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)     

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。     

线性模型的广义岭型组合主成分估计

对设计阵X呈病态的线性回归模型,提出回归系数有偏估计的一种广义岭型主成分估计.均方误差意义下,在一定条件下它优于岭型主成分估计、Stein型主成分估计.证明了它的可容许性和较强的抗干扰性以及Pit-man准则下的优良性.     

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.     

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．     

最小二乘估计相对于岭估计的效率下界

考察一般Gauss-Markov模型中未知参数向量β的岭估计的优良性质,在文献[1]提出的估计(~β)相对于估计(^β)的(相对)效率e((~β)|(^β))下,进一步讨论了最小二乘估计(LSE)相对于岭估计的效率下界,得到更好的结果.证明了:当X呈病态时,采用些估计以损失无偏性来换取更小的均方误差是可取的.     

随机Volterra型非线性积分方程的一种拟似解法

讨论了随机Volterra型非线性积分方程x(t,w)-∫^tK(t,w)f(t,x(t,w))dt=y(t,w)的一种近似解法，并给出了这个近似解的误差估计。     

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.     

一类时滞微分方程周期解的存在性

采用更精确的先验估计,利用重合度理论研究了Duffing型微分方程ax(t)=bx(t) g(x(t-τ)=p(t),获得此方程至少存在一个2π-周期解的充分条件。     

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     

统一有偏估计的Pitman优良性

估计量的优良性是回归模型中的重要内容.本文讨论了在Pitman准则下,岭估计与Stein压缩估计的优良性,得到了岭估计优于Stein压缩估计的一个充分条件.     

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。     

岭型主相关估计的方差最优性

研究回归系数岭型主相关估计在降维估计类中的方差最优性,证明它的方差阵最小,方差阵的特征值最小,并讨论它的方差在正交不变范数意义下的最小性及方差的最值性。     

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。     

岭型主相关估计的方差最优性

研究回归系数岭型主相关估计在降维估计类中的方差最优性,证明它的方差阵最小,方差阵的特征值最小,并讨论它的方差在正交不变范数意义下的最小性及方差的最值性。     

数据删除模型和均值漂移模型对岭估计的影响

本文建立了回归系数的岭估计和数据删除模型及均值漂移模型的岭估计之间的关系,发现数据删除模型和均值漂移模型对岭估计的影响是不一致的。于是这两种模型有关参数的统计性质不同,其统计诊断的效果也是不同的。     

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     

一般广义岭估计效率的更优下界

考察一般Gauss-Markov模型中未知参数向量β的一般广义岭估计的优良性质。对最小二乘估计相对于一般广义岭估计效率的下界问题作进一步的探讨,得到其更优的下界．     

呈现病态的设计矩阵之下回归系数的优化估计

在均方误差(MSE)准则下,给出了设计矩阵呈现病态时回归系数的分段优化估计,以及扩大了狭义岭估计类的范围.     

一般岭估计与BLUE的一个新的相对效率

考虑了Gauss—Markov模型中未知参数向量p的最佳线性无偏估计的改进问题,对一般岭估计与BLUE进行了比较,给出了一般岭估计与BLUE的一种新的相对效率e,并导出了e的下界．