广义岭型主成分估计的一些性质

讨论了广义岭型主成分估计的一些性质,引入一种估计的相对效率,证明了广义岭型主成分估计比岭型主成分估计和主成分估计的效率高,并且在Pitman准则下也优于岭型主成分估计和主成分估计.

线性回归模型中的KL型主成分估计

当线性回归模型中存在复共线性时,基于最小二乘估计的统计推断往往会受到影响。鉴于此,结合主成分估计和KL估计,提出了一类新的估计方法,即KL型主成分估计,以期克服复共线性问题。同时,得到新的估计在均方误差意义下优于最小二乘估计、主成分估计、r-k估计、r-d估计和KL估计的充要条件。并利用Monte Carlo模拟和实证分析对各估计量在均方误差准则下进行了比较。

压缩主成分估计的方差最优性质(英文)

结合压缩估计与主成分估计的思想方法,提出了压缩主成分估计.讨论了它在降维估计中的方差最优性质,推广了文献[1]的主要结果.

探讨回归系数的stein型主成分估计问题

设计阵X呈病态的线性回归模型,给出一种新的关于回归系数的有偏估计,即stein型主成分估计,且对偏参数的存在性,最优性进行了一些探讨。

抗差岭型组合主成分估计及误差影响

本文从有偏估计类中的岭型组合主成分估计出发 ,结合抗差估计理论 ,利用抗差M估计模型 ,提出了一种新的抗差有偏估计法———抗差岭型组合主成分估计。推导了平差参数的抗差岭型组合主成分估计解 ,以及平差参数的验后精度和误差影响函数。计算结果表明 ,抗差岭型组合主成分估计不但能克服法方程系数阵病态性的影响 ,而且能有效地抵制观测值中精差的异常干扰 。

岭型组合主成分估计

本文提出了回归系数的一种新的改进估计——岭型组合主成分估计。讨论了它的可容许性、约束条件下的可容许性和相合性问题。分别在均方误差意义下和Pitman接近原则下,证明了在一定条件下,它优于最小二乘估计和岭估计,并且证明了它有比它们更好的抗干扰能力和稳健性。

均方误差准则下的几乎无偏Stein岭型主成分估计的优良性

将Stein岭型主成分估计利用几乎无偏估计思想进行优化,得到几乎无偏Stein岭型主成分估计.并考虑均方误差准则,得到了几乎无偏Stein岭型主成分估计优于最小二乘估计、Stein岭型主成分估计的充分条件.并通过数值实验证明在给定k或p时,几乎无偏Stein岭型主成分估计的均方误差与Stein岭型主成分估计的均方误差较为接近,且远大于最小二乘估计的均方误差.

主成分估计用于解算卫星线阵CCD影像外方位元素

在航天摄影测量卫星线阵CCD影像的外方位元素解算中,经常产生严重的病态性问题,如果采用最小二乘原理解算,其解明显偏离真值,甚至无法求得外方位元素,在分析以往解决办法的基础上,引入主成分估计来解算,并根据外方位元素解算问题的实际,提出了确定主成分估计中偏参数的3种方法,实验证明该方法稳定、有效。

多波束测深趋势面系数的主成分估计

在多波束测深趋势面滤波构建趋势面模型的过程中,其模型变量线性相关时,系数阵存在复共线性,因此将主成分估计的方法应用于趋势面模型系数的求解,从而避免了复共线性的影响,最后通过实测数据进行实验,分别利用最小二乘算法和主成分估计求解二次趋势面模型。比较计算结果,验证了主成分估计算法的有效性。

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.

