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     

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。     

方差分量的Bayes和Minimax二次估计

本文研究方差分量模型(?)其中 Eε=0,Eεε′=V_θ=sum from i=1 to p θ_iV_i,θ=(θ_1,…,θ_p)′∈Θ,而Θ为一开集且使Θ∩{θ:V_θ>0(p.d.)}非空,β∈(?),此处(?)为 R~K 中开集.在第二节,我们发现了∞-MINQE(u)的 Mini-max 性质,从而赋予其一种明确的统计优良性.本文的第二部分主要是引进有偏的 Bayes二次估计,并在 Kleffe(1974)工作的基础上,将其相应的结果推广到一般的方差分量模型.此外,亦导出了最优的 Bayes 二次估计.借助于当今的计算机,所有的计算步骤皆是可行的.     

多元线性模型中的一个参数函数的UMVIQUE的存在性

考虑多元线性模型 Y=X_1BX＇_2 Uε,Eε=0,其中ε=（ε_1,…,ε_n）＇,ε==(ε_1',...ε_n'),E(εε)=I（×）∑,∑≥0。是未知协差阵。本文给出了tr（C∑）的一致最小方差不变二次无偏估计（简记为UMVIQUE）存在的充要条件。     

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,     

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。     

自动选取多非线性参数初始值的循环搜索法

1几何中心化加权最小二乘法给定观测数据集(x_i,y_i),i=1,2,…,n．(1．1)欲拟合加权非线性模型y_i=f(x_i,θ) ε_i,(1．2)其中模型函数f的参数为θ=(θ_1,…,θ_p)~T,随机观测误差项满足ε_i～N[0,(?)~2m(z_i,λ)],(1．3) m(z_i,λ)为已知正值函数,z_i可以是x_i,也可以是μ_i=f(x_i,θ)或二者的组合,λ为权参数,而(?)~2为未知的方差参数,λ和θ可统称为模型参数．模型的似然函数为     

相依误差下回归系数 LS 估计的收敛速度

其中 x(ij)(j=1,…,p,i=1,2,…)是已知常数,常称之为模型(1)的设计常数或设计点列,β_1,…,β_p,为未知的回归系数,y_i,e_i 分别为第 i 次量测时的量测值和量测随机误差。以下,我们记设计矩阵(x_(ij))(?)≤(?)≤n,(?)≤j p 为 X_n,Y_n=(y_1,…,y_n)′,β=(β_1,…,β_p)′.并假定对某N,X′_N X_N 非退化,那么当 n≥N 时,X′_n X_n 亦非退化,且回归系数β的基于前 n 次量测值 Y_(?)及设计矩阵 X_(?)的最小二乘估计(通常简记为 LS 估计) b_(?)=(b_(?)1, …,b_((?)p)'为     

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}.     

Ⅰ型不可约Riemann全对称空间在保距下的分类

相伴于Ⅰ型不可约正交对称 Lie 代数(U,θ)的 Riemann 全对称空间的保距诱导了(?)的一个令对应于 U 的θ不变点集 K 的(?)不变的自同构(?),且令(U,θ)的伴随空间的基本群π_1(p_u~*)不变.相伴于(U,θ)的 Riemann 全对称空间保距的充分必要条件是它们对应的π_1(p_u~*)的子群在上述(?)下同构.π_1(p_u~*)(?)(?)/Γ_0,由Aut U/Ad U 中令 K 不变的元在((?))/Γ_0 上的作用得到了π_1(p_u~*)的子群在上述元下的同构分类,因而得到了Ⅰ型不可约 Riemann 全对称空间在保距下的分类.     

Ⅰ型不可约Riemann全对称空间在保距下的分类

相伴于Ⅰ型不可约正交对称 Lie 代数(U,θ)的 Riemann 全对称空间的保距诱导了(?)的一个令对应于 U 的θ不变点集 K 的(?)不变的自同构(?),且令(U,θ)的伴随空间的基本群π_1(p_u~*)不变.相伴于(U,θ)的 Riemann 全对称空间保距的充分必要条件是它们对应的π_1(p_u~*)的子群在上述(?)下同构.π_1(p_u~*)(?)(?)/Γ_0,由Aut U/Ad U 中令 K 不变的元在((?))/Γ_0 上的作用得到了π_1(p_u~*)的子群在上述元下的同构分类,因而得到了Ⅰ型不可约 Riemann 全对称空间在保距下的分类.     

