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。     

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,     

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。     

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。     

线性变换对带约束奇异线性模型的条件G—M估计的影响

考虑带约束奇异线性模型Y=Xβ＋ε，Lβ＝0，E（ε）＝0，cov（ε）＝σ~2V，其中V为非负定矩阵，X为任意秩．文章研究了观察向量Y的线性变换对回归系数条件可估函数Sβ的G－M估计的影响，并将条件可估子空间μ（X'L'）划分成Ω＋Ω_＋Ω_2.当μ（S'）Ω时，Sβ的条件G-M估计在模型变化后其优良性不变；当μ（S'）Ω_1时，模型变化后Sβ仍可估，但Sβ的条件G－M估计的方差要变大；当μ（S'）Ω_2时，Sβ不可估．     

线性模型中误差方差的非齐次估计的可容许性

考虑模型Y=Xβ+e,其中X_(n×p)是设计矩阵,e的各分量e_1,e_2,…,e_n相互独立,E(e_i)=E(e_i~3)=0,E(e_i~2)=σ~2,E(e_i~4)=3σ~4,i=1,2,…,n。本文讨论误差方差σ~2的估计在估计类={Y′AY+l′AY+f;Y′AY+l′AY +f≥0对一切Y}中的可容许性问题。当X为满秩矩阵时,给出了σ~2的估计在中可容许的充分必要条件,当X_(n×p)=1时,给出了估计类的一个完全类以及估计可容许的充分条件。     

一、二阶矩和二阶中心矩同时估计的可容许性

鉴于回归系数月的最重要的估计量是观察值Y的线性函数,二阶中心矩尹和二阶原点矩护十尸的最重要的估计量是Y的非负定二次型,故限制在线性估计类中讨论月的可容许估计以及限制在非负定二次型估计类中讨论沪和尹十尸的可容许估计,越来越受到     

方差分量模型中回归系数的线性估计的可容许性的若干结果

考虑方差分量模型EY=Xβ,VAB(Y)=sum from i=1 to m θ_iV_i,其中n×p矩阵X和非负定矩阵V_i(i=1,2,…,m)都是已知的,β∈R~p,θ_i≥0或θ_i>0(i=1,2,…,m)均为参数.设Sβ是线性可估的。在本文中,我们分别获得了在二次损失和矩阵损失下,关于Sβ的线性估计在线性估计类中可容许的若干结果,并在正态假设下,我们也讨论了线性估计在一切估计类中的可容许性。     

多项式损失下二次型估计的可容许性

设有线性模型Y=Xβ+δ,其中X为已知的n×p阶矩阵,n≥2,δ～N_n(O,σ~2(Ln),β∈R~n和σ~2>O皆未知,估计σ~2,取损失函数L(β,σ~2;d)=W[σ~(-4(d-σ~2)~2],其中设对称) 本文给出了X=1_n和X=I_n时,Y'AY∈(?)在估计类现中是σ~2的可容许估计的充要条件。     

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。     

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.     

线性模型回归系数c-(K,S)型估计的优良性

根据线性回归模型Y=Xβ+ε,E(ε)=0,COV(ε)=σ~2I,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)型估计的优良性,在一定的条件下获得β_c(K,S)估计与LS估计的相对效率的界,并由此得出在设计阵病态时,β_c(K,S)型估计的精度明显高于LS估计;最后,证明了c-(K,S)型估计的可容许性,从而有助于病态线性回归系数有偏估计的进一步改进.     

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。     

关于m个相关回归方程系统回归系数的两步估计

一、前言 考虑m个回归方程系统如下yi=Xiβi εi(i=1,2,…,m),(1)其中在第i(i=1,2,…,m)个方程中,yi是n×1的随机观察值向量,Xi是秩为pi的n×pi阶矩阵,βi是pi×1的未知参数向量,而εi是n×1的误差向量。 惯常的方法是假定误差向量ε_1,ε_2,…,ε_m是互相独立地服从正态分布,其均值是E(εi)=0,方(协)差矩阵是D(εi)=σ_i~2I_n(i=1,2,…,m),这里I_n表示n阶单位阵,σ_i~2是未知参数。在这样的假定下,估计回归系数βi只须单从第i个方程求得其最小     

增长曲线模型中系数矩阵的线性容许Minimax估计

对于生长曲线模型Y＝X_1B_1X_2＋ε，Cov（ε）＝σV，本文分别在某种齐次线性估计类L0和非齐次线性估计类L_1中找到了系数矩阵的线性可估函数KBL的容许Minimax估计，并且证明了这种估计是唯一的．     

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。     

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.     

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.     

半参数回归模型小波估计的强相合性

考虑半参数回归模型y_i~(n)=X_i~((n)T)β+g(t_i~(n))+ε_i~(n)(1■i■n),其中β∈R~d为未知参数,g(t)为[0,1】上的未知Borel函数,X_i~(n)为R~d上的随机设计,随机误差序列{ε_i~(n)}为鞅差序列,{t_i~(n))为[0,1]上的常数序列．本文用小波的方法得到β、g(t)的估计量分别为■_n、■_n(t),并证明了它们的强相合性．