有偏模型中一类统计泛函的经验似然估计及其渐近性质

Ｘ１，…，Ｘｍ；Ｙ１，…，Ｙｎ为独立随机样本，Ｘ，Ｘ１，…，Ｘｍ同分布，Ｘ－Ｆ，Ｆ（０）＝０，Ｙ，Ｙ１，…，Ｙｎｍ同分布，Ｙ的分布函数为Ｇ（ｙ）＝１／μ∫ｙω（ｔ，β）ｄＦ（ｔ），ｙ≥０，其中，β∈Ｒ，μ＝∫０＾∞ω（ｔ，β）ｄＦ（ｔ），０〈μ，ω（ｔ，β）〈∞，Ｆ，μ和β均未知，ω（ｔ，β）的形式已知，设θ为一待估参数，且存在一已知函数ψ（Ｘ，θ）满足ＥＦψ（Ｘ，θ）＝０，本文利用经验似然法给出     

部分线性模型回归系数估计的渐近分布

考虑部分线性模型Ｙ＝Ｘ‘β＋ｇ（Ｔ）＋ｅ，ｘ∈Ｄ，ｔ∈「０，１」，β为未知的参数向量，ｇ为未知函数，Ｃｈｅｎ给出此模型的一种估计如下，先用分段多项式逼近ｇ，然后用最小二乘法估计β，「１」得到估计量β的渐近正态性。因其渐近分布中含有未知参数，不能直接用于检验问题。     

矩阵损失下均值向量的线性可容许估计

设Ｙ＝（Ｙ１，…，Ｙｎ）′相互独立，ＥＹ＝Ｘβ，ＣｏｖＹ＝Ｘｄｉａｇ（β１，…，βｎ）Ｘ′，β＝（β１，…，βｎ）′∈Ｒ＋ｎ为参数，Ｒ＋＝（０，＋∞），Ｘ为已知的元素非负且对角线元素为正的ｎ阶满秩矩阵，估计均值Ｘβ，选取损失函数为矩阵损失，估计类为Ｄ＝｛ＡＹ：Ａ为元素非负的ｎ阶矩阵｝．本文研究ＡＹ在Ｄ中的容许性，获得了ＡＹ在Ｄ中是Ｘβ的容许估计的充要条件．     

随机删失场合部分线性模型中的核光滑方法

考虑模型Ｙ＝Ｘβ＋ｇ（Ｔ）＋ｅ。其中ｇ为［０，１］上的未知光滑函数，β为一维待估参数，为不可观察误差．当观察受到随机删失时，本文基于核光滑和综合数据方法导出了β和ｇ的估计βｎ＊和ｇｎ＊证明了βｎ＊的渐近正态性，并获得了ｇｎ＊的非参数收敛速度Ｏ（ｎ－１／３）     

矩阵损失下不完全椭球约束模型中一般线性估计的可容许性

对于带有不完全椭球约束的线性模型Ｙ～（Ｘβ，σ２Ｖ），（β－β０）＇ＸＮＸ（β－β０）σ２（Ｎ０，Ｖ０）．本文讨论了可估函数ＳＸβ的一般线性估计的可容许性，在矩阵损失下得到了ＡＹ＋ａ线性可容许的充要条件．所给证明对齐次线性估计在齐次线性估计类中的可容许性（β０＝０）也适用．     

一个部份自回归模型的渐近有效性

本文考虑部分自回归模型Ｘｔ＝ｘｔ－１β＋ｇ（Ｕｔ）＋εｔ，ｔ≥１。这里ｇ是一未知函数，β是和待估参数，εｊ是具有０均值和方差σ＾２的ｉ．ｉ．ｄ．误差，Ｕｔｉ．ｉ．ｄ．服从［０，１］上均匀分布。     

一个半参数模型渐近有效估计的构造

对半参数回归模型Ｙ＝ＸＴβ十ｇ（Ｔ）＋ε，分别在ε的密度函数已知、未知的情况下，构造出了β的渐近有效估计．     

具有独立贡献的相依回归模型

考虑相依回归（ＳＵＲ）模型ｙｉ＝Ｘｉβｉ＿ｅｉ，ｉ＝１，２，…，ｍ，Ｅｅｉ＝０，ｉ，ｊ＝１；２，…ｍ，其中ｙｉ和ｅｉ是ｎ×１维随机向量，Ｘｉ是ｎ×ｐｉ已知矩阵，βｉ是ｐｉ×１维参数向量，∑＝（σｉｊ）ｍ×ｍ＞０．文中给出了两个概念：独立贡献和简洁估计．主要结果是如下五种叙述等价：（１）ＳＵＲ模型具有独立贡献；（２）βｉ的ＢＬＵＥ是简洁估计；（３）协方差改进估计是ＢＬＵＥＺ（４）βｉ的ＢＬＵＥ具有形式其中，ｊ＝１，２，…，ｍ；（５）ＰｋＮｉＮｊ＝０，ｉ≠ｊ，ｋ，Ｉ，ｊ＝１，２，…，ｍ     

