线性模型中压缩主成分估计的若干性质

讨论了压缩主成分估计的若干性质,证明了在一定条件下此估计比最小二乘估计有更小的广义均方误差,并且在PC准则下也优于最小二乘估计．     

非齐次等式约束线性回归模型回归系数的广义条件岭估计

时非齐次等式约束线性回归模型回归系数提出广义条件岭估计.证明了在一定的条件下,在均方误差矩阵、均方误差及广义均方误差意义下,广义条件岭估计都优于约束最小二乘估计和狭义条件岭估计.     

广义岭估计的效率

本文讨论了Guass-Markov模型中未知参数的LSE^↑β的改进,引入了一种估计的相对效率,证明了广义岭估计比（狭义）岭估计的效率较高。     

约束线性回归模型回归系数的广义条件岭估计

对齐次等式约束线性回归模型回归系数的岭估计进行推广,得出广义条件岭估计．证明了在一定的条件下,在均方误差矩阵、均方误差及广义均方误差意义下广义条件岭估计都优于约束最小二乘估计,并且证明了广义条件岭估计是回归系数的可容许估计．     

病态线性回归模型系数的主成分——岭估计

本文针对岭估计和主成分估计的不足,从模型病态的根本原因出发,将模型分解成两个线性回归模型,对参数的两部分分别采用LS估计和岭估计,从而定义了一个新的估计,即主成分—岭估计.通过研究该估计的性质,证明了在均方误差意义下,主成分—岭估计优于岭估计、0-c型岭估计和0-K型广义岭估计,从而为病态线性回归模型系数的估计提供了一种改进的技术途径.1.引言考虑线性回归模型:y=Xβ+e,E(e)=0,Cov(e)=σ2In.(1.1)     

非齐次等式约束线性回归模型回归系数的条件岭型估计

对非齐次等式约束线性回归模型提出一种有偏估计,即条件岭型估计,证明了在一定的条件下,在均方误差及均方误差矩阵意义下都优于回归系数的约束最小二乘估计,并给出了两次随机数据模拟的结果,模拟数据结果表明在一定的条件下,条件岭型估计优于最小二乘估计.     

岭型主成分估计在降维估计类中的最优性

研究岭型主成分估计在岭型降维估计类中的性质,在不同的条件下,证明了岭型主成分估计有某些最优性质。     

一元线性模型回归系数的一种广义估计

采用广义估计β（K）=[X′X)^-1-QKQ′（X′X）^-2]X′y估计一元线性模型中的回归系数β,通过K值的选取,可使β（K）的均方误差MSE小于β的LS（最小二乘）估计β＊的MSE。     

广义岭估计优于LS估计的一个充分条件

本文对线性回归模型给出了其参数β的广义岭估计优于LS估计的一个充分条件,从而把文献[1]中,岭估计优于LS估计的充分条件统一起来     

一般广义岭估计的效率上界

考察一般Gauss-Markov模型中未知参数向量的最优线性无偏估计的改造问题,讨论了方兴等人提出的最优化无偏估计的一种估计的相对效率,把该文中给出的一般岭估计的相对效率的上界,推广到一般广义岭估计的相对效率的上界.yh     

一般Gauss-Markov模型中参数岭估计的可容许性的一个证明

讨论一般Gauss-Markov模型中参数岭估计的有关问题，并在均方误差矩阵意义下，证明了一般岭估计在线性估计类中是否容许估计。     

线性回归模型的一种有偏估计

在线性回归模型Y=Xβ+ε;E(ε)=0;cov=σ2Σ;Σ>0下给出了有偏估计β*(K,d)=(XTΣ-1X+K)-1(XTΣ-1Y+dβ*),其中K>0,d>0为参数,β*表示线性回归模型的广义最小二乘估计,讨论了这种有偏估计的优良性质,得出了主要结论.     

广义加权函数平均组合预测模型参数估计方法

提出一种新的组合预测模型--广义加权函数平均组合预测模型, 并利用二次规划算法给出其加权系数的2种不同的参数估计方法. 最后, 以预测实例说明了模型的有效性并对2种参数估计方法进行了比较, 得到一个对参数估计方法进行正确应用的有用结论.