利用配对数据进行参数假设检验的一个注记

<正> 1.引言 在通常的数理统计书籍中,对于两正态总体数学期望的检验问题,一般按两类情况进行讨论;即当ε～N(α_1,σ_1~2).η～N(α_2,σ_2~2).α_1.α_2.σ_1~2.σ_2~2都是未知参数,对于统计假设H_0:α_1=α_2,H_1:α_1≠α_2.若σ_1~2=σ_2~2=σ~2时,构造统计量     

牛顿公式的一个初等证明

设x_1,x_2,…,x_n是一元n次方程x~n-σ_1x~(n-1)+σ_2x~(n-2)-…+(-1)~nσ_n=0的n个根,并设S_k=x_1~k+x_2~k+…+x_n~k(k=1,2,…),那么 当k相似文献   

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。     

关于误差方差估计渐近正态收敛速度的上,下界

考虑线性回归模型 Y_■=x_4~′β+e_■ i=1,2,…设误差序列■,i≥1满足条件:e_■ i≥1 i.i.d.,Ee_1=0,Ee_1~2=σ~2>0,∞>Var e_1~2=τ~2>0。记■_n~2=1/(n-r){sum from j=1 to n e■-sum from k=1 to r (sum from j=1 to n a_(akj)■_j)~2} δ(n)=τ~(-2)E(■_1~2-σ~2)~2I_((|■-σ~2|≥■τ)+τ~(-3)n~(1/2)|E(■_1~2-σ~2)~3I_((|■_1~2-σ~2|<(nτ)~(1/2))+τ~(-4)n~(-1)E■_1~2-σ~2)~4I_((|■-σ~2|0使得■|P(■_n~2-σ~2)/(Var■_n~2)~(1/2))≤x)-Φ(x)|≤C(δ(n)+n~(-1/2)) ■|P(■_n~2-σ~2)/(Var■_n~2)~(1/2))≤x)-Φ(x)|+n~(-1/2)≥C_1δ(n)。     

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,     

线性模型中的一个假设检验问题(英文)

本文讨论了多元线性模型中的一个假设检验问题。假定 的各行独立、正态、同协差阵Ⅴ。现在要检验假设H_0:存在矩阵C使θ=Cη是否成立。首先可将问题化为法式的形式,对法式分两种情况进行讨论: (一)V=σ~2I, σ~2未知。此时可求出θ, C,σ~2的最大似然估计(当H_0成立时)是中的资料阵y_1,y_2,d1,…,d_K是y′_3y_3的全部特征根。λ_1~*≥…λ_(p+q)~*是(y_1 y_2)(y′_1 y′_2)的全部 Λ=sum from j=p+1 to k /sum from j-1 to k d_j,λ_1≥λ_2…≥λ_k是y′_1y1+y′_2y_2的全部特征根。 (二)一般情形V未知。此时θ,C的估计量同前,可求出 (?)=1/n(y′_2T_(22)T′_(22)y_2+y′_3y_3).H_0相应的Lawley不变检验是 sum from j=p+1 to k β_j≥α_1,其中β_1≥β_2≥…≥β_k是y′1y_1+y′_2y_2的相对于y′_3y_3的全部特征根。 有关Λ的以及sum from j=p+1 to k β_j的极限分布将在另外的文章中讨论。     

ρ-混合序列部分和乘积的几乎处处极限定理

设{X_n,n≥1}是一严平稳的ρ-混合的正的随机变量序列,且EX_1=μ＞0, Var(X_1)=σ~2,记S_n=Σ_(i=1)~n X_i和γ=σ/μ,在较弱的条件下,证明了对任意的x,,其中σ_1~2=1+2/(σ~2)∑_(j=2)~∞Cov(X_1,X_j),F(·)是随机变量e~(2~(1/2)N)的分布函数,N是标准正态随机变量,我们的结果推广了i．i．d时的情形．     

矩阵损失下回归系数和误差方差的联合估计的可容许性的几个结果

设有线性模型:Y=(Y_1,…,Y_n)＇=Xβ+ε=Xβ+(ε_1,…,ε_n)＇,其中X:n×p已知,β=(β_1,…,β_p)＇未知,ε_1,…,ε_n独立,E_(ε_i)=E_(ε_i~3)=0,E_(ε_4~2)=σ~2,F_(ε_i~4)=3σ~4,i=1,2,…,n,0<σ~2<∞,σ~2未知。在矩阵损失下,我们考虑(Sβ,σ~2)的联合估计(AY,Y＇BY)在估计类×={(CY,Y＇DY):C为m×n的常数阵,D≥0为n×n的常数阵中的可容许性,得到了(AY,Y＇BY)为(Sβ,σ~2)的可容许估计的一些充分条件和必要条件。     

线性模型中均值向量的LSE和BLUE的偏差估计

对于线性模型 Y=Xβ+e,E(e)=0,cov(e)=σ~2∑,∑≥0μ=Xβ的LSE和BLUE分别为■=X(X′X)-X′Y和μ~*=X(X′T-X)-X′T-Y,其中T=∑+XUX′,U是对称阵且使Rank(T)=Rank(∑X)和T≥0,本文证明了‖■-μ~*‖_2≤(λ_r-λ_ζ)/(2(λ+λ_k)~(1/2))‖Y-■‖_2这里λ_4=ch_4(T),i=1,2,…,n,λ_1≥…≥λ_n≥0。k=Rank(X),‖a‖_2=(a′a)~(1/2),并且给出了‖cov(■)-cov(μ~*)‖_s‖PT~2P-(PTP)~2‖_s和‖(cov+(μ~*))~(1/2)cov(■)(cov+(μ~*))~(1/2)‖s的上界,这里‖A‖_s=(tr(A′A)~(3/2))~(■),s≥1。     

正态样本最大值与平均值之差的上侧分位数表

设 x_1,x_2,…,x_n 是来自正态总体 N(μ,σ~2)的随机样本,μ∈R,σ~2>0已知,记(?)_n为样本均值,x_(1)≤x_(2)≤…≤x_(n)是此样本的顺序统计量.Nair 和 Grubbs 提出以统计量 R_n=(x_(n)-(?)_n)/σ口进行某些统计检验.特别用以判断最大值是否异常数据.当然 R′_n=((?)_(n)-x_(1))/σ可用以判断最小值是否异常数据,R′_n 的分布与 R_n 相同.这检验的最优性质可由 Kudo 的方法来证.