19158.復(fù)共線性及異方差線性模型中的參數(shù)估計(jì)與變量選擇_第1頁(yè)
已閱讀1頁(yè),還剩37頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、復(fù)共線性及異方差線性模型中的參數(shù)估計(jì)與變量選擇重慶大學(xué)碩士學(xué)位論文(學(xué)術(shù)學(xué)位)學(xué)生姓名:王艷指導(dǎo)教師:楊虎教授專業(yè):統(tǒng)計(jì)學(xué)學(xué)科門類:理學(xué)重慶大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)院二O一五年四月重慶大學(xué)碩士學(xué)位論文中文摘要I摘要線性回歸模型是現(xiàn)代數(shù)理統(tǒng)計(jì)學(xué)中發(fā)展較早且應(yīng)用最為廣泛的模型之一,一直以來(lái)占據(jù)著核心地位。其中參數(shù)估計(jì)與變量選擇是非常重要的兩個(gè)研究領(lǐng)域。很多學(xué)者在這兩個(gè)研究領(lǐng)域內(nèi)做出了很大的貢獻(xiàn),找到了很多有用的方法。參數(shù)估計(jì)中,最為經(jīng)典的是最小二乘

2、估計(jì),然而它只有在滿足許多假設(shè)條件下才具有比較好的性質(zhì)。而隨著統(tǒng)計(jì)學(xué)的應(yīng)用越來(lái)越廣泛,實(shí)際應(yīng)用中所涉及的模型越來(lái)越復(fù)雜,不僅要解決高維線性模型的變量選擇和參數(shù)估計(jì),還可能涉及到其它廣義線性模型。對(duì)于不同的估計(jì),有不同的準(zhǔn)則進(jìn)行比較和判定以適應(yīng)不同研究的需要。在設(shè)計(jì)矩陣存在復(fù)共線性情況下已經(jīng)有一系列的有偏估計(jì)被提出,本文研究了其中幾乎無(wú)偏Liu估計(jì)的性質(zhì),討論了其在Fisherian和Mahalanobis損失函數(shù)下相對(duì)于最小二乘估計(jì)的容

3、許性,結(jié)論表明幾乎無(wú)偏Liu估計(jì)在Fisherian損失函數(shù)下參數(shù)滿足一定條件的情況下優(yōu)于最小二乘估計(jì),而在Mahalanobis損失函數(shù)下是不可容許的,并進(jìn)行了數(shù)值模擬來(lái)表明結(jié)果。同時(shí),對(duì)于誤差為異方差的線性模型,根據(jù)已有的參數(shù)估計(jì)與變量選擇的研究方法,提出了將自適應(yīng)彈性網(wǎng)估計(jì)施加一定的權(quán)重來(lái)進(jìn)行此情況下的變量選擇與參數(shù)估計(jì),通過(guò)理論推導(dǎo)證明了在誤差方差已知的情況下這種估計(jì)具有哲人性質(zhì),在章節(jié)最后也進(jìn)行了數(shù)值模擬來(lái)說(shuō)明。關(guān)鍵詞:關(guān)鍵詞

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論