渐近Bayes判别

<正> 一、引言设(θ,X),(θ_1,X_1),…,(θ_n,X_n)为 iid 随机变量,其中 X 取值于只 R~d(d≥1),θ只取0,1两个值,记 P(θ=0)=η_0,P(θ=1)=η_1=1-η_0,设 X 在给定θ=i 时的条件密度为 f_i(x)dx,i=0,1.(θ_1,X_1),…,(θ_n,X_n)是已知的样本,常称为训练样本,在实际应用上,常需借助于它们,以根据 X 之观测值,对θ的值做出判別.记 f(x)=η_0f_0(x)+η_1f_1(x),则后验概率为     

亚纯函数结合于导数和重值的辐角分布

本文考虑了关于亚纯函数结合其导数涉及重值的辐角分布方面的问题,主要证明了:定理1 设 f(x)是λ级亚纯函数,0<λ<∝,则存在一条由原点出发的半直线 B:arg z=θ_0,(0≤θ_0<2π)使得对于任意正数ε,一切有穷复数 a 与一切有穷非零复数 b 有:(?)(log{n(r,θ_0,ε,f)+n_(k-1)(r,θ_0,ε,f=a)+n_(l-1)(r,θ_0,ε,f~(m)=b)})/log r其中 k,l,m 为正数且满足条件 (m+1)/k+1/l<1.本文还对定理1作了推广。     

高阶亚纯函数系数微分方程的解及其导数的不动点

研究了高阶线性微分方程f~(k)+A_(k-1)(z)f~(k-1)+…+A_1(z)f′+A_0(z)f=0的非零解f,及其一阶、二阶导数,f~(i)(i=1,2)的不动点性质,这里A_j(z)(j=0,1,…k-1)为亚纯函数,得到了若δ(∞,A_0)>0,且满足max{i(A1),i(A2),…,i(A_(k-1))}相似文献   

最近邻判别法中错误概率估计的强收敛速度(英文)

本文考虑最近邻判别法中错误概率估计的强收敛速度.设(X,θ),(X_1,θ_1),…,(X_n,θ_n)为取值于 R~m×{1,2,…,M}的 i.i.d.样本,m≥1,M≥2为正整数.记θ′_n 为θ的最近邻判别,错判概率 R_n=p(θ′_n≠θ),恒有(?)R_n=R.(?)_n 为基于 X,并借助于训练样本(X_1,θ_1),…,(X_nθ_n)的 R_n 的估计量.我们证明了在一组条件下,及对适当选取的α>0,有(?)_n-R=0(1/(n~α)).     

再论线性模型中回归系数的最小二乘估计的相合性

<正> (一) 引言 考虑线性模型Y_i=x′_iβ+e_i,i=1,…,n,….这里x_1,x_2,…为已知的试验点列β=(β_1,…,β_p)′为未知参数,e_1,e_2,…为随机误差序列.假定E(e_i)=0对一切i.由前n次试验结果算出β的最小二乘估计     

关于Hardy-Littlewood一个定理的注记

若圆|z|<1内解析函数f(z)=f(re~(iθ))对所有00,)则称f(z)∈H_p。H_p类解析函数f(z)在|z|=1上几乎处处有角形边界值f(e~(iθ)),且满足‖f(e~(iθ))‖_p<+∞([1]第二章)。这时称函数 为f(e~(iθ))的k阶积分连续模,其中κ为任意自然数。当κ=1时,简记ω_1(δ)_p=ω_p(δ)。 关于H_p(p≥1)类解析函数,Hardy—Littlewood有一个定理([2]定理48):     

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     

关于亚纯函数的Hayman方向

定义1 设 f(z)为开平面上ρ(0≤ρ<+∞)级亚纯函数。B:argz=θ_0(0≤θ_0<2π)为原点出发的直线。若对任意正整数 l,任意正数ε,及任意两个有穷复数 a,b(b≠0)(?)(log+{n(r,θ,ε,f=a)+n(r,θ_0,ε,f~(l)=b)})/log     

线性回归模型Liu估计的新研究

考虑线性回归模型Y=Xβ+ε,E()ε=0,Cov()ε=2σI(1),当设计矩阵X的列存在共线性时,最小二乘估计^β=(X′X)-1X′Y的性质变坏,为此给出了有偏估计^(βK,d)=(X′X+K)-1(X′Y+d^β),其中K为对角矩阵,K=diag(k1,…kp),ki≥0,d>0为参数,讨论了这种有偏估计与广义岭估计、Liu估计的比较,并证明了其可容许性估计.