基于主成分估计的自变量选择

研究了大型参数模型的模型选择问题 ,针对模型病态的情况 ,提出了基于主成分估计的自变量选择的Cp 准则 .应用于航天飞行器控制系统误差分离 ,以及外弹道跟踪测量系统误差估计 ,大量仿真计算与实测数据计算表明 ,运用该方法可以同时得到高精度的飞行器轨道参数、控制系统误差和外弹道测量系统误差的估计 .最后 。

基于主成分估计的2014年巴西世界杯足球赛各项技术指标与比赛结果的相关性分析

采用文献资料法、数理统计法等研究方法对第20届巴西世界杯足球赛各项技术指标与球队胜负的关系进行相关性分析,并分别比较分析足球进攻与防守的技术指标,结果显示:射门、射正、控球率、传球、角球5项是与比赛结果相关性最大的进攻性技术指标,而与比赛结果相关性最大的防守技术指标有拦截、黄牌和犯规3项;另外,抢断、控球率、传球与球队获胜场次关系最为密切.

回归系数的stein型主成分估计

对于设计阵Ｘ呈病态的线性回归模型，本文提出了一种新的关于回归系数的有偏估计─ｓｔｅｉｎ型主成分估计，并在均方误差意义下，论证了在一定条件下ｓｔｅｉｎ型主成分估计优于主成分估计，因此也优于ｓｔｅｉｎ型ＯＬＳ估计与ＯＬＳ估计，最后，我们又对偏参数的存在性，最优性进行了讨论，并得出了一些重要结论．

基于岭型主成分估计的最优与经典预测的最优性判别

针对有偏降维估计的预测问题,以岭型主成分估计为基础,对广义线性回归模型{y=Xβ+ε,ε-N(0,σ2∑)}的最优预测量与经典预测量的最优性判别问题进行讨论。借助矩阵不等式的一些性质,给出了离差矩阵和风险函数最小的判别准则下岭型主成分估计关于两类预测量最优性判别条件,为有偏降维估计关于两类预测量的最优性判别问题提供了一种方法和思路。

均方误差下岭型主成分估计的最优性

本文研究了在均方误差意义下岭型主成分估计在岭型降维估计类中的最优性.

岭型主成分估计下数据删除模型的强影响分析

文章讨论了在岭型主成分估计下的数据删除模型,得到了该模型与最小二乘估计下模型的诊断统计量之间的等价关系,在此基础上根据W-K统计量的思想提出了两种度量方法,并通过实例论证了该方法的可行性。

增长曲线模型中回归系数的广义岭型主成分估计

针对增长曲线模型中设计阵呈病态时,提出了一种有偏估计——广义岭型主成分估计:证明了通过选择适当的参数,使得该估计在均方误差(MSE)意义下改善了最小二乘估计和主成分估计,并且进一步得到了在MSE意义下该估计是可容许估计,最后得到该估计在广义岭型降维估计类中方差和最小。

多元线性模型回归系数的主成分估计

本文对多元线性模型回归系数提出了主成分估计，并证明了主成分估计优于最小二乘估计。进一步，对最小二乘估计的任一线性变换，给出了均方误差的一个无偏估计，并应用极小化均方误差的无偏估计的方法，给出了确定偏参数的公式。

多元线性模型系数的主成分估计及其筛选

在试验统计所涉及线性模型系数 β估计问题中 ,当观测值矩阵存在多重共线性 ,往往会导致通常意义下的回归分析失去实用价值 .此处提供 RMS和 AIC准则确定主成分并对模型中参数作出主成分估计 ,从而较大幅度地降低多重共线性 ,并减少了估计值的均方误差 。

抗差主成分估计在板块运动参数解算中的应用

为解决在采用空间大地测量数据求解板块运动欧拉参数过程中可能出现的矩阵病态问题,以及消除粗差对解算结果的影响,利用抗差主成分估计方法,采用IGG3方案的选权迭代方案对北美板块的2 577个台站进行检测,剔除包含粗差的异常站数据,求出欧拉参数最优解,并进行误差估计,建立北美板块的运动模型。计算结果表明,剔除异常台站前后精度有一定的提高,参数结果与其他模型的解算结果具有较强的一致性。