?)并将这一结果应用于回归系数的岭估计、广义岭估计、压缩估计和Bayes估计。     

转移向量的Minimax估计

<正> 设随机变量 X 的分布 F(x)为已知,则对任何实数θ,X_θ=X+θ的分布将为F(x—θ).以这种方式依赖着一参数θ的分布族称为转移分布族,而θ称为转移参数.设 x_1,…,x_n 为从总体 F(x—θ)中取出的独立样本,要求从它去估計θ.这一问题吸引了不少学者的注意,较早期的工作中,应当提到 Pitman 在1939年的文章[1].在这一工作中,Pitman 在 F(x)有密度的条件下,找到了具转移性质(正式定义见下文)的方