吳 燕，何道江

（安徽師范大學(xué) 統(tǒng)計(jì)系，安徽 蕪湖241003）

0 引 言

考慮線性回歸模型：

其中：Y為n維可觀測隨機(jī)向量；X為n×p階設(shè)計(jì)矩陣，且rank（X）＝p；β為p×1維參數(shù)向量；ε為n維隨機(jī)誤差向量；σ2＞0是未知參數(shù).

對于模型（1），β的最小二乘估計(jì)（LSE）為

LSE是無偏估計(jì)，其在很長一段時(shí)間內(nèi)被認(rèn)為是最好的估計(jì).但當(dāng)模型出現(xiàn)復(fù)共線性時(shí)，LSE的表現(xiàn)較差，有較大的均方誤差.為了克服這一缺點(diǎn)，研究者們放棄了無偏性，提出了一些有偏估計(jì).如Hoerl等［1］提出了嶺估計(jì)（RE）：

其中k＞0是可選參數(shù)，稱為嶺參數(shù).嶺估計(jì)的本質(zhì)是在設(shè)計(jì)陣的計(jì)算中引入一個(gè)偏參數(shù)k，通過合理取k值減少由復(fù)共線性帶來的誤差.之后，Hoerl等［2］又提出了嶺估計(jì)的一種推廣形式，稱為廣義嶺估計(jì)（GRE）：

其中：K＝diag（k1，k2，…，kp），ki＞0（i＝1，2，…，p）為參數(shù)；Q＝（φ1，φ2，…，φp）為標(biāo)準(zhǔn)正交陣，而φ1，φ2，…，φp為X′X 的標(biāo)準(zhǔn)正交化特征向量，即Q′X′XQ＝diag（λ1，λ2，…，λp），λ1≥λ2≥…≥λp＞0為X′X的特征值.嶺估計(jì)和廣義嶺估計(jì)都是嶺參數(shù)的一個(gè)復(fù)雜函數(shù)，因此如何選擇合理的嶺參數(shù)是一個(gè)困難問題.

文獻(xiàn)［3］提出了一種均勻壓縮估計(jì)即Stein估計(jì)，表示為

其中s＞1稱為壓縮參數(shù).Stein估計(jì)是最簡單的一種有偏估計(jì).

Swindel［4］基于參數(shù)向量β的先驗(yàn)信息，提出了改進(jìn)的嶺估計(jì)（MRE）：

其中：η0是一個(gè)給定的非隨機(jī)向量，其選擇依賴于β的先驗(yàn)信息；k＞0是嶺參數(shù).

許瑩等［5］針對混合系數(shù)線性模型提出了一類新估計(jì)，稱為s－K 估計(jì).對于模型（1），相應(yīng)的估計(jì)為

其中：K＝diag（k1，k2，…，kp），ki≥0（i＝1，2，…，p）為可選參數(shù)；s≥1為壓縮參數(shù).

本文在文獻(xiàn)［4－5］的基礎(chǔ)上，基于參數(shù)向量β的先驗(yàn)信息提出一類新的s－K 估計(jì)，稱為改進(jìn)s－K 估計(jì).

1 改進(jìn)s－K估計(jì)的定義

若令

定義1 對于模型（1），β改進(jìn)s－K 估計(jì)定義為

其中：s和K意義同式（7）；η0是β的先驗(yàn)信息.

注1 改進(jìn)s－K 估計(jì)實(shí)際上是最小二乘估計(jì)與先驗(yàn)信息η0的一個(gè)“凸組合”.

記Z＝XQ，α＝Q′β，則模型（1）可改寫成：

其中Z′Z ＝Q′X′XQ ＝Λ∶＝diag（λ1，λ2，…，λp）.模型（11）稱為模型（1）的典則形式.

對于典則形式（11），α相應(yīng)的估計(jì)為

這里η＝Q′η0.

由于

2 改進(jìn)s－K估計(jì)的優(yōu)良性

下面在均方誤差陣的準(zhǔn)則下，研究改進(jìn)s－K 估計(jì)相對于最小二乘估計(jì)、廣義嶺估計(jì)、Stein估計(jì)、改進(jìn)的嶺估計(jì)及s－K 估計(jì)的優(yōu)良性.

引理2［7］設(shè)M 為p階正定陣，γ是p維列向量，則M－γγ′＞0當(dāng)且僅當(dāng)γ′M－1γ＜1.

2.1 改進(jìn)s－K估計(jì)相對于最小二乘估計(jì)的優(yōu)良性

2.2 改進(jìn)s－K估計(jì)相對于廣義嶺估計(jì)的優(yōu)良性

于是

從而

進(jìn)而可得：

定理2 設(shè)s＞1，則改進(jìn)s－K 估計(jì)的均方誤差陣小于廣義嶺估計(jì)均方誤差陣的充要條件是b′1（σ2D2＋b2b′2）－1b1＜1.

2.3 改進(jìn)s－K估計(jì)相對于Stein估計(jì)的優(yōu)良性

定理3 設(shè)ki＞0（i＝1，2，…，p），則改進(jìn)s－K 估計(jì)的均方誤差陣小于Stein估計(jì)均方誤差陣的充要條件是b′1［σ2D3＋b3b′3］－1b1＜1.

2.4 改進(jìn)s－K估計(jì)相對于改進(jìn)嶺估計(jì)的優(yōu)良性

于是

從而

定理4 設(shè)ki＞（1－s）λi＋k（i＝1，2，…，p），則改進(jìn)s－K 估計(jì)的均方誤差陣小于改進(jìn)嶺估計(jì)均方誤差陣的充要條件是b′1［σ2D4＋b4b′4］－1b1＜1.

