方差分量组合的非负二次估计的可容许性

设有方差分量模型Y=X_β+U_(1ε1)+…+U_(NεN),其中XU_i已知,ε_1,…,ε_1相互独立。Eε_(if)=0,Eε_(if)~2=σ~2,Eε_(if)~3=0.Eε_(if)~4=3σ_i~4,这里(ε_(i1),…,ε_(in_i)εi。(β,σ~2)∈R~n×Ω为未知参数。Ω={(σ_1~2,…,σ_N~2):0≠sum from i=1 to n σ_i~2U_iU'_i≥0}。本文给出了Y'AY是sum from i=1 to n f_iσ_i~2在损失(Y'AY-sum from i=1 to N f_iσ_i~2)~2下在类{Y'BY:B≥0}中可容许估计的一个充分条件。同时也给出了Y'AY+l'Y+a是sum from i=1 to N f_iσ_i~2的可容许估计(在类{Y'BY+m'Y+b}中)的一个充要条件。研究了非负二次估计与局部最优估计之间的关系。     

多元线性模型中一个二次估计的最优性(Ⅰ)

考虑线性模型设ε′=(ε_((1)),…,ε_((n))),对ε_((1)),…ε_((n))独立,Eε_((i))ε′_((i))=Σ,E(ε_((i))ε′_((i))ε_((i))ε′((i)))=(i=1,…,n)的情形本文求出了Σ的(一定意义下的)最小二乘估计Σ~*,并给出了tr(CΣ~*)是tr(CΣ)的一致(对Σ≥0,Ψ)最小方差不变二次无偏估计的充要条件,这里C是对称矩阵。对Covε=GΣ,Y服从准正态分布的情形也做了相应的讨论,这里G是已知n阶非零的非负定矩阵,Σ是未知的p阶非负定矩阵。     

再论线性模型中误差方差的二次型估计的可容许性

设有线性模型Y=(y_1,…,y_n)′=Xβ ε=X(β_1,…,β_p)′ (ε_1,…,ε_n)′,(1.1)这里 X 为已知的,n×p 矩阵,n≥p,ε_1,…,ε_n 相互独立,E(ε_i)=0,E(ε_i~2)=σ~2,E(ε_i~3)=0,E(ε_i~4)=3σ~4,i=1,…,n.β∈R~p,0<σ~2<∞均为未知参数.欲估计σ~2,     

一种方式分组随机模型中估计方差分量的最小风险设计

§1.引言一种方式分组随机模型:y_(ij)=β α_i ε_(ij),i=1,…,n,j=1,…,m_i,(1.1)其中 ε_(ij)(i=1,…,n,j=1,…,m_i)是相互独立的随机误差,α_i(i=1,…,n)是独立的随机变量.Eα_i=Eε_(ij)=0,varε_(ij)=θ_1>0,varα_i=θ_2≥0,cov(α_i,ε_(ij))=0.β、θ_1、θ_2是未知参数,β∈R~1,(θ_1,θ_2)~T∈Θ(?){θ_1>0,θ_2≥0}.     

线性变换对带约束奇异线性模型的条件G—M估计的影响

考虑带约束奇异线性模型Y=Xβ＋ε，Lβ＝0，E（ε）＝0，cov（ε）＝σ~2V，其中V为非负定矩阵，X为任意秩．文章研究了观察向量Y的线性变换对回归系数条件可估函数Sβ的G－M估计的影响，并将条件可估子空间μ（X'L'）划分成Ω＋Ω_＋Ω_2.当μ（S'）Ω时，Sβ的条件G-M估计在模型变化后其优良性不变；当μ（S'）Ω_1时，模型变化后Sβ仍可估，但Sβ的条件G－M估计的方差要变大；当μ（S'）Ω_2时，Sβ不可估．     

A general result on precise asymptotics for linear processes of positively associated sequences

Let {εt; t ∈ Z^＋} be a strictly stationary sequence of associated random variables with mean zeros, let 0〈Eε1^2〈∞ and σ^2=Eε1^2＋1∑j=2^∞ Eε1εj with 0〈σ^2〈∞.{aj;j∈Z^＋} is a sequence of real numbers satisfying ∑j=0^∞｜aj｜〈∞.Define a linear process Xt=∑j=0^∞ ajεt-j,t≥1,and Sn=∑t=1^n Xt,n≥1.Assume that E｜ε1｜^2＋δ′〈 for some δ′〉0 and μ（n）=O（n^-ρ） for some ρ〉0.This paper achieves a general law of precise asymptotics for {Sn}.     

