本文的内容主要是围绕线性模型参数估计精度的评判展开的。在参数估计领域，评价一个参数估计方法的好坏，我们常常使用的是损失函数这样一个数学统计工具。在线性模型领域，长期以来，二次损失，也就是均方误差是评价一个估计方法好坏的重要方法。它反映了参数估计自身的精度问题。如果把反映整个模型拟合效果的统计量－残差平方和也看作一个损失函数，那么自然一个好的估计应该使得这两个方面都有较好的结果。基于这个思想，Zellner提出了平衡损失函数的概念，就是将模型拟合和参数精度控制结合起来。　　 本文的重点就是要用平衡损失函数来研究我们一种常见的估计方法—岭估计的优劣性，与之相比较的对象自然是最小二乘估计这样一个统计学中最重要的估计方法。本文内容主要分为三个部分。首先介绍所讨论的数学模型，也就是正态线性模型，同时介绍本文的核心概念—平衡损失函数。第二部分主要是介绍参数估计领域的几个重要估计方法和相关概念。在这部分中，最小二乘估计是其他所有估计方法的基础，由最小二乘估计的特点和在估计中面对数据复共线性时所表现出来的不良性质，我们引入了本文的讨论对象—岭估计，并针对其估计原理对其进行了推广。第三部分主要是研究相关岭估计类的优劣性，我们从平衡损失下岭估计类的风险函数出发，得到了相关岭估计的可容许性，一致占优性，同时用数字模拟的方式来说明了岭估计类和平衡损失函数的工作原理和特点。