岭型组合主成分估计的优良性

本文研究了岭型组合主成分估计（ＲＣＰＣＥ）的优良性，证明了在均方误差（ＭＳＥ）意义下，在参数空间的局部范围内，它优于最小二乘估计（ＬＳＥ）和岭估计（ＲＥ），并应用Ｈｅｍｍｅｒｌｅ—Ｂｒａｎｔｌｅ选择岭参数的方法给出了岭参数ｋ的选取公式．最后结合实例应用了此公式，其结果说明本文给出的确定岭参数的公式是合适的，结果令人满意．

增长曲线模型回归系数的组合主成分估计

本文提出了增长曲线模型回归系数的一种新的有偏估计——组合主成分估计,在一定条件下证明了此估计优于最小二乘估计且是可容许估计,进一步,给出了这种估计与文献[4]中提出的主成分估计的关系。

线性模型的广义岭型组合主成分估计

对设计阵X呈病态的线性回归模型,提出回归系数有偏估计的一种广义岭型主成分估计.均方误差意义下,在一定条件下它优于岭型主成分估计、Stein型主成分估计.证明了它的可容许性和较强的抗干扰性以及Pit-man准则下的优良性.

多元线性模型参数的组合主成分估计

本文对多元线性模型的参数β=vec（B）提出了一种新的主成分估计─—组合主成分估计β，得到了它的一些良好的性质，证明了在均方误差准则下，在一定的条件下，此估计优于最小二乘估计（LSE），并给出了实例．

增长曲线模型回归系数的岭型组合主成分估计

本文提出了增长曲线模型回归系数的一种新的改进估计.讨论了它的优良性,证明了参数区域的某个椭球内,这种新的估计优于最小二乘估计,且在均方误差的意义下是可容许估计。

岭型-组合主成分估计

提出了线性模型回归系数的一种新的估计——岭型组合主成分估计 ,讨论了岭型组合主成分估计的可容许性、优良性等性质 。

岭-主成分组合估计及其在测量平差中的应用

在分析岭估计缺陷的基础上,运用主成分估计方法,提出了测量平差Gauss-Markov模型参数的一个新的有偏估计,称为岭-主成分组合估计,在均方误差意义下讨论了岭-主成分组合估计的优良性质及其岭-主成分组合估计与岭估计、主成分估计的比较问题,讨论了岭-主成分组合估计中偏参数的选取问题,得到了许多重要结论。理论分析和计算结果都表明,岭-主成分组合估计是一类很有潜力的有偏估计。

MSE准则下岭-主成分组合估计与LS估计的比较与选择

研究了测量平差Gauss-Markov模型中岭-主成分组合估计与LS估计的比较与选择问题。首先在均方误差(MSE)准则下对岭-主成分组合估计与LS估计进行了比较,得到了岭-主成分组合估计优于LS估计的椭球条件;然后运用MonteCarlo方法对这些条件进行了假设检验;最后通过数值实验说明,在一定显著性水平下当原假设被接受时,可采用岭-主成分组合估计对LS估计做出比较有效的改进,当原假设被拒绝时,应该仍采用LS估计。

岭型主成分估计与岭估计在抗差中的对比

岭估计主要用于减弱或消除数据呈病态性对参数估值的影响,但它依然存在缺陷,本文在岭估计的缺陷上,运用主成分估计方法,对平差Gauss-Markov参数模型进行改进,提出来一种新的有偏估计方法,称为岭型主成分组合估计,对岭型主成分组合估计、岭估计与最小二乘估计做了比较。结果表明数据呈严重病态时,岭型主成分组合估计和岭估计均方误差都小于LS估计,且岭型主成分组合估计的均方误差最小,表明岭型主成分组合估计和岭估计一样都可以改善LS估计,且其效果还优于岭估计。

回归系数的一种有偏估计

为了改进最小二乘估计,克服其在设计阵呈病态时表现出的不可靠性,本文将最小二乘估计、Stein型估计和组合主成分估计的方法联合起来,提出了多元线性模型回归系数的一种新的有偏估计.并且证明了:此种估计在均方误差意义下是可容许估计;在参数区域的某个椭球内,这种新的估计优于最小二乘估计、主成分估计和组合主成分估计.