混合回归模型误差方差M估计的弱收敛性

考虑混合回归模型 y_i=x_i~Tβ+σε_i,(1)其中x_i~T=(y_(i-1),…,y_(i-p),z_(i1),…,z_(ik)),{ε_i}为i.i.d.残差序列,Eε1=0,Eε_1~2=1,而β=(β_1,…,β_p,β_(p+1),…,β_(p+k))~T与σ>0为未知参数,并且φ(B)=1-β_1B-…-β_pB~p=0的根全在单位圆外. 本文拟在文[1]的基础上定义模型(1)误差方差σ的M估计,并证明其弱收敛性. 设X(x)为某个可测函数,β为(1)中回归参数β的某个相容估计,称方程     

方差分量的 Bayes 二次不变估计及容许性

设计线性模型nn1/Y=XB ε（1）其中 E_ε=0,Eεε′=θ_1v_1 … θ_p v_P(?)v_0≥0,v_1,…,v_p 为已知对称矩阵,X 为已知矩阵,β、θ(?)(θ_1,…,θ_p)′为未知参数,进一步我们假定ε有有限四阶矩,记为 E(εε′(?)εε′)=ψ.设f′θ(?)f_1θ_1 … f_pθ_p,并且 f′θ是无偏不变二次可估的(即存在对称矩阵 A 满足AX=0使 EY′AY=f′θ).对这样的f′θ,C.R.Rao 提出用 MINQE(U,I)来估计 f′θ.但是一般地 f′θ的 MINQE(U,I)依赖于θ的先验值α.如果θ的真值与它的先验值不符,     

量测误差为 ARMA 过程的随机逼近

为了求回归方程 h(x)=0的根 x~0,根据对回归函数 h(·)的量测,在 i 时刻对x~0的估计为 x_i,在 i+1时刻对回归函数在 x_i 处进行量测,但量测量 y_(i+1)带有误差ε_i:y_(i+1)=h(x_i)+ε_i,而误差是相关的,构成一个 ARMA 过程:ε_(n+1)+D_1ε_n+…+D_dε_(n-d+1)=ω_(n+1)(x_n,ω)+C_1ω_n(x_(n-1),ω)+…+C_rω_(n-r+1)(x_(n-r),ω),其中 ω_(i+1)(x_i,ω)是一个鞅差序列,熟知的定理讨论的是 d=0,r=0的特例,并要求 ω_(i+1)(x_i,ω)相互独立.本文给出一个随机逼近算法,并给出条件,当 n→∞时,x_n(?)x~0 a.s..这个结果对d=0,r=0的特例,和熟知的事实相比,不仅在噪声的性质上,而且对 h(·)及E‖ω_(n+1)(x,ω)‖~2的控制函数,y_(i+1)和 x_i 的维数差别等方面都减弱了条件.     

关于m个相关回归方程系统回归系数的两步估计

一、前言 考虑m个回归方程系统如下yi=Xiβi εi(i=1,2,…,m),(1)其中在第i(i=1,2,…,m)个方程中,yi是n×1的随机观察值向量,Xi是秩为pi的n×pi阶矩阵,βi是pi×1的未知参数向量,而εi是n×1的误差向量。 惯常的方法是假定误差向量ε_1,ε_2,…,ε_m是互相独立地服从正态分布,其均值是E(εi)=0,方(协)差矩阵是D(εi)=σ_i~2I_n(i=1,2,…,m),这里I_n表示n阶单位阵,σ_i~2是未知参数。在这样的假定下,估计回归系数βi只须单从第i个方程求得其最小     

Weighted Regression and the General Influence Measure

Consider the weighted linear regression model: WY=WXβ ε, E(ε)=0, Cov(ε) =σ~2I, (1) where Y and ε are n-vectors, X is a n×p design matrix, β is a p-vector, w=diag(ω_1,ω_2,…,ω_n)σ. When W=I, (1) changes into a general Gauss-Markov linear model. The least square estimate (LSE) of β in (1) is β_(W~2)= (X'W~2X)~(-1)X'W~2Y, it's the generalized least square estimates (GLSE) of β in the heteroscedastic linear model: Y=Xβ ε, E(ε)=0 , cov(ε)=σ~2W~(-2), (2) when W= I, β_1= (X'X)~(-1)X~1Y is LSE of the parameter β in the Gauss-Markov model. We want to know the disturbation △Y_W of Y_W=WXβ_W, when the disturbation △W~2 exists. When W=I, △W~2=Ω=diag (0,0, …, -1,0,…,0)(only the i-th diagonal element is-1),△Y_I represents the disturbation of the predicated     

Precise Asymptotics in the Baum-Katz and Davis Laws of Large Numbers of ρ-mixing Sequences

Let {X,Xn;n ≥ 1} be a strictly stationary sequence of ρ-mixing random variables with mean zeros and finite variances. Set Sn =∑k=1^n Xk, Mn=maxk≤n｜Sk｜,n≥1.Suppose limn→∞ESn^2/n=：σ^2〉0 and ∑n^∞=1 ρ^2/d（2^n）〈∞,where d=2 if 1≤r〈2 and d〉r if r≥2.We prove that if E｜X｜^r 〈∞,for 1≤p〈2 and r〉p,then limε→0ε^2（r-p）/2-p ∑∞n=1 n^r/p-2 P{Mn≥εn^1/p}=2p/r-p ∑∞k=1（-1）^k/（2k＋1）^2（r-p）/（2-p）E｜Z｜^2（r-p）/2-p,where Z has a normal distribution with mean 0 and variance σ^2.     

