1) minimum norm quadratic unbiased estimator
最小范数二次无偏估计
1.
Necessary and sufficient conditions for equalities between a 2 y′(I-P Xx)y and minimum norm quadratic unbiased estimator of variance under the general linear model, where a 2 is a known positive number, are derived.
给出了一般线性模型下方差的最小范数二次无偏估计相等的充要条件 ,并且当高斯马尔可夫估计与最小二乘估计相等时 ,获得了一个相对简单的条件 ,最后给出此条件应用于抽样调查的一个例子。
2.
In this paper, reduced necessary and sufficient conditions that BLUE of the estimable function Cβ is the same under model A and its reduced models, and obtain necessary and sufficient conditions for equivalent between minimum norm quadratic unbiased estimator.
给出了可估函数Cβ在模型A和其导出模型下的最佳线性无偏估计 (BLUE)相等的充要条件 ,σ2 e 在不同模型下的最小范数二次无偏估计 (MINQUE)相等的充要条件 。
2) Variance Quadratic Unbiaced Estimatio (MINQUE)
最小范数二次无偏估计法(MINQUE)
3) Minimum variance quadratic unbiased estimator
最小方差二次无偏估计
4) Minimum Norm Quadratic Unbiased Estimation
最小范数二阶无偏估算法
5) UMVIQUE
一致最小方差不变二次无偏估计
1.
In the paper,the MINQE(U,I) of variance components is given,and the necessary and sufficient conditions for the MINQE(U,I) to be UMVIQUE have been obtained.
给出了生长曲线模型中方差分量的无偏不变最小模二次估计,并且讨论了它成为一致最小方差不变二次无偏估计的充要条件。
2.
d, and meanwhile, the necessary and sufficient condition is obtained for the LSE to be UMVIQUE.
在准正态情形与独立同分布情形下,分别给出了一个推广增长曲线模型中协差阵 的最小二乘估计,并得到了最小二乘估计成为一致最小方差不变二次无偏估计的充要条件。
3.
condition for the MINQE(U,I) to be the UMVIQUE.
在椭球等高分布情形下给出了扩展增长曲线模型中协差阵的最小模估计 ,并得到了最小模估计成为一致最小方差不变二次无偏估计以及一致最小方差不变二次无偏估计存在的充要条件。
6) MINQLE(U,I)
最小模不变二次加线性无偏估计
1.
In this paper,for any given C=C′≠0 and D=(d (1) ,d (2) ,…,d (k) )′,we obtain the MINQLE(U,I) and the UMVIQLUE of tr(C∑)+tr(D′B).
在椭球等高分布情形下给出了增长曲线模型中协差阵与回归系数阵的最小模不变二次加线性无偏估计 ,并得到了最小模不变二次加线性无偏估计成为一致最小方差不变二次加线性无偏估计以及一致最小方差不变二次加线性无偏估计存在的充要条
补充资料：广义最小二乘估计
用迭代的松弛算法对线性最小二乘估计的一种改进。线性最小二乘估计在模型误差为相关噪声时是有偏估计，即其估计值存在偏差。这时采用广义最小二乘估计能获得较精确的结果。
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列：和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子；{ek}是误差序列，它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成，这里，它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法：先行固定C(z-1)，估计A(z-1)和B(z-1),使J 趋于极小；然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代，直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算，迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高，已得到应用并获得不少成果。它的缺点在于：当信噪比较小时,J可能有多个局部极小点，估计结果不能保证收敛到全局最小点，即参数真值；它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统，并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时，这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.哥德温、R.L.潘恩著，张永光、袁震东译：《动态系统辨识：试验设计与数据分析》，科学出版社，北京，1983。(G.C.Goodwin and R.L.Payne，Dynamic System Identification：Experiment Design and Data Analysis, Academic Press, New York,1977.)
假设所讨论的单输入单输出系统的差分方程模型是
式中{uk}和{yk}分别是输入和输出序列：和是算子多项式,它们的系数是需要通过估计来求出的未知数;z-1是单位延迟算子；{ek}是误差序列，它是零均值平稳相关噪声序列。为了进行广义最小二乘估计可以从形式上把ek变换成，这里，它的系数也是未知的。如果{ek}具有有理谱密度,则可把{εk}当作白噪声序列来处理。这样就把系统模型变成
相应的估计准则是
广义最小二乘估计就是使估计准则J为极小的参数估计。多项式A(z-1)、B(z-1)和C(z-1)的系数都是未知的,所以不能用一个线性算法获得广义最小二乘估计。
广义最小二乘估计采用迭代的松弛算法：先行固定C(z-1)，估计A(z-1)和B(z-1),使J 趋于极小；然后固定A(z-1)和B(z-1),估计C(z-1),使 J 趋于极小。如此反复迭代，直至估计值收敛。这时每步只进行简单的线性最小二乘估计运算，迭代的初值取扗(z-1)=1。
广义最小二乘估计算法的估计精度高，已得到应用并获得不少成果。它的缺点在于：当信噪比较小时,J可能有多个局部极小点，估计结果不能保证收敛到全局最小点，即参数真值；它的计算量也比线性最小二乘估计增加很多。
这种算法也可推广到多输入多输出系统，并且有相应的近似递推估计算法。当误差{ek}为正态噪声序列时，这种算法还可以解释为极大似然估计的松弛算法。
参考书目
G.G.哥德温、R.L.潘恩著，张永光、袁震东译：《动态系统辨识：试验设计与数据分析》，科学出版社，北京，1983。(G.C.Goodwin and R.L.Payne，Dynamic System Identification：Experiment Design and Data Analysis, Academic Press, New York,1977.)
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条