二次损失下一般Gauss-Markov模型中可估函数的线性Minimax估计

设Y是具有均值Xβ和协方差阵σ~2V的n维随机向量,Sβ是线性可估函数,这里X,S和V≥0是已知矩阵,β∈R~p和σ~2>0是未知参数。本文在二次损失下研究了线性估计的Minimax性。在适当的假设下,得到了Sβ的唯一线性Minimax估计(有关唯一性在几乎处处意义下理解)     

矩阵损失下一般Gauss-Markov模型中回归系数的线性MINIMAX估计

设Y是具有均值Xβ和协方差阵σ2V的n维随机向量，Sβ是线性可估函数，这里X，S和V0是已知矩阵，β∈Rp和σ2＞0是未知参数．本文在矩阵损失下研究了线性估计的Minimax性．在适当的假设下，得到了Sβ的唯一线性Minimax估计（有关唯一性在几乎处处意义下理解）．     

矩阵损失下随机回归系数和参数的线性Minimax估计

对于一般的随机效应线性模型Y=Xβ+ε,这里β和ε分别是p维和n维的随机向量,且E(βε)=(Aa0),Cov(βε)=σ2(V10 0V2),(Vi≥0,i=1,2)我们定义了Sα+Qβ的线性Minimax估计,在一定条件下得到了Sα+Qβ在线性估计类中的Minimax估计,并在几乎处处意义下证明了它的唯一性.     

一般Gauss-Markov模型中可估函数的线性Minimax估计

设Y是具有均值Xβ和协方差阵σ2V的n维随机向量,Sβ是线性可估函数,这里X,S和V≥0是已知矩阵,β∈Rp和σ2＞0是未知参数.本文分别在给定的矩阵损失和二次损失下研究了线性估计的Minimax性.在适当的假设下,得到了Sβ的唯一线性Minimax估计(有关唯一性在几乎处处意义下理解).     

带有非中心不完全椭球约束的线性模型中线性估计的可容许性

本文研究了线性模型(Y,Xβ,σ2V V≥0)在非中心不完全椭球约束:(β-β0)’N(β-β0)≤σ2,N≥0下椭球中心β0对线性估计的可容许性的影响,证明了对于具有某种结构的β1和β2,线性模型(Y,Xβ,σ2V,V≥0)在非中心不完全椭球约束:(β-β1)’N(β-β1)≤σ2,N≥0与非中心不完全椭球约束:(β-β2)’N(β-β2)≤σ2,N≥0下的可容许线性估计类是相同的．     

二次损失下回归系数的线性Minimax估计

设有线性模型 EY=Xβ CovY=σ~2V, 这里X: _(nxp),和V: _(nxn)>0已知矩阵,β∈R~P和σ~2>0都是参数。本文估计Sβ,选取损失函数 L(d,Sβ)=((d-Sβ)′(d-Sβ))/(σ~2+β′X′V~(-1)Xβ), 其中Sβ是可估的,并给出了在线性估计类中唯一的一个线性minimax估计。     

正态总体中线性可预测变量的Minimax预测

在二次损失下研究了任意秩有限总体中线性可预测变量Ay的线性预测在一切预测类中的Minimax性．对于一般随机效应线性模型y=Xβ ε,(ε^β)-N(0^Ba),σ(W′^U V^W)),这里X,B,U,V和W是已知矩阵,a∈R^k和σ^2＞0是未知参数,文中得到了Ay的惟一Minimax预测。     

二次损失下回归系数的线性Minimax估计

设有线性模型EY=Xβ,CovY=σ~2V,这里X和 V_(:nxn)>0已知矩阵,β∈R~p 和σ~2>0都是参数.本文估计 Sβ,选取损失函数L(d,Sβ)=其中 Sβ是可估的,并给出了在线性估计类中唯一的一个线性 minimax 估计.     

矩阵损失下回归系数的线性MINIMAX估计

这里 Y∶n×1为随机向量,X∶n×p,V∶n×n>0已知,β∈R~p,σ~2>0为未知参数,我们要估计β的可估函数 Sβ,S∶k×p 是常数矩阵,且存在 D,使 S=DX.吴启光采用矩阵损失(d-Sβ)(d-Sβ)′,考虑一个线性(齐次的或非齐次的)估计在线性(齐次的或非齐次的)估计类中的可容许性.本文对矩阵损失作了修改,考虑一个线性(齐次的或非齐次的)估计在线性(齐次的或非齐次的)估计类中的 Minimax 性.设     

