有偏估计是参数估计中的一类重要估计方法,有着重要的理论与应用价值。在线性模型中,相较于无偏估计,有偏估计在牺牲估计的无偏性后,往往能够获得更小的估计均方误差、预测均方误差,在经典假设不满足的情况下,合适的有偏估计方法的表现远优于经典的无偏估计方法。二十世纪50-60年代间,Stein和James(1955,1961)首先提出了一种压缩估计方法——SR估计。此后,大量学者在这一领域进行了深入的统计研究,留下了丰富的研究成果。本世纪初,Namba(2000)通过预检验的思想,将两个经典的压缩估计方法,SR估计方法与2SHI估计方法进行了结合,构造了一个新的预检验估计方法,Namba将这一预检验估计量命名为PT-2SHI估计。Namba通过数理证明与数值分析的方法,将PT-2SHI估计与经典的SR估计和PSR估计进行了对比,展示了PT-2SHI估计的均方误差优势。本文对PT-2SHI估计进行了更进一步的研究,扩展了PT-2SHI估计的应用场景。首先,本文在理论层面证明了PT-2SHI估计在模型遗漏相关变量的条件下,依然相较于经典SR估计量有着绝对的均方误差优势。而后,通过数值分析的方法,本文验证了这一结果,同时对PT-2SHI估计量的特征参数的设定进行了研究。其次,本文引入最小最大后悔准则,在准则指导下,对PT-2SHI估计的预检验临界值的选择提出新的见解,并在最后通过蒙特卡洛模拟的方法对本文结论进一步进行验证。