关于无偏估计的若干问题

通过理论分析和实例讨论有关无偏估计的若干问题：无偏估计不一定存在;无偏估计一般不唯一;在均方误差意义下,无偏估计不一定优于有偏估计;均方误差最小的估计是最小方差无偏估计,但反之不然。     

固定设计下计算机模型L2校准的渐近性质

计算机仿真模型广泛应用于工业工程等领域,借助真实的物理观测对计算机模型的校准参数进行估计,可以提高计算机模型的仿真精度.已有文献指出,当物理试验的试验点独立同分布于均匀分布时,计算机模型校准参数的L2估计半参数有效.然而真实的物理试验点往往不满足独立同分布于均匀分布这一条件,文章证明了在固定的试验点下,较准参数L2估计的相合性和渐近正态性,并通过数值模拟验证了L2估计的收敛速度.     

相依线性回归系统回归系数的预检验岭估计

对于由两个相依线性回归方程组成的线性回归系统，文「５」提出了基于最小二乘估计和协方差改进估计的一种新型估计，即预检验估计，它具有许多优良性质，但是在设计阵呈病态时，预检验估计的均方误差很大，因而在这种情况下不再被谯是良好估计。     

灰色系统模型的优化岭回归算法

文献[1]指出了目前用普通最小二乘法估计灰微分方程参数的方法由于方程组的病态问题很难求解得合理的参数;文献[2]指出了根据初值求解灰色系统模型的时间响应式的方法由于初值的误差使所求得时间响应式产生系统误差.为了克服灰色模型的上述两个缺点,本文设计了一种求解灰色系统模型的优化岭回归算法,计算一个广泛引用的算例演示了这种算法的优越性.     

岭回归中影响子集的探测

这篇论文提供了岭回归申影响子集探测的一个新途径,并且研究了试验点(X,Y)和(X,Y)对β的估计(K)=(X′X+KI)~(-1)X′y(0≤K<+∞)的联合影响。定义了新的统计量 R_1~(k),建立了 R_1~(k)与 cook 统计量之间的精确关系。     

线性回归模型的一种有偏估计

在线性回归模型Y=Xβ＋ε；E（ε）=0；cov（ε）=σ^2V；V〉0下给出了有偏估计βh^＋=（X^T V^-1 X＋hI）^-1 （X^TV^-1Y＋β^＋），其中h〉0为参数，β^＋表示线性回归模型的广义最小二乘估计．讨论了这种有偏估计的优良性质，并证明了其可容许性，推广了已有的有关结果．     

方差分量模型参数的广义岭估计

本文先将方差分量模型的方差分量化为派生模型的均值参数，分别作出其相对于ＬＳＥ和ＢＬＵＥ的广义岭估计，再根据二步估计法作出原模型均值参数的广义二乘估计及其进行一步的岭估计。证明了这样不仅使方差分量估计的均方误差减少，而且使原模型均值参数估计的均方误差也不均加和地一步减少。本文还找到了岭参数仅仅依据于样本的估计，这样既将岭估计方法推进至方差分量模型，也改进了方差分量模型参数的离差均值对应方法。     

岭回归中确定K值方法的推广

给出了一种新的逐步改进岭参数 k的方法 .这种方法能够通过调整岭参数来进一步减少岭估计的均方误差 ,并改进了 Hoerl和 Kennard的结果 .     

基于成分数据的异方差模型

经典线性回归模型中,常用最小二乘法对模型中的参数进行估计,进而对模型进行预测。当模型具有异方差时,经常使用广义最小二乘法估计参数。若线性模型中的解释变量为成分数据,在异方差下,虽然可以使用广义最小二乘对参数进行估计,但是由于成分数据的定和限制及其特殊的协方差结构,会导致矩阵不可逆,从而无法估计参数。针对成分数据中的这种情况,文章借助于岭回归分析法的思想给出了一种解决方法。实例分析表明,此方法是可行的。