Logistic回归模型参数的Stein岭型主成分估计的性质研究

《Logistic回归模型参数的Stein岭型主成分估计的性质研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：O211单位代码：10183研究生学号：2016314015密级：公开吉林大学硕士学位论文（专业学位）Logistic回归模型参数的Stein岭型主成分估计的性质研究ResearchonthePropertiesofSteinRidgePrincipalComponentofEstimatesforParametersintheLogisticRegressionModel作者姓名：于婧妍类别：保险硕士领域(方向)：保险指导教师：赵世舜教授培养单位：数学学院2018年5月————————————————————————————Logistic回归模型参数的Stein岭型主

2、成分估计的性质研究————————————————————————————ResearchonthePropertiesofSteinRidgePrincipalComponentofEstimatesforParametersintheLogisticRegressionModel作者姓名：于婧妍领域(方向)：保险指导教师：赵世舜类别：保险硕士答辩日期：2018年5月24日《中国优秀博硕士学位论文全文数据库》投稿声明研究生院：本人同意《中国优秀博硕士学位论文全文数据库》出版章程的内容，愿意将本人的学位论文委托研究生院向中国学术期刊（光盘版)电子杂志社的《中国优秀博硕士学位论文全

3、文数据库》投稿，希望《中国优秀博硕士学位论文全文数据库》给予出版，并同意在《中国博硕士学位论文评价数据库》和CNKI系列数据库中使用，同意按章程规定享受相关权益。论文级别：硕士博士学科专业：保险论文题目：Logistic回归模型参数的Stein岭型主成分估计的性质研究作者签名：指导教师签名：年月日作者联系地址（邮编)：吉林大学数学学院(130012)作者联系电话：18514321570未经本论文作者的书面授权，依法收存和保管本论文书面版本、电子版本的任何单位和个人，均不得对本论文的全部或部分内容进行任何形式的复制、修改、发行、出租、改编等有碍作者著作权的商业性使用（但纯学术性使用

4、不在此限）。否则，应承担侵权的法律责任。吉林大学硕士学位论文原创性声明本人郑重声明：所呈交学位论文，是本人在指导教师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：日期：年月日Logistic回归模型参数的Stein岭型主成分估计的性质研究摘要Logistic回归模型是一种有效的处理分类数据的方法，在很多领域诸如经济学、工程技术类医学、医学、生物学、犯罪心理学都有广泛的应用。近年来

5、越来越多的利用Logistic回归模型进行统计的分析，在众多的估计理论和方法中，极大似然估计和最小二乘法占了很大的比例。但是随着统计学家们不断深入的研究，关于Logistic回归模型的很多有偏估计被提出用以改进极大似然估计和最小二乘法估计在处理复共线性的不足，如岭估计、Liu估计等。本文主要比较了Logistic回归模型的Stein岭型主成分估计与两参数估计之间的关系，以及Logistic回归模型的几乎无偏Stein岭型主成分估计与几乎无偏两参数估计之间优良性的关系。关键词：Logistic回归模型，Stein岭型主成分估计，两参数估计，几乎无偏Stein岭型主成分估计，几乎无偏

6、两参数估计ResearchonthePropertiesofSteinRidgePrincipalComponentofEstimatesforParametersintheLogisticRegressionModelAbstractLogisticsregressionmodelisaneffectivemethodtodealwithclassifieddata.Ithasbeenwidelyusedinmanyfieldssuchaseconomics,engineering,medicine,biology,andcriminalpsychologysystem.Inr

7、ecentyears,moreandmoreuseoftheLogisticregressionmodelforstatisticalanalysis,inmanyestimationtheoriesandmethods,maximumlikelihoodestimationandleastsquaresaccountedforalargeproportion.However,asstatisticianscontinuetostudyindepth,manybiasedesti