增长曲线模型参数估计的加权相对效率

对增长曲线模型中参数估计的相对效率，本文提出了一种新的定义－加权相对效率，并研究了它的性质，以及在文献「４」中的两种相对效率的关系。     

生长曲线模型参数估计的几个相对效率

对于生长曲线模型该文在１中定义了的三种相对效率,即：其中,Ｂ＝（Ａ’∑~（－１）Ａ）~（－１）Ａ’∑’~（－１）ＹＶ~（－１）~Ｃ’（ＣＶ~（－１）Ｃ’）~（－１）,Ｂ＝（Ａ’∑~（－１）Ａ）~（－１）Ａ’∑~（－１）ＹＣ’（ＣＣ’）＼＋－１,μ＝ＡＢＣ,μ·＝ＡＢ·Ｃ．在２,３,４中分别给出了它们的上界,并给予了证明．     

生长曲线模型中LSE的一个新的相对效率

对于一般生长曲线模型Yq×n＝Aq×nBm×kCk×n＋e，E（e）＝0，本文定义了相对于b·的一个新的相对效率，并给出了它的一个上界．     

线性模型参数估计的一种新的相对效率

本文对线性模型的最小二乘估计（ＬＳＥ）与最佳线性无偏估计（ＢＬＵＥ）提出了一种新的相对效率并给出了新的相对效率的上、下界,最后还讨论了新的相对效率与已有的几种相对效率的关系。     

增长曲线模型中LSE的相对效率

考察一般的增长曲线模型Ｙ＝ＸＢＺ＋其中Ｖ＞０,０．当参数矩阵Ｂ可估时,文中定义了Ｂ的ＬＳＥ相对于它的ＢＬＵＥ的六种相对效率,并给出了它们的下界．对于一般情形,定义了ＸＢＺ的ＬＳＥ相对于它的ＢＬＵＥ的两种相对效率,给出了它们的下界．     

线性模型中参数估计的相对效率

本文对线性模型中的最小二乘估计（LSE）与BLUE给出了一种新的相对效率（4），并研究了新的相对效率（4）与其它两种相对效率（2）与（3）的关系．最后在广义G－M模型下还给出了新的相对效率的下界．     

聚集数据线性模型广义聚集综合两参数估计的相对效率

对于聚集数据的线性模型,提出了广义聚集综合两参数估计的概念,给出了广义聚集综合两参数估计的两种相对效率,并得到了这两种相对效率的上界.     

广义G-M模型参数估计的一种相对效率

对于广义G—M模型，如果最小二乘估计（LSE）与最佳线性无偏估计（BLUE）相等，就可以用LSE代替BLUE反之，用LSE代替BLUE就要蒙受一些损失．有时，这种损失可能是很大的，因而研究这种损失的大小就显得颇为重要．本文提出了一种新的相对效率，并给出了该相对效率的上下界，最后讨论了该相对效率与广义相关系数的关系．     

聚集数据线性模型广义聚集双参数估计的相对效率

对于聚集数据的线性模型,提出了广义聚集双参数估计的概念,给出了广义聚集双参数估计的两种相对效率,并得到了这两种相对效率的上界.     

奇异线性模型参数估计的相对效率

提出了奇异线性模型中参数β的最佳线性无偏估计(BLUE)相对于最小二乘估计(LSE)的一种新的相对效率,并给出了该相对效率的下界,最后讨论了该相对效率与广义相关系数的关系.     

广义G-M模型参数估计的相对效率

本文提出了广义Ｇ－Ｍ模型中参数β的ＢＬＵＥβ^*和ＬＳ估计β的一种新的相对效率,对其与其他两种相对效率的关系及其下界进行了研究,并讨论了它与广义相关系数的关系．     

增长曲线模型中最小二乘估计的几种相对效率

对于一般的增长曲线模型Yn×m=Xn×pBp×qZq×m＋ε,ε~（0,δV∑）本文定义了B的最小二乘估计（相对于B的最佳线性无偏估计）的四种相对效率，并得到了它们的下界．     

增长曲线模型中两个最优线性预测

对一般增长曲线模型中一类线性可预测变量KY0L和φ-可预测变量的最优预测进行了研究，在一定条件下分别得到了最优线性无偏预测和最优φ-线性无偏预测，并证明了它们在几乎处处意义下的唯一性．     

增长曲线模型中系数矩阵的线性容许Minimax估计

对于生长曲线模型Y＝X_1B_1X_2＋ε，Cov（ε）＝σV，本文分别在某种齐次线性估计类L0和非齐次线性估计类L_1中找到了系数矩阵的线性可估函数KBL的容许Minimax估计，并且证明了这种估计是唯一的．     

A Class of Linear Biased Estimators of Regression ParameterMatrix in the Growth Curve Model

ＡＣｌａｓｓｏｆＬｉｎｅａｒＢｉａｓｅｄＥｓｔｉｍａｔｏｒｓｏｆＲｅｇｒｅｓｓｉｏｎＰａｒａｍｅｔｅｒＭａｔｒｉｘｉｎｔｈｅＧｒｏｗｔｈＣｕｒｖｅＭｏｄｅｌ￥ＧｕｉＱｉｎｇｍｉｎｇ（ＺｈｅｎｇｚｈｏｕＩｎｓｔｉｔｕｔｅｏｆＳｕｒｖｅｙｉｎｇａｎｄＭａ...     

推广的生长曲线模型的协方差不变最小二乘无偏估计(Ⅱ)

本文用投影理论及矩阵的谱分解方法，找出了推广的生长曲线模型的未知协方差矩阵∑及tr（C∑）在一定条件下的不变最小二乘无偏估计，为其估计的优良性的讨论奠定基础。