回归系数广义岭估计的相容性

本文讨论了回归系数广义岭估计的相容性问题。     

回归系数的局部根方有偏估计

线性回归模型中回归系数β的估计常用最小二乘估计(LSE)．当自变量间存在多重共线性关系时，最小二乘估计就失去了它的优良性．文提出了一种局部根方估计．证明了它的种种优良性．如容许性、相合性、Ф优良性、优效性及其对最小二乘估计抗干扰性的改进．结出了在均方误差(MSE)准则和Pitman靠近准则下该估计对通常根方估计和LSE改进的范围。     

增长曲线模型中回归系数的根方估计

本文采用根方估计Ｂ（ｍ）（０＜ｍ＜１）来估计增长曲线模型中回归系数Ｂ，通过根方参数ｍ值的选取，可使β（ｍ）＝Ｖｅｃ（Ｂ（ｍ）的均方程误差（ＭＳＥ）小于β＝Ｖｅｃ（Ｂ）的ＬＳＥβ的ＭＳＥ，本文还给出了选取ｍ值的三种方法及应用实例。     

数据变换对回归系数估计的影响

本文考虑线性回归模型Ｙ＝Ｘβ＋ε，Ｅ（ε）＝０，Ｃｏｖ（ε）＝Σ中数据变换Ｚ＝Ａ＇Ｙ对回归系数估计的影响，得到了影响的下界，并且建立了它与相关系数间的关系。     

多元线性模型回归系数的主成分估计

本文对多元线性模型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，给出了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。     

关于m个SUR方程组回归系数的估计

§1 引言 一般的多元回归方程模型是 (1.1) 其中Y=(y_1,y_2,…,y_m)是n×m阶观察值矩阵,y_i是Y的第i列n×1向量;X是秩为P的n×P阶已知矩阵;(?)=(θ_1,θ_2,…,θ_m)是p×m阶未知参数矩阵,θ_i是(?)的第i列p×1向量;e=(e_1,e_2,…,e_m)是n×m阶观察值误差矩阵,e_i是e的第i列n×1向量;E(·)和Cov(·,·)分别表示均值和协方差运算。     

Panel数据模型中回归系数的广义p值检验

利用广义p值和广义置信区域的概念对含有三个随机效应的Panel数据模型中回归系数的假设检验问题建立了精确检验,构造了回归系数的几个广义置信区域;讨论了本文所构造的检验和置信区域在尺度变换下的不变性;对这几种检验的功效和置信区域的覆盖率给出了数值模拟结果.     

岭估计的高杠杆点

本文对岭估计的高杠杆值给出统计意义,并证明岭估计的高杠杆点与最小二乘估计的高杠杆点是相同的。     

关于两步估计的效率

本文首先指出[1]定理2证明中的一处错误。然后给出[1]中定义的三种两步估计效率的新下界,并将新的界与[1]中相应的下界进行了比较。     

一类椭圆型方程广义解最大模的先验估计

本文对各向异性椭圆型方程(1)的一种特殊情形,允许非线性项关于u的增长达到临界指数,作出解的最大模的先验估计。不仅推广了已知的各向同性解的结果,而且在证明方法上有很大的改进。     

带约束的增长曲线模型中回归系数线性估计的可容许性

在两种矩阵损失函数下讨论了带约束的增长曲线模型中回归系数线性估计的可容许性,并在齐次线性估计类和非齐次线性估计类中得到了容许性的充要条件.     

聚集数据线性模型参数的一种新估计

文献（１）给出了聚集数据的线性模型参数的两种估计方法，本文提出一种新的估计方法，并在理论和数值模拟方面证明了新估计较原估计有更高的精确度。     

用相关系数表示线性回归系数的标准差

对两随机变量X,Y的独立观察列 (x_i,y_i),(i=1,2,…,n) (1)的数据处理可得出其期望E(X)、E(Y),方差Var(X)、Var(Y),协方差Cov(X,Y)和相关系数ρ_(XY)的估计值(?)(X)、(?)(Y),(?)(X)、(?)(Y),(?)(X,Y)和(?)_(XT)。这些估计值的表示式在有关文献中都已给出。 对观察列(1)作线性回归分析,得直线 Y=(?)X+(?) (2)     

广义距离回归

实际工作中涉及的两个测得量的回归极为有用.从一个量有不确定度的一般回归讨论到两个量有不确定度的正交回归,最后讨论到普遍的广义距离回归,并以实例说明.     

约束线性模型中回归系数的所有可容性许估计

对于带有不完全椭球约束的线性模型Y～N(Xβ,V),β′X′NXβ≤1(N≥0,V＞0已知)本文给出了β(可估或不可估)的线性估计LY+d在二次损失下在一切估计类中可容许的充要条件.     

相依样本下线性模型的最小二乘估计

对混合样本的线性回归模型给出最小二乘估计的ｒ阶矩组合的充分条件，改进了文（２），（３）和（４）中的有关结论，得到较理想的结果。     

广义互相关时延估计声定位算法研究

针对地面目标声定位因信噪比较低而定位精度差的现象,提出了基于广义互相关法的声定位系统,根据平面四元法目标定位计算式,研究了广义互相关算法在实际中的应用。环境噪声、军事目标声和民用目标声频谱范围大多集中,即出现目标声会与背景噪声高度重合的情况,发现一般加窗滤波法在降低噪声的同时亦会将目标声强度大大削弱,而广义互相关时延估计法是通过计算两路信号互相关函数的最大值而求得时延差,其精度高、稳定性好。通过计算机仿真得到在信噪比较低的情况下,加窗滤波因大大削弱目标声强度而造成定位精度较低,而利用广义互相关方法可得到较为精确的声定位坐标。     

协方差阵扰动模型岭估计的影响分析

本文证明了线性回归中协方差阵扰动模型岭估计的某种极限是数据删除模型的岭估计，建立了协方差阵扰动模型岭估计与Ｇ－Ｍ模型岭估计之间的关系，讨论了协方差阵扰动和数据删除对岭估计的混合影响，求得了岭估计的基于有偏估计的Ｃｏｏｋ距离。     

误差方差不等的变量含误差直线回归模型：参数的驻点似然估计及强…

本文讨论了含有一个自变量且自变量误差方差与因变量误差方差不等的变量含误差线性回归模型。由于对这种模型最大似燃估计失去作用，文中提出了一种新的估计方法－驻点在估计。     

非线性模型中M-估计的Bootstrap逼近

讨论了非线性模型中回归系数向量基于M-估计的Bootstrap逼近,并在一定的条件下证明了Bootstrap逼近成立。