抽象性
Ghapani和Babdi[1]提议用随机线性限制线性测量误差模型混合刘估计器文章中,我们建议使用随机线性限制线性测量误差模型选用混合刘估计器由Gapani和Babdi推荐的新混合刘估计员刘估计员和混合刘估计员的性能从平均方差矩阵角度讨论最后,提供模拟研究展示这些估计器的性能
开工导 言
当我们使用线性回归模型处理问题时,一些回归解释无法观察,回归解释值往往有测量法如果我们直接使用这些值设置模型,回归系数估计器可能不是一致性估计器为了克服这一问题,统计师和计量经济学师建议线性测量模型富勒[2成和范奈斯3讨论模型
众所周知,在标准线性回归模型中存在相迭性时,普通最小方数估计器不再是好的估计器一些统计师讨论如何处理共性方法之一是考虑偏向估计者,如Stein4万事通哈尔尔和肯纳德5万事通刘家宝6万事通杨昌7万事通武阳8et al.另一种方法考虑线性限制和随机线性限制九九等像Li和Yang等[10..
线性测量误差模型相迭性问题还可能导致估计器不稳定为了解决这个问题,Saleh和Shalabh11考虑山脊估计器加帕尼和巴比一号深思刘信数线性测量误差模型满足线性限制或随机线性限制时,Li等[12推荐新估计器并讨论这些估计器在Pitman近距离标准下的属性萨利赫和沙拉布11讨论线性测量误差模型初步测试山脊估计器13考虑加权混合估计器加帕尼等[14sortistic线性限制线性测量误差模型中加权山脊估计器刘估计数多项研究由各种研究者制作的不同模型举几个例子,Arashi等[15Kibria16Alheety和Kibria17加帕尼18号和最近Li等[19号.........
本文使用不同方法建构Lagrane函数 推荐一个新的混合刘估计器并讨论新估计器的属性
其余论文组织如下内段2线性测量误差模型混合刘联想并附随机线性限制,新估计器属性由C节研究3.模拟研究支持Cection理论结果4部分结论解析解析5.
二叉拟建模拟器
本节将引入线性测量误差模型混合刘估计器并附加随机线性限制
2.1.刘测影师
研究线性误差模型 去哪儿 表示a 矢量响应变量 显示a 向量未知参数 表示a 矩阵不可观察值解释变量可见 带测量错误 ,去哪儿 系 非相关随机向量 .假设常见差 已知测量错误解释变量并假设 算法 矢量不可观察随机误差 .任由 并 互为独立 我们假设一各行矩阵 并 带 并 ,互斥
富勒[2介绍一致性估计器 ,显示方式如下: 并用解析函数获取此估计符 :
解决共性问题Ghapani和Babdi一号介绍刘测算器(LE),此估计器可按下列方式获取:3)考虑下列目标函数:
处理中4),我们可以获取
内段2.2.......
2.2.刘混合模拟器
本条中,我们假设对参数构件的随机线性限制有以下形式: 去哪儿 算法 可观察随机向量 算法 已知矩阵带 For ,并 显示a 错误向量带 并 ,并假设 已知正确定矩阵此外,我们还假设 物理上独立于 并 .
基于模型一号)和(b)6使用混合法,我们可以最小化下列方程 与 .by7)获取混合估计器
Ghapani和Babdi一号混合刘测算器定义如下:
现在,我们将推荐一个新的混合刘测算器考虑下列函数:
处理中九九),我们可以获取 去哪儿 表示偏差参数 表示混合估计器,我们称该估计器为新混合刘估计器
新建估计器可写如下:
通过定义新估计器,我们可以看到新估计器是一个总估计器,内含 , ,并 特殊案例
if , .
if , .
if 并 , .
内段3,我们将研究这些估计器的无药性
3级属性这些估计
本节中,我们将比较新估计器与某些估计器第一,我们提供这些估计器的属性
3.1.大样本属性这些估计器
精确分布和小样本属性很难获取,但在本论文中,我们使用大样本非特征近似理论研究非特征分布估计值假设参数 可识别性,我们也假设 趋向无限度 限值 并存 表示全局期望取真值 .
定理一 静态分布正常异步均值和差 分别表示为 并 ,去哪儿 并 .
证明Fung等[20码万事通 ,有 因此,我们可以写作 by14)–(16),我们可以获取 自限 , ,并 存在后17),我们可能得到 去哪儿 .Fung等[20码万事通 异位常态 .因此,我们得到 中表示 平面为0by18号),我们得到 .发自[一号.... 之后,我们得到
轮廓一 异步正常分布 并 .
轮廓2 异步正常分布 并 ,去哪儿 .
by一号,我们知道 并 .
3.2偏差估计器比较
本小节中,我们将比较新估计器 , ,并 中差错矩阵下第一,我们介绍估计误差矩阵 联想 定义为 去哪儿 表示偏向向量为了展示主结果,我们提供一些emmas
莱马一号(见[21号))0假设 正矩阵,即 并a/向量排序 if并仅 .
emma2(见[九九))等一等 矩阵化 , ,并发 仅if .
之后,我们可以计算估计者无特征MSEM 详解如下: 去哪儿 , ,并 .
以比较 至 , ,并 ,微信AMSEM差异 去哪儿
现在,我们比较估计器 切入点 MSEM意义
定理2上头 比估计器强 MSEM感知中 if .
证明现在我们证明 等一等 ,有 ,之后我们可以写作 详解如下: 自 , ,并 ,有 .由Lemma一号... 比估计器强 MSEM感知中 if .
定理3何时 华府 比估计器强 MSEM感知中 if .
证明自 后由Lemma2时 有 ,后由Lemma一号,我们理解新估计器优于 MSEM感知中 if .
定理4.何时 华府 比估计器强 MSEM感知中 if .
证明自 后由Lemma2时 有 ,后由Lemma一号,我们理解新估计器优于 MSEM感知中 if .
4级蒙特卡洛模拟实验
本节将进行MonteCarlo模拟实验以显示这些估计器的性能麦当劳加拉诺22号,我们可能通过使用获取解释变量 去哪儿 均按标准正则分布 选择对象使两个变量的关联性 .使用三种不同相关值,即0.9、0.95和0.99参数向量实值 选择矩阵生成器 对应最大igenvalue此外,我们认为解释变量 .我们还假设 并 .样本大小为50、100和150
随机线性约束 由规范分布生成 .
注意,在本论文中,我们没有引入 缩影参数估计器 ;因此,我们只考虑某些值 中位数 .产生5000数据集 内含解释变量和依存变量模拟均值误差用于比较估计器,可计算如下: 去哪儿 指此文档中考虑的任何估计器 重复性所有计算均使用R程序实现
表解模拟结果一号-5.从表可得出以下结论(1)新建估计器总优于ME和LE(2)新估计器在大多数情况下优于MLE何时 ,即多级服务,新估计者优于MLE3级何时 小小,新估计者表现良好
5级结论
本文使用新方法推荐线性测量误差模型新混合估计器,并讨论新估计器属性MonteCarlo模拟实验设计来评价估计者模拟平均差错标准性能模拟结果显示,当多线性问题存在于数据中时,新估计者表现优于其余估计者因此,新估计器可替代现有估计器,特别是在有高度关联数据时
数据可用性
支持本研究发现的数据可应请求从相关作者处获取。
利益冲突
作者声明他们没有利益冲突
感知感知
这项工作由重庆自然科学基金会赞助Cstc20Jyj-msmX0379和cst20jj-msmX0028和重庆市教育委员会科技研究方案KJQN2020013211