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。     

PC准则下生长曲线模型回归参数阵岭估计的估计优良性

将ＰＣ准则推广应用于生长曲线模型参数阵的最小二乘估计和岭估计优劣性的比较,给出了岭估计在ＰＣ准则下优于最小二乘估计的条件。     

线性模型误差方差阵的扰动对区间估计置信度及精度的影响

讨论了线性模型中误差方差阵的扰去 对区间估计置信度及精度的影响问题,得到了置信度的下界及置信区间平均长度之比的上界。     

半相依回归系统的岭型主成分改进估计

对于一类半相依回归系统，本文提出了一种岭型主成分改进估计，并讨论了这种估计及相应的两步估计的优良性质，获得了若干深入的结果。     

多元线性正态SRM参数估计的渐近协方差阵及其估计

针对多元线性正态结构关系模型（SRM）,本文给出了真值向量协方差阵的广义逆构造,并在三种常见误差协方差阵假定下应用标准5法分别给出了模型结构参数约束最小二乘估计的渐近协方差阵及其相合估计。     

半相依回归模型参数的协方差改进估计

本文研究了两个半相依回归系统的未知回归系数的估计问题。本文首先给出一种基于方差分量限定估计的两步协方差改进估计,并且给出了均方误差意义下优于最小二乘估计的条件。对于基于方差分量非限定估计的两步协方差改进估计,利用服从Wishart分布随机变量的可加性,本文给出了一种全新的估计形式,并且证明了该估计较文献中给出的两步协方差改进估计更加有效。     

PC准则下生长曲线模型回归参数阵岭估计的优良性

将 PC准则推广应用于生长曲线模型参数阵的最小二乘估计和岭估计优劣性的比较 ,给出了岭估计在PC准则下优于最小二乘估计的条件     

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。     

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。     

线性回归模型系数岭估计的改进研究

对作者提出的c—k型估计，进行了进一步的研究．证明利用Stein式压缩技术可以改进岭估计(在均方误差意义下)；同时给出了参数的最优值满足的条件．证明了c—k型估计的可容许性．文中的方法为病态线性回归模型系数的有偏估计提供了改进的技术途径．     

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。     

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。     

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。     

聚集数据的线性模型参数的改进Peter－Karsten估计

文献［１］结出了聚集数据的线性模型参数的两种估计方法。本文利用引理２对两种估计作了改进，并研究了其效率问题。     

协方差结构模型分析中的模型等同问题

协方差结构模型分析是近年来逐渐流行的统计分析技术。文章主要讨论了应用该技术中出现的模型等同问题。其一,何为等同模型及如何识别某个模型的备择等同模型;其二,以一个实例说明模型等同问题在研究中所造成的影响;其三,如何处理模型等同问题。     

扩展增长曲线模型中协差阵的最小模估计问题

考虑扩展增长曲线模型Ｙ＝Σ＾（ｍ，ｉ＝１）ＸｉｂＩＺ’ｉ＋Ｕε其中Ｘｉ，Ｚｉ，Ｕ均为已知矩阵，Ｒ（Ｚ１）∩←…∩←Ｒ（Ｚｍ），Ｂｉ是回归系数国，Ｙ＝（ｙ（１），…，（ｙ（ｎ））‘和ε＝（ε（１），…，ε（ｓ）’分别是ｎ×ｐ观测资料矩阵和ｓ×ｐ随机误差矩阵。     

线性模型参数的LS估计及其改进

线性统计模型的参数估计问题是统计学中一个“古老”而至今仍十分活跃的重要领域。其中LS估计占突出重要的地位,它既便于使用,又在一定条件下是最优线性无偏估计(BLUE);因此,倍加重视对它的研究,既研究它的广泛应用和优良性,又探讨它的不足和改进。本文在综述线性模型参数的LS估计及其优良性的基础上,重点研讨了它的各种改进。计有岭估计、压缩估计、主成分估计、Casclla估计、Bayes估计等,最后给出权估计与权概括。在一定条件下,这些改进的估计都一致优于LS估计。     

基于协方差矩阵实部消除的DOA估计方法

0引言复杂环境下的信号检测是水声信号处理中一个重要研究课题。一般地,真实的海洋环境可以被看作是由对称噪声和非对称噪声两部分所组成。由自然界引起的噪声,如海洋骚动,波噪声等都可以被认为是关于接收基阵对称分布的噪声。协方差矩阵实部消除(Real-part elimination:RE)可以有效地消除对称噪声[1,2]。本文研究利用虚部协方差矩阵(Imaginary-part Covariance Matrix:ICM)进行     

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。