1) Best Linean Minimum Bias Estimator
最佳线性最小偏倚估计
2) Minimum Bias Estimator
最小偏倚估计
4) Best linear unbiased estimator
最佳线性无偏估计
1.
and others discussed the best linear unbiased estimator for the logistic population.
等又先后讨论了Logistlic分布参数的最佳线性无偏估计及估计的相对效率等问题。
2.
Based on Gauss-Markov model this paper disscusses the robustness of best linear unbiased estimator and proves that there is a linear space with matrix elements in which for all positive matrix Π,p′(X′Π-1X)-X′Π-1Y is BLUE of estimable function p′β.
基于Gauss-Markov模型讨论了最佳线性无偏估计的稳健性,证明了存在一个以矩阵为元素的线性空间,对于这一线性空间中的任意正定矩阵Π都满足p′(X′Π-1X)-X′Π-1Y是可估函数p′β的最佳线性无偏估计。
5) best linear unbiased estimation
最佳线性无偏估计
1.
In this paper,the best linear unbiased estimation,good linear unbiased estimation,best linear invariant estimation to the parameters of Gumbel distribution are discussed,and then the expectation and variance-covariance are put forward respectively.
用最佳线性无偏估计法、简单线性无偏估计法和最好线性同变估计法对Gumbel分布中的参数进行估计,从理论上讨论了三种估计方法的统计性质。
2.
According to the principle of best linear unbiased estimation,A target localization algorithm for bistatic radar was proposed by pseudo measuring value after coordinate conversion.
利用坐标转换后的伪测量值,根据最佳线性无偏估计原理,提出一种双基地雷达目标的定位方法并给出了算法定位误差的Cramer-Rao理论下限表达式,在不同噪声条件下对算法进行仿真计算,结果表明该方法可以显著提高双基地雷达目标的定位精度,其理论下限和仿真结果都明显优于最小二乘方法。
6) best linear unbiased estimate
最佳线性无偏估计
1.
According to this,the best linear unbiased estimate method of location-scale distribution for incomplete interval censored data is presented,the confidence l.
在此基础上,针对位置-尺度分布族提出一种不完全区间数据最佳线性无偏估计方法,得到了其百分位值的置信限估计,并对工程中常见的极值分布、两参数Weibull分布、正态分布进行了详细讨论。
2.
Then the best linear unbiased estimate method for incomplete data is presented.
针对工程上存在大量不完全数据的情况,本文建立了不完全数据秩统计量的联合概率密度函数,给出不完全数据顺序统计量的均值、方差和协方差计算公式,提出不完全数据最佳线性无偏估计方法,并对正态分布、Weibull分布等位置-尺度分布进行了详细讨论。
3.
Using Albert method, we obtain the best linear unbiased estimate of the unknown regression parameter matrix B s estimable linear function(KL)Vec(B) by vectoring KBL′(under the meaning of matrix nonnegative definite) on condition that design matrices and covariance matrices are all known in the growth curve model with random effects and have given the proof of some optimal properties.
应用Albert法给出了当设计阵、方差阵已知时,含有随机效应增长曲线模型回归系数阵B的可估函数KBL′(K,L均为已知的矩阵)方差矩阵在非负定意义下达到最小的最佳线性无偏估计,并证明了估计的优良性。
补充资料：线性最小二乘估计
以误差的平方和最小为准则根据观测数据估计线性模型中未知参数的一种基本参数估计方法。1794年德国数学家C.F.高斯在解决行星轨道预测问题时首先提出最小二乘法。它的基本思路是选择估计量使模型（包括静态或动态的，线性或非线性的）输出与实测输出之差的平方和达到最小。这种求误差平方和的方式可以避免正负误差相抵，而且便于数学处理（例如用误差的绝对值就不便于处理）。线性最小二乘法是应用最广泛的参数估计方法，它在理论研究和工程应用中都具有重要的作用，同时它又是许多其他更复杂方法的基础。线性最小二乘法是最小二乘法最简单的一种情况，即模型对所考察的参数是线性的。线性动态模型为
yk＝xθ＋εk式中数据向量xk＝[yk-1，yk-2,...,yk-n，uk-1，uk-2,...，uk-n]T；参数向量θ＝[-a1,-a2,...,-an，b1,b2,...,bn]T；εk为误差；n为模型阶数；N为数据长度（N≥2n）。
选择估计准则
使J为最小的参数估计，称为模型的线性最小二乘估计，用符号孌LS表示。可以得出
孌LS＝(XTX)-1XTY式中矩阵XT＝[xn+1，xn+2,...,xnn+N]；向量Y＝[yn+1，yn+2，...,ynn+N]T。
孌LS是数据的线性函数，因此称为线性最小二乘估计。它的突出优点是：对于任何一组数据，只要孌LS存在，不要求了解误差序列{εk}的统计特性，便能按照J求出孌LS；算法很简单。
孌LS存在的条件是矩阵(XTX)满秩,这要求{uk}为n阶持续激励输入。
当误差序列{εk}是零均值的白噪声,并对输入、输出功率加以适当的限制时，孌LS是渐近无偏的强一致性估计,即当N →∞时,。但是对于有限的数据,上述结论不能成立,而且通常误差{εk}也不是白噪声,故一般情况下孌LS是有偏估计，这是它的缺点。为了克服这个缺点，可以采用其他改进的估计算法，例如广义最小二乘估计、辅助变量估计和极大似然估计等。
上述单输入单输出系统的线性最小二乘估计算法还可推广到多输入多输出系统，并且有相应的递推估计算法。
参考书目
G.C.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，DynamicSystem Identification: Experi-ment Design and Data Analysis, Academic Press, NewYork,1977.)
yk＝xθ＋εk式中数据向量xk＝[yk-1，yk-2,...,yk-n，uk-1，uk-2,...，uk-n]T；参数向量θ＝[-a1,-a2,...,-an，b1,b2,...,bn]T；εk为误差；n为模型阶数；N为数据长度（N≥2n）。
选择估计准则
使J为最小的参数估计，称为模型的线性最小二乘估计，用符号孌LS表示。可以得出
孌LS＝(XTX)-1XTY式中矩阵XT＝[xn+1，xn+2,...,xnn+N]；向量Y＝[yn+1，yn+2，...,ynn+N]T。
孌LS是数据的线性函数，因此称为线性最小二乘估计。它的突出优点是：对于任何一组数据，只要孌LS存在，不要求了解误差序列{εk}的统计特性，便能按照J求出孌LS；算法很简单。
孌LS存在的条件是矩阵(XTX)满秩,这要求{uk}为n阶持续激励输入。
当误差序列{εk}是零均值的白噪声,并对输入、输出功率加以适当的限制时，孌LS是渐近无偏的强一致性估计,即当N →∞时,。但是对于有限的数据,上述结论不能成立,而且通常误差{εk}也不是白噪声,故一般情况下孌LS是有偏估计，这是它的缺点。为了克服这个缺点，可以采用其他改进的估计算法，例如广义最小二乘估计、辅助变量估计和极大似然估计等。
上述单输入单输出系统的线性最小二乘估计算法还可推广到多输入多输出系统，并且有相应的递推估计算法。
参考书目
G.C.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，DynamicSystem Identification: Experi-ment Design and Data Analysis, Academic Press, NewYork,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