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)     

矩阵损失下随机回归系数和参数的非齐次估计的可容许性

考虑线性模型 Y=Xβ+ε,Y 是可观察的 n 维向量,ε和β是不可观察的 n 维和 p 维随机向量;E(β)=Aα,VAR(β)=σ~2△≥0;E(ε)=0,VAR(ε)=σ~2V≥0;E(εβ＇)=0;X,A,△,V 皆为已知矩阵;α∈R~k,σ>0皆为未知参数,本文首次提出矩阵损失函数,并给出了(Sα,Qβ)的估计(L_1Y+α,L_2Y+b)在非齐次估计类中可容许的充要条件。     

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).     

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）．     

带约束的回归系数的线性估计的可容许性

在本文中,我们针对带齐次线性等式约束的线性模型Y=Xβ+ε,ε～(0,σ~2V),Hβ=0,给出了回归系数的最佳线性无偏估计的较简单的表达式以及Sβ的估计LY(LY+α)在齐次线性估计类(线性估计类)中可容许的充要条件。     

一般正态线性模型中可估函数的线性Minimax估计

对于一般正态线性模型y～N(Xβ,σ2V),这里X和V≥0是已知矩阵,β∈Rp和σ2＞0是未知参数,在二次损失下我们研究了可估函数DXβ的线性估计在一切估计类中的Minimax性,得到了DXβ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估计的可容许性

§1.引言考虑一般的随机效应线性模型Y=Xβ+ε,(1.1)其中 Y 为可观测的 n 维随机向量,ε和β分别为不可观测的 n 维和 p 维随机向量,E(β)=Aα,VAR(β)=Δ≥0,E(ε)=0,VAR(ε)=V≥0,E(βε')=0,X,A,Δ和 V 分别为已知的 n×p,p×k,p×p 和 n×n 矩阵,α∈R~k 为参数。对于矩阵 B 和C,B≥C(B>C)表示 B—C 为非负定(正定)对称矩阵。     

ADMISSIBILITY OF LINEAR ESTIMATORS OF REGRESSION COEFFICIENTS UNDER QUADRATIC LOSS

For the general fixed effects linear model: Y = X_T+ε, ε～N(0, V), V≥0, weobtain the necessary and sufficient conditions for LY +a to be admissible for a linear estimablefunction S_r in the class of all estimators under the loss function (d -- Sr)'D(d --Sr), whereD≥0 is known. For the general random effects linear model: Y = Xβ+ε,(βε)～N((Aα 0), (V_(11)V_(12)V_(21)V_(22))), ∧= XV_(11)X'+XV_(12)+ V_(21)X+V_(22)≥0, we also get the necessaryand sufficient conditions for LY+a to be admissible for a linear estimable function Sα+Qβin the class of all estimators under the loss function (d-Sα-Qβ)'D(d-Sα-Qβ).whereD≥0 is known.     

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｝．     

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。     

方差分量线性模型中回归系数和参数的所有可容许线性估计

对固定效应方差分量模型，在矩阵损失（ｄ－Ｓ＿τ）（ｄ－Ｓ＿τ）＇下，我们给出了线性可估函数Ｓτ的线性估计在一切估计类中可容许的充要条件；对具有两个方差分量的随机效应线性模型在矩阵损失（ｄ－Ｓα－Ｑβ）（ｄ－Ｓα－Ｑβ）＇下，我们给出了线性可估函数Ｓα＋Ｑβ的线性估计在一切估计类中可容许的充要条件。     

方差分量模型中回归系数的线性Minimax估计

考虑方差分量(混合线性)模型y=Xβ+U1ξ1+U2ξ2+…+Ukξk,这里Xn×p,Ui,n×ti为已知设计矩阵,βp×1是固定效应,iξ是ti×1随机效应向量,满足E(iξ)=0,cov(iξ)=σ2iIti,iξ都不相关.往往Uk=In,ξk=ek,即最后一项为随机误差,热β∈RP和i2σ>0(i=1,2,…,k)为未知参数.我们考虑β的可估函数Sβ,选取二次损失函数L(d,Sβ)=(d-Sβ)′(d-Sβ)∑ki=1ciσi2+β′X′Vk-1Xβ,然后在线性估计类中给出Sβ的惟一的mini max估计.     