Precise Rates in the Law of Iterated Logarithm for the Moment of I.I.D. Random Variables

Let{X,Xn;n≥1} be a sequence of i,i.d, random variables, E X = 0, E X^2 = σ^2 〈 ∞.Set Sn=X1＋X2＋…＋Xn,Mn=max k≤n│Sk│,n≥1.Let an=O（1/loglogn）.In this paper,we prove that,for b〉-1,lim ε→0 →^2（b＋1）∑n=1^∞ （loglogn）^b/nlogn n^1/2 E{Mn-σ（ε＋an）√2nloglogn}＋σ2^-b/（b＋1）（2b＋3）E│N│^2b＋3∑k=0^∞ （-1）k/（2k＋1）^2b＋3 holds if and only if EX=0 and EX^2=σ^2〈∞.     

多元线性模型中一个二次估计的最优性(Ⅱ)——多元许定理的推广

考虑如下的多元线性模型 Y=X_1BX’_2+Uε(1)其中ε=(ε_((1))…ε_((r)))’是r×p阶随机矩阵,满足X_1、X_2、U≠0是已知阵。B与∑≥0是未知参数阵。 本文给出了tr(C∑~*)是tr(C∑)的一致最小方差不变二次无偏估计(UMVIQUE)的充要条件。其中∑~*是∑的在一定意义下的最小二乘估计(LSE)。C是任一对称阵。     

多元准正态线性模型中一个估计的非负最优性

Y=X_1BX′_2+U_ε是一个多元线性模型,其中X_1,X_2和U≠0是已知矩阵,B是未知参数阵,ε是随机矩阵。假设ε有如下的一阶、二阶、四阶矩 Eε=0,Eεε′=I(×)∑, Cov εε’=2(I(×)∑)(×)(I(×)∑)其中∑≥0是未知参数阵.设∑~*是∑的最小二乘估计,C≠0是已知的非负定阵,本文对UU’是幂等阵的情形给出了tr(C∑~*)是tr(C∑)的最优非负二次无偏估计的充要条件。     

由φ-混合序列产生的长程相依过程的广义强逼近定理

设{X_k;k≥1}是由X_k=∑_(i=0)~βα_iε_(k-i)所定义的滑动平均过程,其中{ε_i;-∞i∞}是一同分布的φ-混合相依变量序列,{α_i;i≥0}为满足条件α_i~i~(-α)l(i)的实数序列,l(i)为一缓变函数.当1/2α1时,{X_k;k≥1}为一长程相依过程.在Eε_0~2可能为无穷的条件下,对长程相依过程{X_k;k≥1}的部分和建立了一个更为一般性的强逼近定理.     

二次方程Robin问题奇摄动群的估计

本文讨论了形如εy″=u（x，Y，ε）（y′）^2＋v（x，Y，ε），0＜X＜1，y（0,ε）-P1y′（0，ε）=A（ε），y（1，ε）＋P2y′（1，ε）=B（ε）的二次方程Robin问题奇摄动问题．通过引入不同量级的伸长变量，利用外部解和校正项相结合方法构造了本问题形式上的任意阶的渐近解，并利用微分不等式这一工具对所求得的解作出估计，得出一致有效的肯定结论．     

分枝设计中方差分量的最佳无偏不变二次估计

考虑三级分枝设计,其数据结构为: y_(αβγ)=μ ε_α ε_(αβ) ε_(αβγ),α=1,2,…,n_1;β=1,2,…,n_2;γ=1,2,…,n_3;N=n_1n_2n_3。其中第一级误差ε_α、第二级误差ε_(αβ)和第三级误差ε_(αβγ)的均值都为0,方差分别为σ_1~2,σ_2~2,σ_3~2,峰度分别为γ_1,γ_2,γ_3,且这些误差相互独立.     

方差分量的非负定无偏MINQE估计

§1 引言对于线性模型Y=Xβ+ε(1.1)其中 Eε=0,Eεε′=θ_1V_1+…+θ_pV_pV_θ≥0,V_1,…,V_p 皆为已知对称矩阵,θ=(θ_1,…,θ_p)′为未知参数称为方差分量;此外,X 是已知矩阵,β为未知参数,在很多场合如随机效应模型,各个方差分量都是非负的,因此很自然地要求相应的估计量也是非负的,为此,C.R.Rao 提出用非负定无偏的 MINQE 估计(记为 MINQE(U,NND)来作为方差分量的估计,并两次指     

伴有边界摄动的向量二阶非线性边值问题的近似解

本文考察伴有边界摄动的向量边值问题: εy″+f(t,ε,y,y′)=0 (1) y(μ_i)=α(ε,μ_1,μ_2),y(1+μ_2)=β(ε,μ_1,μ_2), (2) 其中ε>0、μ_1、μ_2是小参数;y、f、a和β都是实值的n维向量函数。对于边界不摄动,即μ_1=μ_2=0的特殊情形,Chang曾进行过研究。我们将考虑比文[1]更精细的近似解,给出研究边值问题(1)、(2)解的存在性及其估计式的一种新的途径。 为了行文简便起见,约定μ=(μ_1,μ_2),[y]=(t,ε,y,y′),并且当采用相似记号,如p与(?)、(?)时,它们具有类似的含义。同时对于向量函数或矩阵函数A(t,ε,μ)=