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.

压缩型抗差估计

讨论了测量平差中粗差和病态性同时存在时的参数估计问题。针对抗差估计不能抗拒病态性干扰的缺点 ,运用有偏估计的压缩变换方法 ,提出了一种新的估计——压缩型抗差估计 ,理论分析和模拟计算表明 ,新估计不但能有效地减免粗差的影响 ,而且能显著地消除病态性的干扰 ,是一种性能良好的估计。

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．

Gauss-Markov模型的广义压缩t型估计

t型估计的基本思想是以t分布刻画误差分布,可从形式上得到t型估计解的等价权形式,但t型估计不能抵抗病态性的缺点。针对这一缺点,利用广义压缩型抗差估计的思想,对t型估计位置参数的解进行压缩,得到了广义压缩t型估计,并讨论了广义压缩t型估计的具体形式、偏参数选取、迭代方案等。算例证实了该方法的有效性。

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.

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。

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.

探讨回归系数的stein型主成分估计问题

设计阵X呈病态的线性回归模型,给出一种新的关于回归系数的有偏估计,即stein型主成分估计,且对偏参数的存在性,最优性进行了一些探讨。

半相依回归系统的Stein型广义岭型主成分改进估计

对于一类半相依回归系统,将Stein压缩思想与广义岭型主成分改进估计相结合,提出Stein型广义岭型主成分改进估计,并且讨论这种估计及其相应的两步估计的优良性质.

岭型压缩主成分估计及其性质

本文定义了一类新的降维估计，称之为岭型压缩主成分估计。证明了，当参数满足一定条件时，它比主成分估计，岭型主成分估计及最小二乘估计有较小的均方误差。

回归系数的stein型广义主相关估计

根据主相关估计的思想,针对广义线性模型,本文给出了一种新的回归系数的有偏估计——广义主相关估计,并将其与stein型压缩估计相结合,提出stein型广义主相关估计,在均方误差的意义下考虑其特性,对偏参数的范围予以讨论.

广义岭型压缩主分量估计及其优良性

对线性回归模型回归系数β,当设计阵X为病态时,提出一种新估计:广义岭型压缩主分量估计,它在MSE和GMSE准则下优于最小二乘估计,在均方误差准则下优于岭型压缩主成分估计,最后对它的可容许性进行了讨论。

线性回归模型系数岭估计的改进研究

对作者提出的c-k型估计,进行了进一步的研究.证明利用Stein式压缩技术可以改进岭估计(在均方误差意义下);同时给出了参数的最优值满足的条件.证明了c-k型估计的可容许性.文中的方法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.

Gauss-Markov模型参数的部分根方估计

在分析根方估计、Stein均匀压缩估计、Sclove部分压缩估计各自特点的基础上,提出了一种新的有偏估计部分根方估计,并讨论了它的优良性质。计算结果表明,在设计阵呈病态时,部分根方估计确能改善LS估计。

混合系数线性模型岭估计的改进研究

对病态的混合系数线性模型Z(t)=[X(t)]′α+[Y(t)]′β提出了一类新的估计h-K型估计.讨论了此种估计的相关性质,证明了利用Stein式压缩技术可以改进岭估计(在均方误差意义下);同时给出了参数的最优值满足的条件,分别给出了它的上、下界,证明了h-K型估计的可容许性.

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．

方差分量模型中回归系数的线性Minimax估计

定义了三种不同的Minimax估计.在矩阵损失下得到了方差分量模型的回归系数(分别是在齐次线性估计类和非齐次线性估计类中)的线性Minimax估计.结果表明,Minimax估计是压缩型估计.

混合系数线性模型h-K型岭估计的改进研究

文章对病态的混合系数线性模型Z(t)=[X(t)]′α+[Y(t)]′β提出一类新的估计h-K型估计,讨论此种估计的相关性质,利用Stein式压缩技术证明了可以改进岭估计(在均方误差意义下);同时给出参数的最优值满足的条件,证明h-K型岭估计的可容许性.