1) combinative principal components estimate
组合主成分估计
1.
In this paper a new principal components estimate─Combinative principal components estimate β of the parameter β=vec(B) is considered in multivariate linear model,thegood properties of combinative principal components estimate are proved.
本文对多元线性模型的参数β=vec（B）提出了一种新的主成分估计─—组合主成分估计β，得到了它的一些良好的性质，证明了在均方误差准则下，在一定的条件下，此估计优于最小二乘估计（LSE），并给出了实例。
2) combining ridge and principal component estimator(CRPC)
岭-主成分组合估计
3) ridge combined principal component estimate
岭型组合主成分估计
1.
A new estimate, ridge combined principal component estimate (R CP), is proposed for the regression coefficients of a linear model Some properties including admissibility,excellence property of the estimate are studied Several selecting methods for using the ridge parameters are also give
提出了线性模型回归系数的一种新的估计——岭型组合主成分估计 ,讨论了岭型组合主成分估计的可容许性、优良性等性质 ,并给出了应用时岭参数的几种选取方
4) combining generalized ridge principal component estimate
广义岭型组合主成分估计
5) classification compression principal component estimate
分组压缩主成份估计
1.
This paper considers the classification compression principal component estimate of regression coefficient in growth curve model and proves that it is superior to least squares estimate.
对增长曲线模型的回归系数提出了分组压缩主成份估计，并证明了分组压缩主成份估计优于最小二乘估计。
6) 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。
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