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.     

回归系数的部分岭估计

为了改进存在复共线性的回归模型中回归系数的最小二乘估计的不足,利用构造岭估计的思想,只修正非常接近于零的那部分特征值,从而给出了回归系数的部分岭估计.在均方误差意义下,存在岭参数,使得回归系数的部分岭估计优于最小二乘估计.部分岭估计只修正了很少一部分特征值,所以相对于普通岭估计和广义岭估计的岭参数的确定,部分岭估计的岭参数的确定更加方便精确.     

带随机线性约束的回归模型的参数估计

针对一般带约束的最小二乘估计(OCLSE)在参数估计中处理复共线性的不足,引入随机线性约束,提出了约束-d估计方法.在均方误差(MSE)下,讨论了它的性质,得到了3个主要结果,与带约束的最小二乘估计OCLSE、约束岭估计(RORE)比较,得出更好的结论.     

增长曲线模型回归系数的主成分估计

对增长曲线模型的回归系数提出了生成分估计，并证明了生成分估计优于最小二乘估计．进一步，对最小二乘估计的任一线性交换，给出其均方误差的一个无偏估计，并应用极小化均方误差的无偏估计的方法，给出了确定偏参数的公式．     

线性模型中一些有偏估计在MSE准则下的优良性

对于线性回归模型Y=Xβ+,εE(ε)=0,cov(ε)=σ2V,V≥0,针对设计阵多重共线性问题,给出了回归系数的几个有偏估计,并讨论在MSE准则下优于广义最小二乘估计的条件,解决了复共线性的回归问题.     

增长曲线模型回归系数的主成分估计

对增长曲线模型的回归系数提出了主成分估计，并证明了主成分估计优于最小二乘估计。进一步，对最小二乘估计的任一线性变换，给出其均方误差的一个无偏估计，并应用极小化均方误差的无偏估计的方法，给出了确定偏参数的公式。     

联立方程组模型中参数估计的随机模拟

介绍了联立线性方程组模型可识别时结构参数矩阵的几种估计：普通最小二乘估计、间接最小二乘估计、两步最小二乘估计、广义最小二乘估计以及三步最小二乘估计,对这５种参数估计进行了随机模拟,表明这些估计中以广义最小二乘估计和三步最小二乘估计为最好．     

Z-回归分析——一类新的统计分析方法

本文提出一种新的统计分析方法Z-回归分析,该方法不受复共线性的影响,即其参数估计与复共线性无关。文中给出了Z-回归模型的LS估计与Z-估计两者等价的条件。讨论了在距离最小意义下Z-估计优于一般线性估计的条件。     

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.     

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。