联立方程模型参数的主成分压缩估计

在外生变量设计矩阵X复共线时,证明了恰好识别的联立方程模型参数的间接最小二乘估计的均方误差变大的事实,为改善间接最小二乘估计的偏误,提出了参数的主成分压缩估计,并讨论了其优良的统计性质,数值模拟也验证了主成分压缩估计优于间接最小二乘估计.

齐次线性约束回归模型参数的主成分压缩估计

当设计矩阵X复共线时,对齐次线性约束回归模型参数的约束最小二乘估计进行改进,提出参数的主成分压缩估计,并对新参数估计的性质进行了讨论,最后进行了数值模拟,验证了算法的参数估计优于约束最小二乘估计.

压缩主成分估计

给出线性回归模型 Y =Xβ+εE(ε) =0 ,Cov(ε) =σ2 In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 。

压缩主成分估计的一些性质

讨论了压缩主成分估计的一些性质,证明了在一定条件下,此估计比最小二乘估计有更小的广义均方误差并且在PC准则下也优于最小二乘估计. 对Y的预测量做了比较.

基于压缩主成分估计的预测优良性的一个充要条件

本文在均方误差矩阵判别准则和风险函数的差别准则下,对广义线性模型的最优预测与经典预测的优良性进行比较分析,获得了比较基于压缩主成分估计的两类预测优良性的充要条件,并运用统计模拟对该充要条件进行了实证分析.

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.

线性模型中压缩主成分估计的若干性质

讨论了压缩主成分估计的若干性质,证明了在一定条件下此估计比最小二乘估计有更小的广义均方误差,并且在PC准则下也优于最小二乘估计.

基于压缩主成分估计的两类预测的最优性判别

本文以压缩主成分估计为基础,对广义线性模型的最优预测与经典预测的最优性判别问题进行了讨论,获得了在离差矩阵判别准则和广义风险函数判别准则下判断两类预测量最优性的一个充分条件,为进一步研究基于有偏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。

广义岭型压缩主分量估计及其优良性

对线性回归模型回归系数β,当设计阵X为病态时,提出一种新估计:广义岭型压缩主分量估计,它在MSE和GMSE准则下优于最小二乘估计,在均方误差准则下优于岭型压缩主成分估计,最后对它的可容许性进行了讨论。