具有弱滑脊性质序列空间上的HelingerToeplitz定理

设Ｅ（Ｘ）和Ｆ（Ｙ）是向量值序列空间并且Ｅ（Ｘ）具有弱滑脊性质．Ａ＝［Ａｉｊ］是一个算子值无穷矩阵并且映Ｅ（Ｘ）进入Ｆ（Ｙ）．如果（Ｘ，Ｙ）有Ｂａｎａｃｈ－Ｓｔｅｉｎｈａｕｓ性质，那么Ａ是σ（Ｅ（Ｘ），Ｅ（Ｘ）βＹ）－σ（Ｆ（Ｙ），Ｆ（Ｙ）βＹ）连续的．     

部分线性模型参数分量的L_1模估计的渐近正态性

考虑ｉ．ｉ．ｄ．观测数据（Ｔ１，Ｘ１，Ｙ１），…，（Ｔｎ，Ｘｎ，Ｙｎ），其中Ｔｉ∈［０，１］，ｕｉ为观测误差，β０为未知参数向量，ｇ０为未知函数．本文用分段多项式ｇｎ（ｔ）来逼近ｇ０（ｔ），求解得到β０的估计β和ｇ０的估计ｇｎ，其中ｎ是一个ｍ阶分段多项式类．在一定条件下，本文证明了渐近正态．     

一个半参数回归模型中Cramer渐近有效性的充要条件

本文考虑模型Ｙｉ＝Ｘ＾γβ＋ｇ（Ｔ）＋ε，这里（Ｘ＾γ，Ｔ，Ｙ）是ｋ＋２－维随机向量，ｇ是未知光滑函数。ε均值为零方差有限的随机误差。本文明了β的最小二乘估计是Ｃｒａｍｅｒ渐近有效的充要条件是误差ε服从正态分布Ｎ（０，σ＾２）。     

m（n）－相依样本非参数回归残差密度的相合估计

考虑非参数回归模型：Ｙｉ＝Ｍ（Ｘｉ）＋ｅｉ，其中Ｍ（ｘ）为Ｂ（Ｒ）上的未知实函数，（Ｘｉ，Ｙｉ）为来自（Ｘ，Ｙ）的ｍ（ｎ）相依样本，残差（ｅｉ）具有公共的未知密度ｆ（ｘ）．本文基于残差估计给出了ｆ（ｘ）的一种非参估计，并证明该估计具有逐点相合性，一致相合性及Ｌ１相合性．     

一般增长曲线模型回归系数线性估计的泛容许性

本文讨论一般的增长曲线模型；Ｘ＝ＡＢＣ＋ε，Ｅ（ε）＝０，Ｖａｒ（ε）＝σΣＶ，其中Ｘ和ε是ｐ×ｎ价随机阵，Ａ、Ｃ分别为ｐ×ｑ，ｋ×ｎ已知阵，Σ、Ｖ分别Ｐ、ｎ阶已知非负定阵，Ｂ和σ为未知参数．在损失函数（ｄ（Ｘ）－ＫＢＬ）＇（ｄ（Ｘ）－ＫＢＬ）下，我们给出了可估函数ＫＢＬ的线性估计的泛（Φ）容许性定义，得到了ＤＸＦ（ＤＸＦ＋Ｍ）在某些估计类中是ＫＢＬ的泛容许性估计的充要条件．     

Poisson分布参数的渐近最优和可容许的经验Bayes估计

设Ｘ及（Ｘ１，Ｘ２…，Ｘｎ）分别为取自Ｐｏｉｓｓｏｎ分布Ｐ（θ）的当前样本和历史样本，参数θ的先验分布族Ｆ＝｛Γ（ｍ，β）：β＞０｝，其中ｍ＞０已知，Γ（ｍ，β）表示参数为（ｍ，β）的伽玛分布．对ｐ＞０，ｑ＞２的任意两个实数，记ｔｎ＝Ｘ＋∑ｎｉ＝１Ｘｉ＋ｐＸ＋∑ｎｉ＝１Ｘｉ＋ｐ＋ｑ＋（ｎ＋１）ｍ（Ｘ＋ｍ）则在平方损失函数ｌ（θ，ｄ）＝（θ－ｄ）２下，ｔｎ是θ的渐近最优和可容许的经验Ｂａｙｅｓ估计，而且收敛速度为Ｏ（１ｎ）．     