矩阵损失下多元统计中期望向量的线性Minimax估计

设yi，y2，…，yn，i．i．d，Ey1＝β，Cov（y1）＝∑，这里ε∈RP和∑＞0未知，我们估计β，估计类为L＝｛Liyi：Li为p阶常数方阵，i＝1，2，…，n｝，损失函数为其中V1，V2＞0已知，我们研究β的一个线性估计在L中的Minimax性．主要结果是1．当V2＝kV1，k＞0时，β的唯一的Ⅰ-型线性Minimax估计为Y／（1＋），其中Y＝＝2．当V2＝kV1对所有k＞0不成立，但V1V2＝V2V1时，β的Ⅰ-型线性Minimax估计不存在．3．当V1V2＝V2V1时，β的Ⅱ-型线性Minimax估计为，这个估计在V1，V2满足条件V1V2＝V2V1下变化时，构成了集合｛AY：A对称，A的特征根均在（0，1）中｝．4．对于一般的V1，V2；Y仍是β的Ⅱ-型线性Minimnax估计，这个估计在V1，V2任意变化时，构成了集会｛AY:A的特征根是实的，特征根全在（0，1）中，且A只具有线性初等因子｝．     

在一般Gauss─Markoff模型下线性变换保最佳线性最小偏倚估计

在一般Ｇａｕｓｓ－Ｍａｒｋｏｆｆ模型｛Ｙ，Ｘβ，Ｖ｝下，设Ｆ是一个适当阶矩阵，Ｃ为任意适当维向量，本文找到了ＡＹ是Ｃ＇β的最小偏倚估计的充分必要条件及ＡＹ是Ｃ＇β的最佳线性最小偏倚估计的充要条件．在以概率１意义下，证明了对于所有适当维向量Ｃ，Ｃ＇β的最佳线性最小偏倚估计能被表示成ＦＹ的线性函数的充要条件，且在此条件下，线性变换保最佳线性最小偏倚估计．     

二次损失下带线性等式约束的线性模型中的线性预测的可容许性

本文针对带线性等式约束的线性模型 ,在二次损失下研究了线性预测的可容许性 ,得到了条件线性可预测变量的线性预测 Lys(Lys+ a)是可容许线性预测的充要条件。     

带线性约束的回归模型参数的Liu估计方法

针对一般带约束的最小二乘估计(ORLSE)在参数估计中处理复共线性的不足,通过引入附加随机线性约束,提出了约束Liu型估计方法.经理论证明,此方法在均方误差下较已经提出的ORLSE和约束岭估计(RRE)效果更好,并且它可以作为两种方法的推广形式.讨论了其中k, d的确定原则,并将此方法推广到了广义形式和典则形式下的估计公式.     

组合线性算子

本文给出一种构造组合线性逼近算子的方法，由此可得到具有特殊逼近性质的线性算子．     

一般线性方法的线性与非线性稳定性间的关系

１．引言１９６３年,Ｄａｈｌｑｕｉｓｔ以一类线性问题为模型提出了Ａ－稳定性概念,此后有关如何判断方法是否Ａ－稳定或确定其稳定域的研究十分活跃,袁兆鼎等~［１］中对此有详细的讨论．Ｂｕｒｒａｇｅ与Ｂｕｔｃｈｅｒ［２］以一类非线性问题为模型,就一般线性方法引入了代数稳定性概念．Ｂｕｔｃｈｅｒ［４］探讨了代数稳定性与Ａ－稳定性间的内在联系．为确保代数稳定性蕴涵Ａ－稳定性,Ｂｕｔｃｈｅｒ［５］进一步要求代数稳定性定义中涉及的矩阵Ｇ是正定的。然而这样一来,正如李寿佛［６］中指出的那样,许多ＡＮ稳定且按［４…     

具有慢变与快变模型的线性次优滤波

我们讨论具有白噪声的线性系统(?) (1)的线性滤波问题,其中 {w(t)} 均值为零,方差为 I 的 Gauss 白噪声.系统(1)的模型噪声与量测噪声独立,即 (?) D~τ=0.并设 R=DD~τ>0.系统初值 x~0,z~0与噪声 w(t)相互独立.μ为大于零的小参数.     

线性等式约束下多元线性模型的简单投影预测

研究线性等式约束下一般生长曲线模型的简单投影预测θCSPP关于协方差阵的稳健性,得到θCSPP为条件线性可预测变量的条件最优线性无偏预测的充要条件,推广Bolfarine H等的有关结果。     

线性调节器的特征结构

本文利用频率条件是线性调节器最佳反馈阵的充要必要条件，讨论了线性调节的特征结构问题，进一步还给出一种求最佳反馈阵的方法。     

K-POTENT PRESERVING LINEAR MAPS

Let B(X) be the Banach algebra of all bounded linear operators on a complex Banach space X. Let k ≥ 2 be an integer and φ a weakly continuous linear surjective map from B(X) into itself. It is shown that φ is k-potent preserving if and only if it is k-th-power preserving, and in turn, if and only if it is either an automorphism or an antiautomorphism on B(X) multiplied by a complex number λ satisfying λk-1= 1. Let A be a von Neumann algebra and B be a Banach algebra, it is also shown that a bounded surjective linear map from A onto B is k-potent preserving if and only if it is a Jordan homomorphism multiplied by an invertible element with (k - l)-th power I.