回归系数的混合估计与最小二乘估计的两种相对效率

本文研究了线性回归模型中,回归系数的混合估计与最小二乘估计的相对效率,利用矩阵的相关性质和运算,导出了两者之间两种新的相对效率的上下界.     

线性模型中最小二乘估计的一种新的相对效率

对于线性模型未知参数最小二乘估计，本文提出了一种新的相对效率，并研究了它的性质，以及与Bloonfield-Watson等，讨论过的另一种相对效率的关系。     

过拟合最小二乘估计的相对效率

讨论线性回归模型中选入过多的解释变量对回归系数估计的影响,给出由过拟合模型求得的最小二乘估计效率的下界。     

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.     

线性模型中加权混合估计相对于最小二乘估计的两种相对效率

本文提出了线性模型中加权混合估计相对于最小二乘估计的两种相对效率,并给出了这些相对效率的上下界.     

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。     

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。     

Bayes估计与最小二乘估计的一个新的相对效率

考虑在错误的先验假定下线性模型回归系数的Bayes估计,将其与最小二乘估计进行比较,提出了Bayes估计与LSE的一种新的相对效率e5,给出了e5的基本性质,同时导出了它的上下界．     

奇异线性模型最小二乘估计的相对效率

刘爱义，王松挂在文[1]中提出了线性模型未知参数的最小二采估计的一种新的相对效率，本文将在奇异线性模型下，研究量小二乘估计的相对效率的下界。     

回归系数最小二乘估计的Bootstrap估计

本文对线性模型的回归系数β的线性函数α＾Ｔβ的最小二乘估计α＾Ｔβ建立了一种新的ｂｏｏｔｓｔｒａｐ逼近，给出了逼近的相合性定量，得到了ｏ（ｎ＾－１／２）的逼近速度。     

二次约束下多指标线性模型回归系数线性估计的可容许性

本文推广了Hoffmann[1]与Mathew[2]的结果，在二次损失下得到了二次约束下多指标线性模型中回归系数线性估计在线性估计类中可容许性的充要条件．     

带约束生长曲线模型线性估计的泛容许性

本文讨论带约束生长曲线模型中回归系数线性估计的泛容许性,给出了回归系数的线性估计在线性估计类中是泛容许估计的充要条件。     

奇异线性模型中均值向量的LSE的相对效率

对于奇异线性模型,本文考虑了其均值向量的最小二乘估计的两种新的相对效率,并给出了它们的界。同时,我们还得到了一类新的Ｋａｎｔｏｒｏｖｉｃｈ不等式。     

错误指定多元线性回归模型的Bayes估计

本文在错误指定下给出了多元线性模型的最优线性 Bayes估计 ,在矩阵损失下讨论了其相对于最小二乘法估计的优良性 ,且获得 Bayes估计的容许性和极小极大性     

部分线性模型中参数估计的Bootstrap逼近

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β^ n和加权最小二乘估计βn,本文通过重抽样的方法构造了 β^n 和 βn 的 Bootstrap统计量 β^ *n 和 β*n .证明了在给定原样本的条件下 ,n (β^ *n -β^ n)和 n (β*n -β^ n)分别与 n (β^ n-β)和 n (βn-β)有相同的渐近分布 .     

一类线性模型中Bayes估计的优良性

本文研究了一类线性模型中参数的Bayes线性无偏估计的优良性.利用矩阵论的相关知识,分别在平衡损失准则和均方误差阵准则下,得到了Bayes线性无偏估计优于广义最小二乘估计的条件.     

半参数回归模型的渐近有效L-估计

对半参数回归模型yi=χiTβ+g(χi)+ei,i=1,2,…,n,对非参数函数g(·)采用核估计的方法,构造了参数向量β的L-估计量λn,在一些正则条件下,获得了λn的渐近正态性和非参数函数g(·)的估计量gn(t)的最优收敛速度可达到O(n-(1/3)),并且给出了标准化L估计量λn的渐近分布的Berry-Esseen界.