协方差改进估计与相依混合效应回归方程

本文首先讨论了广义线性模型Ｙ＝Ｘβ＋ε（ε～（Ｏ，Ｖ））的系数β的最优线性无偏估计是用Ｔ２＝ＸＹ作为伴随变量对最小二乘估计Ｔ１＝（ＸＸ）－１Ｘ１Ｙ进行改进而得到的协方差改进估计．并把所得结果用于经济领域中的线性相依回归方程系统（ＳｅｅｍｉｎｇｌｙＵｎｒｅｌａｔｅｄＲｅｇｒｅｓｓｉｏｎＥｑａｕｔｉｏｎｓＳｙｓｔｅｍ）．然后关于一类线性相依混合效应回归方程系统，提出了一种优化估计方法。     

鞅差几何级数的重对数律

设｛Ｘｋ，Ｆｋ，ｋ≥０｝是（Ω，Ｆ，Ｐ）上的鞅差序列，在本文中我们讨论了以｛Ｘｋ｝为系数的幂级数Ｓ（β＝Σ∞ｋ＝０βｋＸｋ，当β↑１时的渐近行为，本文证明了：如果│Ｘｋ│≤ｃ，Ｅ（Ｘ＾２ｋ│Ｆｋ－１）＝１，则有下面的重对数律成立ｌｉｍβ↑１√１－β＾２／√２ｌｏｇｌｏｇ（１－β＾２）－１Ｓ（β）＝１ａ．ｓ。     

一般增长曲线模型参数阵的BLU估计

考虑一般增长曲线模型：Ｙ＝Ｘ１ＢＸ２＋εＥ（Ｖｅｃ（ε））＝０Ｖ（Ｖｅｃ（ε））＝σ２ＶＩｎ（Ｖ０）本文对任一可估函数ＫＢＬ给出了它的ＢＬＵ估计（最佳线性无偏估计），并得到了方差σ２的一个无偏估计．     

关于Thue方程的解数

设ｍ是正整数，ｆ（Ｘ，Ｙ）＝ａ０Ｘｎ＋ａ１Ｘ（ｎ－１）Ｙ＋．．．＋ａｎＹｎ∈Ｚ［Ｘ，Ｙ］是Ｑ上不可约化的叫ｎ（ｎ≥３）次齐次多项式。本文证明了：当ｇｃｄ（ｍ，ａ０）＝１，ｎ≥４００且ｍ≥１０（３５）时，方程｜ｆ（ｘ，ｙ）｜＝ｍ，ｘ，ｙ∈ｚ，ｇｃｄ（ｘ，ｙ）＝１，至多有６ｎｖ（ｍ）组解（ｘ，ｙ），其中ｖ（ｍ）是同余式Ｆ（ｚ）＝ｆ（ｚ，１）≡０（ｍｏｄｍ）的解数。特别是当ｇｃｄ（ｍ，ＤＦ）＝１时，该方程至多有６ｎ（ω（ｍ）＋１）组解（ｘ，ｙ），其中ＤＦ是多项式Ｆ的判别式，ω（ｍ）是ｍ的不同素因数的个数．     

多元统计中期望向量的线性容许估计

设Ｙ１，Ｙ２，…，Ｙｎ独立同分布，ＥＹ１＝β，ＣｏｖＹ１＝Σ，这里β∈Ｒｍ与Σ：ｍ×ｍ＞０均未知．取Ｌ１（ｄ，β）＝（ｄ－β）′（ｄ－β），Ｌ２＝（ｄ，β）（ｄ－β）′，Ｌ＝｛Ｌ１Ｙ１＋Ｌ２Ｙ２＋…＋ＬｎＹｎ：Ｌｉ为ｍ阶实方阵，ｉ＝１，２，…，ｎ｝．本文在Ｌ１和Ｌ２下分别给出了线性估计在Ｌ中是β的容许估计的充要条件．     

相依回归系统一种协方差改进估计之协方差阵的无偏估计

考虑相依回归方程系统ｙｉ＝Ｘｉβｉ＋εｉ（ｉ＝１，２），Ｅ（εｉ）＝０，Ｃｏｖ（εｉ，εｊ）＝σｉｊＩｎ。记βｉ为βｉ的协方差改进估计＾［１］。σｉｊ未知时，记βｉ为用非限定估计σｉｊ代替βｉ中的σｉｊ得到的两步估计，并记βｉ为用限定估计σｉｊ代替βｉ中的σｉｊ得到的两步估计，这两种两步估计的协方差中含有未知参数σｉｊ代替βｉ中的σｉｊ得到的两步估计，这两种两步估计的协方差中含有未知参数σｉｊ。本