方差分量的改进估计

本文研究一类方差分量模型中方差分量的改进估计问题,对单向分类随机模型的对应于随机效应的方差分量,我们研究了一个不变估计类,它包含了一些常用重要估计。证明了在均方误差准则下,在该估计类中不存在一致最优不变估计,且方差分析估计是不容许估计。在一个重要子估计类中,找到了一致最优估计。对于较一般的含两个方差分量的混合模型,我们研究了一个非负估计类的性质,给出了它们的分布,并建立了它们优于方差分析估计的充分     

含有两个方差分量的多元混合效应模型方差分量矩阵的估计

考虑含有两个方差分量矩阵的多元混合模型,将一元混合模型下的谱分解估计推广到多元模型下.给出的方差分量矩阵的谱分解估计在均方误差意义下一致的优于ANOVA估计,最后还讨论了谱分解估计与ANOVA估计等价的条件.     

线性混合模型中方差分量的ANOVA估计的改进

讨论了在含三个方差分量的线性混合模型中,在均方误差意义下,方差分量的方差分析估计的改进,并把这一结果推广到一般的线性混合模型上,得到一个改进方差分析估计的简单方法.     

方差分量的二次不变估计的非负改进

研究一类方差分量模型中的方差分量的估计改进问题,首先在含两个方差分量模型中给出σ21二次型估计类,并且此估计类还具有无偏性和不变性.考虑二次损失(δ-θ)2,在此估计类基础上放弃无偏性进行非负改进,不仅得到优于二次不变无偏估计类的σ21的非负二次不变估计类,而且还说明了它优于方差分析估计和最小均方误差估计,文献[5]中给出s>2时的非负改进,但是非负改进存在是有条件的,本文克服了这个缺陷.最后给出了非负改进存在的充分必要条件.     

随机变量二次型的协方差在混合效应模型中的应用

本文提出方差分量ANOVA估计的一种改进方法, 证明了对于一般的方差分量模型, 只要方差分量的ANOVA估计存在就可以通过此方法给出其改进形式, 并且在均方误差意义下优于ANOVA估计. 特别地, 对于单向分类随机效应模型, Kelly和Mathew^[1]对ANOVA估计的改进就是我们提出的改进方法的特殊形式, 这也给出了此类改进估计在均方误差意义下优于ANOVA估计的另一种合理的解释. 同时, 本文又将此思想应用到对谱分解估计的改进上. 本文应用协方差的简单性质证明了对带有一个随机效应的方差分量模型, 当随机效应的协方差阵只有一个非零特征值时, 随机效应方差分量谱分解估计在均方误差意义下总是优于ANOVA估计. 本文最后将第三节的结论推广到广义谱分解估计下, 同时给出广义谱分解估计待定系数的一个合理的取值.     

混合模型中方差分量估计的容许性及非负估计

对含有两个方差分量的线性混合模型, 本文构造了方差分量的一个线性估计类, 它包含许多常见的方差分量估计. 在这个类中我们建立了容许性的必要条件, 据此得到了两个新的改进估计. 最后我们讨论了方差分量的非负估计, 得到了优于方差分析估计和Tatsuya估计的正估计.     

Bayes估计的进一步研究及其Pitman最优性

对线性模型参数,讨论了Bayes估计的Pitman最优性,将已有结果进行了改进,去掉了附加条件,证明了在Pitman准则下,Bayes估计一致优于最小二乘估计(LSE),在此基础上,提出了一种基于先验信息的方差分量估计,通过和基于LSE的方差分量估计作比较,证明了新估计是无偏估计且有更小的均方误差．最后,证明了在Pitman准则下生长曲线模型参数的Bayes估计优于最佳线性无偏估计．     

线性混合效应模型中方差分量的估计

本文首先研究了含三个方差分量的线性混合随机效应模型改进的ANOVA估计, 此估计在均方损失下一致优于ANOVA估计. 由于这些方差估计取负值的概率大于零, 对得到的估计在某非负点采用截尾的方法得到非负估计是一种常用的方法. 对文章中提出的估计, 研究了此估计在某非负点截尾之后得到的估计在均方损失意义下优于截尾之前的估计的充分条件, 同时给出ANOVA估计在截尾之后优于它本身的充分条件, 而且将得到的结论推广到更一般的线性混合随机效应模型.     

线性混合模型中固定效应和方差分量同时最优估计

对于具有广泛应用的含有两个方差分量的线性混合模型, 找到了一组简单条件. 在这些条件下, 证明了固定效应的最小二乘估计和方差分量的方差分析估计同时是最小方差无偏估计; 获得了固定效应的精确置信区间和随机效应的方差分量的一致最优无偏检验; 得到了随机效应方差的方差分析估计取负值的概率精确表达式.     

