A bound for the Euclidean norm of the difference between the best linear unbiased estimator and a linear unbiased estimator

2002 ◽  
Vol 76 (6-7) ◽  
pp. 317-322 ◽  
Author(s):  
J. Mäkinen
Keyword(s):  
Unbiased Estimator ◽  
Euclidean Norm ◽  
Best Linear Unbiased Estimator ◽  
Best Linear Unbiased ◽  
The Difference

A projector oriented approach to the best linear unbiased estimator

2009 ◽  
Vol 50 (4) ◽  
pp. 721-733 ◽  
Author(s):  
Oskar Maria Baksalary ◽  
Götz Trenkler
Keyword(s):  
Unbiased Estimator ◽  
Best Linear Unbiased Estimator ◽  
Best Linear Unbiased ◽  
Oriented Approach

Quality control and gap-filling of PM10 daily mean concentrations with the best linear unbiased estimator

2017 ◽  
Vol 189 (11) ◽  
Author(s):  
R. Sozzi ◽  
A. Bolignano ◽  
S. Ceradini ◽  
M. Morelli ◽  
I. Petenko ◽  
...  
Keyword(s):  
Quality Control ◽  
Unbiased Estimator ◽  
Best Linear Unbiased Estimator ◽  
Gap Filling ◽  
Best Linear Unbiased

Estimation of the Parameters of the Uniform Distribution Over [kθ, (k+ 1)θ]

1996 ◽  
Vol 46 (3-4) ◽  
pp. 263-268 ◽  
Author(s):  
P. Yageen Thomas
Keyword(s):  
Uniform Distribution ◽  
Unbiased Estimator ◽  
Subject Classification ◽  
Best Linear Unbiased Estimator ◽  
Primary 62H12 ◽  
Secondary 62G30 ◽  
Best Linear Unbiased ◽  
Improved Estimators

From the available literature on estimation of the parameters of the uniform distribution over [ kθ, kθ + θ], we find the necessity to construct improved estimators of the parameter θ when k is known. In this paper a new estimator of θ is proposed when k is known and its performance is compared with best linear unbiased estimator of θ based on two extreme observations. A MS Subject Classification: Primary: 62H12; Secondary: 62G30, 62B05.

scholarly journals PERMASALAHAN AUTOKORELASI PADA ANALISIS REGRESI LINIER SEDERHANA

2013 ◽  
Vol 2 (2) ◽  
pp. 26
Author(s):  
Nadia Utika ◽  
Maiyastri . ◽  
Hazmira Yozza
Keyword(s):  
Monte Carlo ◽  
Unbiased Estimator ◽  
Best Linear Unbiased Estimator ◽  
Best Linear Unbiased

Pada analisis regresi linier sederhana model yang terbentuk harus memenuhibeberapa asumsi yang dikenal dengan asumsi linier klasik. Dalam asumsi linier klasikdinyatakan bahwa tidak terdapat korelasi antar galat yang disebut autokorelasi. Bila au-tokorelasi terjadi pada model regresi linier sederhana maka pengaruhnya terlihat padapenduga parameter yang tidak lagi BLUE (Best Linear Unbiased Estimator), yaitu pen-duga tidak bias dan linier, namun tidak lagi memiliki ragam yang minimum. Pengaruhautokorelasi juga dilihat menggunakan simulasi Monte Carlo. Simulasi Monte Carlomenggunakan nilai bias dan Kuadrat Tengah Galat (KTG) dengan berbagai ukuransampel dan koesien autokorelasi yang bervariasi. Hasil simulasi menunjukkan semakinbesar ukuran sampel maka bias dan KTG semakin kecil dan semakin besar nilai koesienautokorelasi maka bias dan KTG semakin besar.

Sign in / Sign up

Export Citation Format

Share Document