线性模型参数的聚集改进广义Liu估计的相对效率

对于聚集数据的线性模型,给出了参数β的聚集改进广义Liu估计,研究了该估计相对于最小二乘估计及相对于Peter—Karsten估计的两种相对效率,并得到了相对效率的上界.实例分析表明,聚集改进广义Liu估计比最小二乘估计、Peter—Karsten估计更有效.

聚集数据线性模型广义聚集综合双参数改进估计的相对效率

针对聚集数据的复共线性模型过于强调岭估计在参数的稳定性,但参数的无偏性方面被忽视了。利用Stein压缩理论,根据广义Liu型估计方法,给出聚集数据线性模型广义聚集综合双参数改进估计的界说,研究聚集数据线性模型广义聚集综合双参数改进估计的优良性,论证此类改进估计两种相对效率的上界限问题。

聚集数据线性模型广义聚集双参数改进估计的相对效率

针对病态的聚集数据模型,基于Liu型和Stein压缩参数估计方法,提出了聚集数据线性模型广义聚集双参数改进估计的概念,讨论了广义聚集双参数改进估计的优良性,证明了广义聚集双参数改进估计代替最小二乘法估计和Peter&Karsten估计的效率,并得到了两种相对效率的上界.

聚集数据广义线性模型参数的估计

对于聚集数据的广义线性模型:Y=Xβ+u,Eu=0,Var(u)=σ2∑,提出了二种有偏估计:岭估计β(k)与改进岭估计β(k)。在均方误差意义下,研究了它们的优良性,并将岭估计与改进岭估计进行了比较,推广了有关文献中的结果。

聚集数据线性模型参数的改进广义岭估计的相对效率

对于聚集数据的线性模型,给出了参数的改进广义岭估计,并提出了改进广义岭估计的两种相对效率,得到了这两种相对效率的上界.

聚集数据线性模型参数的聚集改进Liu估计的相对效率

对于聚集数据的线性模型,本文给出了参数β的聚集改进Liu估计,研究了该估计相对于最小二乘估计和相对于Peter-Karsten估计的两种相对效率,并得到了相对效率的上界.

聚集数据线性模型参数的广义聚集Liu估计的相对效率

对于聚集数据的线性模型,给出了广义聚集Liu估计的两种相对效率,并得到了这两种相对效率的上界.

聚集数据线性模型的聚集广义改进双参数估计的相对效率

对于聚集数据的线性模型，提出了聚集广义改进双参数估计的概念，给出了聚集广义改进双参数估计的两种相对效率，并得到了这两种相对效率的上界．