2.5 改進(jìn)s－K估計(jì)相對于s－K估計(jì)的優(yōu)良性

從而

由此可得：

定理5 設(shè)s＞1，則改進(jìn)s－K 估計(jì)的均方誤差陣小于s－K 估計(jì)均方誤差陣的充要條件是αα′－（α－η）（α－η）′＞0.

3 數(shù)值模擬

為進(jìn)一步考察所提估計(jì)類的均方誤差，下面進(jìn)行Monte Carlo數(shù)值模擬.模擬中，設(shè)計(jì)矩陣X＝（xij）n×p和響應(yīng)變量y＝（y1，y2，…，yn）′分別由下式給出：

其中：ωij（i＝1，2，…，n；j＝1，2，…，p＋1）由獨(dú)立的標(biāo)準(zhǔn)正態(tài)隨機(jī)數(shù)產(chǎn)生；γ為給定的數(shù)，γ越大，表明解釋變量間的相關(guān)性越強(qiáng)，從而模型的復(fù)共線性越強(qiáng).取σ＝1，p＝3，n＝100，β的真實(shí)值取為X′X最小特征值所對應(yīng)的特征向量［8］.與文獻(xiàn)［9］相同，取先驗(yàn)信息η＝0.95β.實(shí)驗(yàn)的重復(fù)次數(shù)為N＝10 000，對于β＝（β1，β2，β3）′的估計(jì)，均方誤差按下式計(jì)算：

最小二乘估計(jì)（LSE）、嶺估計(jì)（RE）、Stein估計(jì)（Stein）、改進(jìn)的嶺估計(jì)（MRE）、s－K 估計(jì)（s－K）以及本文提出的改進(jìn)s－K估計(jì)的均方誤差數(shù)值模擬結(jié)果分別列于表1～表6.它們分別對應(yīng)于σ＝1，2及γ＝0.9，0.99，0.999的6種情況.

對應(yīng)于γ＝0.9，0.99，0.999，X′X 的條件數(shù)Cond（X′X）分別為9.868 7，93.785 5，941.244 6.根據(jù)文獻(xiàn)［6］知，若Cond（X′X）＜100，則復(fù)共線性很小；若100＜Cond（X′X）＜1 000，則存在中等程度的復(fù)共線性；若Cond（X′X）＞1 000，則存在嚴(yán)重的復(fù)共線性.可見，模擬中設(shè)定模型的復(fù)共線性不很嚴(yán)重.

表1 σ＝1，γ＝0.9時(shí)各估計(jì)的均方誤差Table 1 Simulated MSEs of estimators whenσ＝1，γ＝0.9

表2 σ＝1，γ＝0.99時(shí)各估計(jì)的均方誤差Table 2 Simulated MSEs of estimators whenσ＝1，γ＝0.99

表3 σ＝1，γ＝0.999時(shí)各估計(jì)的均方誤差Table 3 Simulated MSEs of estimators whenσ＝1，γ＝0.999

表4 σ＝2，γ＝0.9時(shí)各估計(jì)的均方誤差Table 4 Simulated MSEs of estimators whenσ＝2，γ＝0.9

表5 σ＝2，γ＝0.99時(shí)各估計(jì)的均方誤差Table 5 Simulated MSEs of estimators whenσ＝2，γ＝0.99

表6 σ＝2，γ＝0.999時(shí)各估計(jì)的均方誤差Table 6 Simulated MSEs of estimators whenσ＝2，γ＝0.999

由表1～表6可見，改進(jìn)s－K估計(jì)性能最好，除s＝1或K＝0的平凡場合外，其均方誤差都小于最小二乘估計(jì)、嶺估計(jì)、Stein估計(jì)、改進(jìn)的嶺估計(jì)以及s－K估計(jì).

［1］Hoerl A E，Kennard R W.Ridge Regression：Biased Estimation for Nonorthogonal Problems ［J］.Technometrics，1970，12（1）：55－67.

［2］Hoerl A E，Kennard R W.Ridge Regression：Application to Nonorthogonal Problems［J］.Technometrics，1970，12（1）：69－82.

［3］Stein C.Inadmissibility of the Usual Estimator for Mean of Multivariate Normal Distribution ［C］／／Proc Third Berkeley Symp Math Statist Probab.Oakland：University of Calif Press，1956：197－206.

［4］Swindel B F.Good Ridge Estimators Based on Prior Information［J］.Communications in Statistics：Theory and Methods，1976，5（11）：1065－1075.

［5］XU Ying，HE Dao－jiang.A New Class of Estimators for Coefficients in Mixed Effect Linear Model［J］.Acta Mathematica Scientia，2013，33A（4）：702－708.（許瑩，何道江.混合系數(shù)線性模型參數(shù)的一類新估計(jì) ［J］.數(shù)學(xué)物理學(xué)報(bào)，2013，33A（4）：702－708.）

［6］王松桂，史建紅，尹素菊，等.線性模型引論 ［M］.北京：科學(xué)出版社，2004.

［7］Farebrother R W.Further Results on the Mean Square Error of Ridge Regression［J］.J R Stat Soc B，1976，38（3）：248－250.

［8］LIU Ke－jian.Using Liu－Type Estimator to Combat Collinearity［J］.Communications in Statistics：Theory and Methods，2003，32（5）：1009－1020.

［9］LI Ya－lian，YANG Hu.A New Liu－Type Estimator in Lingear Regression Model［J］.Statistical Papers，2012，53（2）：427－437.