线性回归的几乎无偏两参数岭M估计

针对线性回归模型中设计矩阵存在复共线性问题,利用几乎无偏估计和两参数岭估计的思想,提出了几乎无偏两参数岭M估计。在均方误差准则下,得到了几乎无偏两参数岭M估计优于两参数岭M估计、几乎无偏两参数岭估计,并通过数值模拟验证了估计方法和结论的有效性。

混合系数线性模型的几乎无偏岭估计

本文研究了连续测量数据情况下的混合系数线性模型的参数估计问题.利用岭估计方法得到了该模型的几乎无偏岭估计,并证明了在均方误差意义下,几乎无偏岭估计优于岭估计.最后讨论了有偏参数的选取问题.

部分线性变系数模型的加权混合几乎无偏岭估计

文章研究随机线性约束条件下部分线性变系数模型的参数估计问题。为了克服多重共线性,融合Profile最小二乘估计、几乎无偏岭估计和加权混合估计构造了回归模型参数分量新的加权混合几乎无偏岭估计,并在均方误差矩阵准则下给出新估计量优于加权混合估计和几乎无偏岭估计的充要条件,最后通过数值模拟验证了所提出估计量的有限样本性质。

线性模型中的加权混合几乎无偏两参数估计

主要讨论了随机约束线性模型的有偏估计问题,提出了一种新的加权混合几乎无偏两参数估计.证明了加权混合几乎无偏两参数估计在二次偏差的准则下优于加权混合两参数估计,并给出了在均方误差矩阵准则下新估计优于其他相关估计的充要条件.

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.

半变系数模型的几乎无偏岭估计探讨

文章研究了具有多重共线性的半变系数模型的估计问题,基于轮廓最小二乘方法给出了半变系数模型的几乎无偏岭估计。证明几乎无偏岭估计在偏与均方误差意义下优于岭估计,并用数值模拟算例说明了几乎无偏岭估计的有效性和可行性。

混合系数线性模型参数的几乎无偏LIU估计

该文研究了连续测试数据情况下的混合系数线性模型的参数估计问题.提出了混合系数线性模型参数的几乎无偏LIU估计,研究了参数估计的性质,并证明了在一定条件下此估计优于最小二乘估计、几乎无偏岭估计和LIU估计,最后还讨论了新估计的可容许性和有偏参数的选取方法.

生长曲线模型的几乎无偏岭估计

本文用几乎无偏岭估计来估计生长曲线模型中的回归系数,表明了在均方误差意义下,几乎无偏岭估计优于岭估计,并通过实例验证了该结果。

Gamma回归模型的几乎无偏岭估计

针对Gamma回归模型的复共线性,文章提出Gamma回归模型的几乎无偏岭估计。研究了几乎无偏岭估计与极大似然估计之间的线性关系,证明了几乎无偏岭估计是一种压缩估计。在均方误差准则下,讨论了几乎无偏岭估计的均方误差关于参数k的函数性质,并给出了几乎无偏岭估计优于极大似然估计和普通岭估计的存在性定理。最后讨论了最优几乎无偏岭参数的一种取值方法。通过Monte Carlo模拟,证明了所提出几乎无偏岭估计和最优几乎无偏岭参数的优良性。

混合系数线性模型的几乎无偏s-K估计

在连续测量数据情况下,给出了混合系数线性模型的几乎无偏s-K估计,讨论了该估计的相关性质,并在一定条件下证明了几乎无偏s-K估计优于s-K估计以及几乎无偏岭估计.

测量误差数据下线性模型的几乎无偏岭估计

文章讨论带测量误差的线性模型中参数估计的问题.当带测量误差的线性模型存在复共线的时候,通过几乎无偏估计的思想,提出了几乎无偏岭估计,并对估计的性质进行分析.通过研究发现几乎无偏岭估计不但能克服复共线性,同时有比较小的均方误差.

加权混合估计中权值的确定方法

综合了大地测量中各种异方差多源观测模型和联合平差方法,说明了混合估计方法可以用于测量数据融合,平衡附加信息和样本信息对参数估计的影响。通过求取权值使参数估计的协方差阵的迹最小的方法,给出了一个权的最优选择方法。本文扩展了已有的加权混合估计方法,使得新方法中的权不受验前单位权方差的限制,能有效应用于大地测量数据处理。

平衡损失函数下几乎无偏估计的统计性质

在平衡损失函数下,讨论线性回归模型中几乎无偏Liu估计与几乎无偏Stein岭型主成分估计的统计性质.分别给出几乎无偏Liu估计与几乎无偏Stein岭型主成分估计在平衡损失函数下的风险,并在不同条件下讨论这两种风险的关系.

基于混合地理加权Fay-Herriot模型的小域估计

作为一类区域层次模型, Fay-Herriot模型在小域估计中已经得到广泛的应用,这类模型假定各区域的直接估计是空间不相关的.很多情况下这个假定是不成立的,因此一些考虑空间效应的Fay-Herriot模型被提出.本文基于混合地理加权回归模型提出一类新的Fay-Herriot模型用以刻画空间非平稳性,基于提出的模型,给出小域目标参数的经验最佳线性无偏预测估计量,并研究了该估计量的均方误差.最后通过数值模拟验证了所提方法的有效性.

一种基于随机约束线性模型的参数有偏估计

文章讨论了随机约束线性模型的参数估计问题,提出了一种新的几乎无偏加权混合岭估计方法。证明了在二次偏差准则下新估计优于加权混合岭估计,并分析了在均方误差矩阵准则下所提出的有偏估计优于加权混合岭估计的充要条件。

半参数回归模型的几乎无偏岭估计

提出了半参数回归模型的几乎无偏岭估计,并与岭估计进行了比较,在均方误差意义下,几乎无偏岭估计优于岭估计,然后讨论了有偏参数的选取问题,最后,用模拟算例和实际应用说明了几乎无偏岭估计的有效性和可行性。

均方误差意义下AUGR估计与GR估计及OLS估计的效率比较

在均方误差意义下,从均方误差的结构出发,从局部的角度比较了几乎无偏广义岭估计与广义岭估计、几乎无偏广义岭估计与最小二乘估计,给出了几乎无偏广义岭估计优于广义岭估计以及几乎无偏广义岭估计优于最小二乘估计的充分条件.