线性模型中回归系数和误差方差的同时Bayes估计的优良性

在线性模型中回归系数与误差方差具有正态-逆Gamma先验时,导出了回归系数与误差方差的同时Bayes估计.在均方误差矩阵准则和Bayes Pitman closeness准则下,研究了回归系数的Bayes估计相对于最小二乘(LS)估计的优良性,还讨论了误差方差的Bayes估计在均方误差准则下相对于LS估计的优良性.     

方差分量谱分解估计的几个性质

对于线性混合模型中方差分量的估计，虽有多种方法，但一般情况下只有方差分析估计和谱分解估计有显式解，本文就线性混合模型中含两个方差分量的情形，对方差分析估计和谱分解估计进行了比较，证明了在一些条件下两个估计的方差相等，由此推出谱分解估计也具有方差分析估计的某些优良性．文末用实例进一步说明了文中的结果．     

���ЧӦģ���з��������Bayes���Ƽ���������

??The Bayes estimators of variance components are derived under weighted square loss function for the balanced one-way classification random effects model with the assumption that variance component has the conjugate prior distribution. The superiorities of the Bayes estimators for variance components to traditional ANOVA estimators are studied in terms of the mean square error (MSE) criterion. Finally, a remark for main results is given.     

多元线性混合模型方差分量矩阵的非负估计

本文研究了带有两个方差分量矩阵的多元线性混合模型方差分量矩阵的估计问题.对于平衡模型,给出了基于谱分解估计的一个方差分量矩阵的非负估计类.对于非平衡模型,给出了方差分量矩阵的广义谱分解估计类,讨论了与ANOVA估计等价的充要条件.同时,在广义谱分解估计的基础上给出了一种非负估计类,并讨论了其优良性.当具有较小二次风险的非负估计不存在时,从估计为非负的概率的角度考虑,将Kelly和Mathew(1993)提出的构造具有更小取负值概率的估计类的方法推广到本文的多元模型下,给出了较谱分解估计相比有更小取负值概率和更小风险的估计类.最后,模拟研究和实例分析表明文中理论结果有很好的表现.     

Simultaneous optimality of LSE and ANOVA estimate in general mixed models

Problems of the simultaneous optimal estimates and the optimal tests in general mixed models are considered. A necessary and sufficient condition is presented for the least squares estimate of the fixed effects and the analysis of variance （Hendreson III＇s） estimate of variance components being uniformly minimum variance unbiased estimates simultaneously. This result can be applied to the problems of finding uniformly optimal unbiased tests and uniformly most accurate unbiased confidential interval on parameters of interest, and for finding equivalences of several common estimates of variance components.     

Simultaneous optimal estimates of fixed effects and variance components in the mixed model

For a general linear mixed model with two variance components, a set of simple conditions is obtained, under which, (i) the least squares estimate of the fixed effects and the analysis of variance (ANOVA) estimates of variance components are proved to be uniformly minimum variance unbiased estimates simultaneously; (ii) the exact confidence intervals of the fixed effects and uniformly optimal unbiased tests on variance components are given; (iii) the exact probability expression of ANOVA estimates of variance components taking negative value is obtained.     

正态-逆Wishart先验下多元线性模型中经验Bayes估计的优良性

在正态-逆Wishart先验下研究了多元线性模型中参数的经验Bayes估计及其优良性问题.当先验分布中含有未知参数时,构造了回归系数矩阵和误差方差矩阵的经验Bayes估计,并在Bayes均方误差(简称BMSE)准则和Bayes均方误差阵(简称BMSEM)准则下,证明了经验Bayes估计优于最小二乘估计.最后,进行了Monte Carlo模拟研究,进一步验证了理论结果.     

Optimal variance estimation based on lagged second-order difference in nonparametric regression

Differenced estimators of variance bypass the estimation of regression function and thus are simple to calculate. However, there exist two problems: most differenced estimators do not achieve the asymptotic optimal rate for the mean square error; for finite samples the estimation bias is also important and not further considered. In this paper, we estimate the variance as the intercept in a linear regression with the lagged Gasser-type variance estimator as dependent variable. For the equidistant design, our estimator is not only \(n^{1/2}\)-consistent and asymptotically normal, but also achieves the optimal bound in terms of estimation variance with less asymptotic bias. Simulation studies show that our estimator has less mean square error than some existing differenced estimators, especially in the cases of immense oscillation of regression function and small-sized sample.     

Kernel quantile estimator with ICI adaptive bandwidth selection technique

In this article, we consider a class of kernel quantile estimators which is the linear combi- nation of order statistics. This class of kernel quantile estimators can be regarded as an extension of some existing estimators. The exact mean square error expression for this class of estimators will be provided when data are uniformly distributed. The implementation of these estimators depends mostly on the bandwidth selection. We then develop an adaptive method for bandwidth selection based on the intersection confidence intervals （ICI） principle. Monte Carlo studies demonstrate that our proposed approach is comparatively remarkable. We illustrate our method with a real data set.