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。

聚集数据线性模型一种有偏估计

文章对病态的聚集数据模型,提出了新的有偏估计,其中对模型中的参数要求大于零。讨论了这种新的有偏估计的优良性,证明了此估计改进了岭估计(均方误差意义下),推广了已有的结果。

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.

聚集数据线性模型参数的广义聚集压缩双参数估计

主要讨论聚集数据线性模型的参数估计问题.在广义聚集双参数(GADP)估计的基础上利用协方差改进法提出了改进广义聚集双参数(IGADP)估计.然后又结合IGADP估计和Stein估计,提出了广义聚集压缩双参数(GACDP)估计.此外,在均方误差准则下,导出了GACDP估计优于IGADP估计、广义聚集双参数(GADP)估计、改进广义岭(IGR)估计及改进P-K(IPK)估计的充分条件.最后通过数值模拟分析验证了所得理论结果.

聚集数据非线性模型中的拟得分函数

本文定义了聚集数据非线性模型中的拟得分函数 ,从投影似然、均方误差和Fisher信息等方面证明了它的最优性 .