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.     

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.     

均方误差下岭型主成分估计的最优性

本文研究了在均方误差意义下岭型主成分估计在岭型降维估计类中的最优性.     

聚集数据线性模型中广义岭估计相对效率问题

对于聚集数据的线性模型,给出了参数的广义岭估计及改进的广义岭估计的定义,并提出了广义岭估计及改进的广义岭估计在推广的欧氏模之比意义下及加权欧氏模之比意义下的二种相对效率。分别对广义岭估计及改进的广义岭估计,得到了两种相对效率的上界。     

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.     

多元线性模型广义岭型预测的最优性判别

对多元线性模型有偏估计的预测问题,利用矩阵不等式的性质,提出判别最优线性无偏预测、岭型预测和广义岭型预测最优性的一个Ri(*)准则,找到了广义岭型预测在该准则下,比最优线性无偏预测优越的充要条件,及在矩阵迹意义下优于最优线性无偏预测、岭型预测的充分条件,为多元线性模型两类预测量的最优性判别问题提供了一种新诊断方法.     

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．