线性回归模型系数Stein估计的改进研究

针对线性回归模型病态的根本原因,提出了一类新的估计———c-k型估计,将岭估计与Stein估计统一到一个估计类;研究了这一估计类,证明利用岭回归技术可以改进著名的Stein估计(在均方误差意义下);同时研究了相应参数的最优值,分别给出了它的一个上界及下界,为病态线性回归模型系数的有偏估计提供了改进的技术途径.

混合系数线性模型参数的Stein估计

在连续测量数据情况下，对混合系数线性模型给出了固定系数和随机系数的两种形式的Ｓｔｅｉｎ估计，并证明了在均方误差意义下，Ｓｔｅｉｎ估计要优于ＬＳ估计，最后还讨论了Ｓｔｅｉｎ压缩系数的选取方法．

混合系数线性模型参数的局部Stein估计

对于混合系数线性模型，当系数矩阵趋于病态即系数矩阵的某些特征根趋近于零时，定义了一种新的参数估计一局部Stein估计，并且证明了该估计是压缩有偏估计。同LS估计相比，该估计还具有较小的均方误差。

多元广义Stein估计及其优良性

对于多元正态线性模型 ,采用极小化均方误差的方法得到了回归系数的一种非线性有偏估计 ,即多元广义Stein估计 ,给出了它的偏差及其均方误差的渐近展开式。在均方误差意义下 ,当误差干扰充分小 (σ→ 0 )时 ,得到了该估计优于 L

约束线性模型系数的岭型Stein估计及其最优预测

文章提出基于齐次等式约束下的线性模型系数的约束岭型Stein估计,并和约束最小二乘估计(RLSE)进行了比较,在均方误差准则下得到了约束岭型Stein估计优于RLSE的充分条件。然后,就基于约束岭型Stein估计的预测量与RLSE的预测量的最优性判别问题进行了讨论,得到了在风险函数意义下约束岭型Stein估计的预测量优于RLSE的预测量的充分条件。通过实证分析,进一步验证了在一定条件下约束岭型Stein估计优于RLSE。

约束线性模型系数的岭型Stein估计及最优预测

文章提出基于齐次等式约束下的线性模型系数的约束岭型Stein估计,并和约束最小二乘估计(RLSE)进行了比较,在均方误差准则下得到了约束岭型Stein估计优于RLSE的充分条件。然后,就基于约束岭型Stein估计的预测量与RLSE的预测量的最优性判别问题进行了讨论,得到了在风险函数意义下约束岭型Stein估计的预测量优于RLSE的预测量的充分条件,通过实证分析,进一步验证了在一定条件下约束岭型Stein估计优于RLSE。

约束岭型Stein估计在PC准则下的优良性

文章提出了在约束线性模型下的约束岭型Stein估计,给出了一些简单性质;并基于Pitman Close-ness(PC)准则,证明了在一定的条件下,约束岭型Stein估计优于约束最小二乘估计(RLSE),并用Matlab数值实验验证了约束岭型Stein估计更优的结论。

协方差扰动模型Stein估计的影响分析

本文建立了协方差扰动模型Stein估计与G-M模型Stein估计、数据删除模型Stein估计的关系,推出了Stein估计基于有偏估计的广义Cook距离。

两步Stein估计及其在Pitman准则下的相对优良性

在参数估计问题中,通常会遇到这样一类估计,在它们的表达式中含有未知参数,于是在实际应用中将该未知参数用其某一估计代替从而产生了两步估计,但是该两步估计在原来所依据的准则下一般不再具有优良性质;而本文目的是从保护的角度,试图在其它准则下解释两步估计的优良性.我们以两步Stein估计为例,给出了它在Pitman准则下仍具有优良性的结果.

基于Stein估计的谐波源定量分析方法

本文是基于一种贴近实际电网的仿真模型,利用Stein估计的方法进行谐波发射水平的评估,从而进行谐波源责任的划分。通过系统侧戴维南等值电路与用户侧诺顿等值电路,利用电网参数复数关系得到回归方程。根据Stein估计原理计算压缩系数,建立了谐波发射水平定量分析计算模型,从而进行责任划分。最后通过仿真验证了该方法的有效性。

基于观测方差的加权Stein估计

Whittemore(1989)针对在各观测点等误差的情形提出了一种参数估计的方法,其基本思想是:当观测误差来自方差已知的高斯分布时,用带有观测误差的观测样本的Stein估计代替不可观测的协变量的真实值.对于各观测误差的方差不相等的情况,提出了基于观测方差的加权估计方程的概念,并通过数据模拟证明了由加权估计方程解出的估计(记为加权的Stein估计)的优越性.

