1) clustering principal component estimation
聚类主成分估计
1.
Combining clustering method with principal component estimate,a new estimationclustering principal component estimation of linear model parameters is obtained.
结合聚类分析方法与主成分分析方法，得到了线性模型参数的一种新估计聚类主成分估计，并把它与最小二乘估计（ＬＳＥ）和主成分估计（ＰＣＥ）比较，获得了一些优良的性质。
2) principal component
主成分估计
1.
In this paper it is proved that under Pitman Closeness criterion the principal components estimate is superior to the generalized LSE of parameters in variance component model, with the distribution of the random effect vectors being normal.
在方差分量模型中,随机效应向量为正态情形时,证明了PC准则下其参数的主成分估计优于广义LSE估计。
3) principal components estimate
主成分估计
1.
Principal Components Estimate of Regression Coefficient of Multivariate Linear Regression Model;
多元线性模型回归系数的主成分估计
2.
The paper propounds two new estimates,which are named BL estimate(Bayesian estimate combined with Latent root estimate)and BP estimate(Bayesian estimate combined with Principal components estimate).
线性模型最小二乘方估计的改进大致有两条途径：利用验前信息，如贝叶斯估计；改变估计形式，如特征根估计，主成分估计。
4) Principal component estimation
主成分估计
1.
We generalized the ridge combined component estimation and (k) is the generalized ridge combined principal component estimation.
本文把岭型组合主成分估计拓广为广义岭型组合主成分估计＾α（ｃ）证明＾α（ｋ）能更有效地改善ＬＳ估计，并运用Ｑ（ｃ）准则得到广义岭型组合主成分估计的显示解及得到该解的迭代算
5) principal components estimation
主成分估计
1.
Robust ridge combined the principal components estimation and the influence of errors;
抗差岭型组合主成分估计及误差影响
2.
For the above problem,the principal components estimation is used in calculating coefficients of the trend surface model in this paper,and it avoids the multi-collinearity.
在多波束测深趋势面滤波构建趋势面模型的过程中,其模型变量线性相关时,系数阵存在复共线性,因此将主成分估计的方法应用于趋势面模型系数的求解,从而避免了复共线性的影响,最后通过实测数据进行实验,分别利用最小二乘算法和主成分估计求解二次趋势面模型。
补充资料：主成分分析
| 主成分分析 principal component analysis 将多个变量通过线性变换以选出较少个数重要变量的一种多元统计分析方法。又称主分量分析。在实际课题中，为了全面分析问题，往往提出很多与此有关的变量（或因素），因为每个变量都在不同程度上反映这个课题的某些信息。但是，在用统计分析方法研究这个多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。主成分分析首先是由K.皮尔森对非随机变量引入的，尔后H.霍特林将此方法推广到随机向量的情形。信息的大小通常用离差平方和或方差来衡量。 |
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