多因变量多元线性模型主成分型预测的最优性判别

针对多因变量多元线性模型有偏预测问题,结合主成分估计,构造主成分型预测量。通过主成分型预测与最优线性无偏预测的最优性判别问题进行分析,分别得到了主成分型预测在R(i)(·)准则、MDE-准则及RT(·)下优于最优线性无偏预测的充分条件。结果表明,在一定条件下,有偏的主成分型预测优于最优线性无偏预测。     

指数分布危险函数渐近最优的经验Bayes估计——Ⅱ型截尾情形

对Ⅱ型截尾情形的指数分布在平方损失下获得了其危险函数的Bayes估计,并构造了相应的经验Bayes(EB)估计,证明了所提出的EB估计是渐近最优的.     

线性混合模型中方差分量的经验Bayes检验

给出了含有2个方差分量的线性混合模型中方差分量的Bayes检验的判决函数,利用核估计的方法,构造了相应的经验Bayes(EB)检验的判决函数.在适当的条件下证明了EB判决函数是渐近最优的且有收敛速度.举例验证了定理的正确性.     

多元联合回归估计

本文提出了多元线性模型回归系数的一种新的有偏估计-联合回归估计。在一定条件下，证明了此种估计优于最小二乘估计，主成份估计和组成主成分估计，且在均方误差意义下是可容许估计。     

线性经验Bayes估计的渐近性质

本文讨论了线性Bayes估计和线性经验Bayes估计的若干性质。在适当条件下,证得了线性经验Bayes估计和它的条件Bayes风险的精确渐近结构。最后,通过实例研究了线性Bayes估计和一般Bayes估计。     

增长曲线模型中回归系数的广义岭型主成分估计

针对增长曲线模型中设计阵呈病态时,提出了一种有偏估计--广义岭型主成分估计:证明了通过选择适当的参数,使得该估计在均方误差(MSE)意义下改善了最小二乘估计和主成分估计,并且进一步得到了在MSE意义下该估计是可容许估计,最后得到该估计在广义岭型降维估计类中方差和最小.     

回归系统广义岭型主成分两步估计的优良性质

针对两步估计问题,在设计阵成病态的情形下,探讨了残差变量相关的多个方程回归系统如何转化为一般线性模型;与有偏估计相结合,得到该方程系统未知参数的估计模型———m 个相关方程回归系统的广义岭型主成分有偏两步估计;证明了该估计在相对效率的意义上比一般的两步估计、主成分两步估计、岭型主成分两步估计的效率高.     

Linex损失下E·B估计的收敛速度

基于弱平稳同分布正相协（PA）样本,对一类单边截断型分布族在Linex损失下获得了位置参数的Bayes估计,并构造了相应的经验Bayes（E.B）估计,证明了该估计是渐近最优的并且获得了它的收敛速度,最后给出适合定理条件的一个例子.     

岭型主成分估计的优良性质

用线性回归模型的一种有偏岭型主成分估计,证明岭型主成分估计在MSE和GMSE准则下优于最小二乘估计,而且比主成分估计更有效,在协方差阵准则下优于最小二乘估计.并且进一步得到了在均方误差意义下岭型主成分估计是可容许估计.     

增长曲线模型回归系数的联合回归估计

提出了增长曲线模型回归系数的一种新的有偏估计——联合回归估计.在一定条件下,证明了此种估计优于最小二乘估计,主成分估计和组合主成分估计,且在均方误差意义下是可容许估计.     

Pareto分布参数的Bayes估计

文章主要研究了Pareto分布的参数估计。在平方损失函数下给出了Pareto分布参数的Bayes估计,并且证明了这一估计是可容许的。在Q-对称熵损失函数下,讨论了Pareto分布参数的Bayes估计。     

Entropy损失函数下两参数指数威布尔分布尺度参数的Bayes估计及其性质

在Entropy损失函数下,利用构造多层先验分布的方法求出了指数威布尔分布参数的多层Bayes估计,然后根据经验Bayes估计的思想,利用密度函数的核估计方法,构造了参数的经验Bayes估计并证明了该估计的渐进最优性和可容许性,最后运用随机模拟,将其与平方损失函数下的Bayes估计以及极大似然估计(MLE)进行了比较,结果表明:Entropy损失下的Bayes估计较后两种估计好.     

多元线性模型回归系统的可容许性

考虑在多元线性模型中回归系数齐次线性估计的可容许性，从统计意义出发给上种新的比较准则。在一般多元线性模型下，证明了这些可容许性在齐次线性估计类中并不是一致的，但可把它们分为三个一致类，并得到了各类的容许估计的充检条件，当模型国为特殊时，得到了这些容许性在齐次线性估计类中是一致的结论及其共同的容许估计的充要条件。     

多元线性模型回归系数的可容许性

考虑在多元线性模型中回归系数齐次线性估计的可容许性．从统计意义出发给出了四种新的比较准则．在一般多元线性模型下，证明了这些可容许性在齐次线性估计类中并不是一致的，但可把它们分为三个一致类，并得到了各类的容许估计的充要条件．当模型较为特殊时，得到了这些容许性在齐次线性估计类中是一致的结论及其共同的容许估计的充要条件．     

增长曲线模型回归系数的线性经验Bayes估计

给出了增长曲线模型参数矩阵的线性经验Bayes估计，同时得到了它的渐近最优的收敛速度。     

PA样本下刻度指数族参数的渐近最优的EB估计

本文在PA样本下研究刻度指数族参数的渐近最优的经验Bayes估计,在刻度平方误差损失函数下导出参数的Bayes估计,利用核估计的方法构造了参数的EB估计,并且证明这种估计的渐近最优性,最后给出一个例子.     

NA样本下Weibull分布族参数的经验贝叶斯估计

在NA样本下研究Weibull分布参数的经验Bayes估计．利用核估计方法构造了参数的经验Bayes估计,在平方损失下获得了该估计的收敛速度,并证明了收敛速度的阶可以任意接近于1／2．最后给出例子,说明了定理条件的合理性．     

分块线性模型中Bayes线性无偏估计的可加性

得到了βi在线性模型M=(y,X1β1+X2β2,T)下的Bayes线性无偏估计与其在小模型Mi=(y,Xiβi,T)下的Bayes线性无偏估计相等的充分必要条件,i=1,2;并考虑了Xiβi在小模型Mi下的Bayes线性无偏估计之和与Xβ在全模型M下的Bayes线性无偏估计之间的相等关系.     

广义岭型主成分估计优良性研究

对有偏估计中的广义岭型主成分估计的优良性进行了较深入的研究。证明了广义岭型主成分估计优于最小二乘估计的充要条件,并在此基础上对几类常见的有偏估计在均方误差（阵）条件下优于最小二乘估计的充要条件进行了拓展。     

回归系数的t-k类估计

在线性回归中,当设计矩阵的列向量间存在复共线性时,回归系数的最小二乘估计的性质显著变坏.为了消除或减弱复共线性对参数估计的影响,以获得更高精度的参数估计,在均方误差矩阵意义下,提出了回归系数的一类新的估计,即t-k类估计,它是对最小二乘估计的改进,是一种新的压缩有偏估计.并且与最小二乘(LS)估计、岭估计和主成分估计进行比较,给出了在均方误差矩阵意义下,t-k类估计优于这些估计的充要条件以及这些条件的检验方法.