多元线性模型回归系数的Stein型估计

本文对多元线性模型的回归系数提出了Stein型估计,可使其MSE小于LS估计。分析了选取参数矩阵K的MSE准则存在的缺陷,于是应用Q(C)准则克服这些缺陷。从理论上证明了Q(C)准则的优良性,并给出了确定C的方法。

平衡损失下回归系数stein压缩估计的性质

在平衡损失风险函数准则下,研究线性模型中回归系数的stein估计优于最小二乘估计(LS)的充分必要条件,然后在pitman closeness(PC)准则下比较了stein估计相对于最小二乘估计的优良性。

一种基于Stein无偏风险估计的复合去噪算法

针对统计非局部均值滤波损坏图像的细节与鲁棒性双边带滤波去噪不充分的缺点,提出了一种基于统计非局部均值滤波与鲁棒性双边带滤波相结合的复合滤波算法。该复合滤波算法通过统计非局部均值滤波与鲁棒性双边带滤波线性组合,利用Stein无偏风险估计对复合算法中的参数进行估计。实验中,从主观与客观方面进行对比分析,证明所提出的复合算法体现了非局部均值滤波与双边带滤波的优点,能有效地去除噪声并更好地保留图像的细节信息,峰值信噪比提高1-2 d B。

回归系数的stein型主成分估计

对于设计阵Ｘ呈病态的线性回归模型，本文提出了一种新的关于回归系数的有偏估计─ｓｔｅｉｎ型主成分估计，并在均方误差意义下，论证了在一定条件下ｓｔｅｉｎ型主成分估计优于主成分估计，因此也优于ｓｔｅｉｎ型ＯＬＳ估计与ＯＬＳ估计，最后，我们又对偏参数的存在性，最优性进行了讨论，并得出了一些重要结论．

多元正态分布熵的Stein型和Brester-Zidek型估计

基于一些随机样本,在Linex损失下估计期望及方差阵都未知的多元正态分布的熵。在仅依赖于|S|的估计类中,熵的最优仿射同变估计δc*是可容许估计,但在一些范围更大的估计类中,δc*是不可容许估计。文章首先用Stein型估计δ?ST去改进δc*,但Stein型估计不是光滑的,然后用具有光滑性的Brester-Zidek型估计去改进δc*,进一步研究知Brester-Zidek估计是可容许估计,也是Bayes估计。

半相依回归系统参数的Stein型主成分改进估计

将S tein压缩思想与主成分改进估计相结合,研究两个半相依回归系统.当设计阵呈病态时,提出S tein型主成分改进估计,同时,给出当V未知时的两步估计.证明在均方误差意义下,S tein型主成分改进估计局部优于主成分改进估计和协方差改进估计.

Stein岭型主成分估计下的单个数据删除模型的研究

在Stein岭型主成分估计下对单个数据删除模型进行研究,推广有偏估计下的数据删除模型的强影响分析,讨论线性模型与数据删除模型的估计量之间的关系,并在前人基础上提出了CRi统计量、APi统计量、Di统计量新表达式,并用诊断统计量来识别强影响点,并以实例验证合理性。

Stein岭型主成分估计下多个数据删除模型的强影响分析

基于Stein岭型主成分估计下研究多个数据删除模型,探讨数据删除模型估计量的有关性质,并给出了多个数据删除模型的CRi统计量、APi统计量、Di统计量的新表达式.

协方差阵扰动对Stein岭型主成分估计的影响分析

针对线性回归模型中协方差阵扰动对Stein岭型主成分估计β(P)G的影响问题进行研究.证明了β(P)G的某种极限是数据删除模型的Stein岭型主成分估计;建立了β(P)G与G-M模型的Stein岭型主成分估计β(P)之间的关系;定义了度量扰动影响的距离测度DG,并给出了DG的多种计算式;最后通过实例验证其有效性.