1) generalized shrunken least squares estimator
广义压缩最小二乘估计
2) GSLS
广义压缩最小二乘估计(GSLS)
3) generalized least squares estimation
广义最小二乘估计
1.
The generalized least squares estimation is a progressive state.
利用指数分布的若干个样本分位数,建立线性回归模型,由获得的广义最小二乘估计的渐近正态性,得到分组数据场合分布参数的渐近置信估计。
4) generalized least square estimator
广义最小二乘估计
1.
The relative efficiencies of a class of linear estimator with respect to generalized least square estimator in linear regression model;
回归系数一类线性估计与广义最小二乘估计的相对效率
2.
The robustness of BLUE over generalized least square estimator(GLSE) are shown in terms of mean square error matrix criterion,the bounds of the relative efficiency of estimators are obtained.
基于错误的先验假定下获得了线性模型下可估函数的Bayes线性无偏估计(BLUE),证明了在均方误差矩阵(MSEM)准则下BLUE相对于广义最小二乘估计(GLSE)的优良性,并导出了它们的相对效率的界,从而获得BLUE的稳健性。
3.
The superiority of a class of biased estimator with respect to generalized least square estimator of regression coefficients in linear model was studied in terms of the mean square error matrix criterion,and the bounds of the relative efficiencies for the considered estimators are derived.
在均方误差矩阵准则下研究了线性回归系数的一种有偏估计相对于广义最小二乘估计的优良性问题及其他统计性质,并导出了它们的相对效率的界。
5) generalized least squares estimator
广义最小二乘估计
1.
Some Conditions which Generalized Least Squares Estimator is BLUE;
广义最小二乘估计为BLUE的若干条件
2.
The upper-level problem was a generalized least squares estimator,while the lower level problem was a stochastic user equilibrium model.
将OD估计分为固定的步数,每一步都是一个双层规划,上层为广义最小二乘估计,下层为随机用户均衡分配模型,即以广义最小二乘估计和随机用户均衡分配模型为基础,通过更新估计模型中目标矩阵和实测路段上的流量来估计OD矩阵。
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