Minimax Estimators and Test Procedure

• Autorzy: Lioba Becker

Warianty tytułu

Estymatory i teksty minimaksowe

• Języki publikacji: EN

Abstrakty

EN

Minimax estimators in their function as estimators using prior information are known to dominate OLS concerning the mse-criterion especially in the case of multicollinearity. In classical test prodecures such information is neglected. This paper shows that test statistics which are based on approximate minimax estimators can lead to more powerful tests than classical tests. The gain or loss of power and the bias of the modified tests depend on the location of the parameter components relativ to the center of the prior information, on the size of the information set, and on the value of σ2 relativ to β. (fragment of text)

W modelu regresji liniowej podejście minimaksowe umożliwia uwzględnienie informacji a priori w procedurze estymacji. Estymatory minimaksowe są interesującą alternatywą dla estymatora metodą najmniejszych kwadratów, gdy występuje współliniowość. W artykule rozpatrywane są statystyki testów oparte na estymatorach minimaksowych z uwzględnieniem istniejących ograniczeń w wektorze parametrów. Przeprowadzono symulacyjne porównanie mocy otrzymanych testów z testami klasycznymi. (abstrakt oryginalny)

Słowa kluczowe

EN

Linear regression; Estimation; Conference materials

PL

Regresja liniowa; Estymacja; Materiały konferencyjne

• Czasopismo: Prace Naukowe Akademii Ekonomicznej we Wrocławiu. Taksonomia
• Rocznik: 1999
• Tom: 6
• Numer: nr 817 Klasyfikacja i analiza danych : teoria i zastosowania
• Strony: 11--22

Twórcy

autor

Lioba Becker

• Technische Universität Dresden, Germany

Bibliografia

• Arnold B.F., Stahlecker P. (1997): Fuzzy Prior Information and Minimax Estimation in the Linear Regression Model. "Statistical Papers" 38, 377-391.
• Becker L. (1998): Minimax-Schätzer für Schätz- und Testverfahren im linearen Regressionsmodell bei Vorinformation. Herbert Utz, München.
• Drygas H. (1991): Linear Minimax-Estimation in Linear Models with Affine and Ellipsoidal Restrictions. "Computational Statistics and Data Analysis" 12, 101-113.
• Schipp B., Trenkler G., Stahlecker P. (1988): Minimax Estimation with Additional Linear Restrictions-a Simulation Study. "Communications in Statistics, Simulation and Computation" 17, 393-406.
• Schmidt K. (1992): Parameterschätzung im linearen Regressionsmodell bei Vorinformation in Ungleichungsform. Anton Hain, Frankfurt/Main.
• Schmidt K. (1996): A Comparison of Minimax and Least Squares Estimators in Linear Regression with Polyhedral Prior Information. "Acta Applicandae Mathematicae" 43, 127-138.
• Stahlecker P., Trenkler G. (1988): Full and Partial Minimax Estimation in Regression Analysis with Additional Linear Constraints. "Linear Algebra and its Applications" 111, 279-292.
• Stahlecker P., Trenkler G. (1993): Minimax Estimation in Linear Regression with Singular Covariance Structure and Convex Polyhedral Constraints. "Journal of Statistical Planning and Inference" 36, 185-196.
• Teräsvirta T. (1989): Estimating Linear Models with Incomplete Ellipsoidal Restrictions. "Statistics" 20, 187-194.
• Toutenburg H. (1982): Prior Information in Linear Models. John Wiley, New York.
• Toutenburg H., Roeder B. (1978): Minimax Linear and Theil Estimators for Restrained Regression Coefficients. "Mathematische Operationsforschung und Statistik, Series Statistics" 9, 499-505.
• Trenkler G., Stahlecker P. (1987): Quasi Minimax Estimation in the Linear Regression Model. "Statistics" 18, 219-226.