Toader型平均与几种经典平均的确界

给出了最佳参数α_1,α_2,α_3,β_1,β_2,β_3∈R,使得双向不等式α_1Q(a,b)+(1-α_1)G(a,b)0且a≠b成立.其中A(a,b)=(a+b)/2,H(a,b)=2ab/(a+b),G(a,b)=(ab)~(1/2),Q(a,b)=((a~2+b~2)/2)~(1/2),C(a,b)=(a~2+b~2)/(a+b),T(a,b)=2/π∫_0~(π/2)(a~2cos~2t+b~2sin~2)~(1/2)tdt分别是两个正数a和b的算术平均,调和平均,几何平均,二次平均,反调和平均和Toader平均.     

线性模型回归系数的c-(K,S)型估计的小样本性质

根据线性回归模型Y=Xβ+,εE(ε)=0,COV(ε)=σ2,对回归系数的有偏估计c-(K,S)型估计进一步研究;讨论了c-(K,S)型估计的基本性质;并在均方误差阵(M SEM)准则下讨论了c-(K,S)型估计相对于最小二乘估计的优良性,有助于线性回归系数有偏估计的进一步改进.     

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．     

关于(α,β) -度量的S -曲率

给出(α,β) -度量F=α\phi(β/α)的S -曲率的计算公式. 证得对一般的(α,β) -度量,当β为关于α长度恒定的Killing1 -形式时,S=0.研究了Matsumoto -度量F=α²/(α-β)和(α,α) -度量F=α+εβ+kβ²/α)的S -曲率, 证得S=0当且仅当β为关于α长度恒定的Killing1 -形式.同时还得到这两类度量成为弱Berwald度量的充要条件.其中\phi(s)为光滑函数,α(y)=\sqrt{a_ij(x)yⁱy^j}为黎曼度量,β(y)=b_i(x)yⁱ为非零1 -形式且ε,k≠ 0为常数.     

｛0,1,3｝问题摄动形式所对应的测度

给定实数λ,α以及Ｒ上（以λ,α为参数）的压缩自相似映射Ｓ１（ｘ）＝λｘ, Ｓ２（ｘ）＝ λｘ＋ａ, Ｓ３（ｘ）＝ λｘ＋３,记满足测度方程ｖ＝（１／３）∑ｉ＝１ｖｏＳｉ－１的唯一概率测度为ｕλ,α本文得到：（１）当固定 λ∈Ａ Ｅ（１／３, ２／５）时,则在 Ｌｅｂｅｓｇｕｅ测度意义下,对于 ａ．ｅ．的 ａ∈（０,１）,测度 ｕλ,α绝对连续,且存在平方可积密度．（２）若λ－１是 Ｐ．Ｖ．数,且 α是λ的有理系数多项式,则测度ｕλ,α是奇异测度．     

广义分数次积分多线性交换子的端点估计

设函数b=（b1,b2,…,bm）和广义分数次积分L-a／2（0〈α〈n）,它们生成多线性算子定义如下 Lb -a/2 f = [bm …, [b2[b1, L-a/2]],…, ]f,其中m ∈ Z＋ , bi ∈ Lipβi （0 〈βi 〈 1）,其中（1≤i≤m）．将讨论Lb -1a/2。从Mp^q（Rn）到Lip（α＋β-n/ q） （ Rn ）和q^q （ Rn ）到BMO（Rn）的有界性．     

二次损失下G-M模型中可估函数的条件Minimax估计与性质

在二次损失下关于任意矩阵V对G-M模型讨论了齐次线性估计类中可估函数的条件Mimimax估计与性质。     

无限维李代数L(α,β)的导子李代数

本文讨论了无限维李代数Ｌ（α，β）的导子李代数的结构．分三种情况：（１）当α，β在Ｑ上线性无关时，ＤｅｒＬ（α，β）＝ＣＤｆ０ＣＤｇ０ａｄＬ（α，β），其中Ｄｆ０，Ｄｇ０是由ｆ０，ｇ０决定的导子，ｆ０，ｇ０是定义在Ｚ×Ｚ上的线性函数；（２）当α，β在Ｑ上线性相关且不同时为０时，ＤｅｒＬ（α，β）ｄｅｒＬ（α′，０）（α′≠０），ｄｅｒＬ（α，０）＝ＣＤ－α０ＣＤ－αｇ０ＣＤｆ０ａｄＬ（α，０），（α≠０），其中Ｄ－α０是某一个固定的导子，Ｄ－αｇ０，Ｄｆ０是由ｇ０，ｆ０决定的导子；（３）当α＝β＝０时，ＤｅｒＬ（０，０）＝ＣＤｆ０ＣＤｇ０ａｄＬ（０，０）．