最小范数二次无偏估计与最小方差二次无偏估计的关系

本文给出了当V0 ≥ 0时 ,c′σ2 在混合模型M =( y ,Xβ ,Uξ,σ20 V0 )下的最小范数二次无偏估计的表达式及其证明 ;得到了当 y服从正态分布时 ,c′σ2 的最小范数二次无偏估计与其最小方差二次无偏估计之间的关系。     

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).     

矩阵损失下约束线性模型中回归系数的线性可容许估计

考虑约束线性模型Mr={Y,Xβ,σ2V|Rβ=r}其中x列满秩,V为正定矩阵.在二次损失下,Baksalary. J. K和Markiewicz,A得到了回归系教β的线性估计在非齐次线性估计类中可容许的充分必要条件,利用吴启光在无约束线性模型关于回归系数线性可容许估计的结果,对约束线性模型Mr我们得到结果如下在矩阵损失下回归系数β的线性估计AY+g在非齐次线性估计类中可容许当且仅当[i]XAV对称;[ii]R(A) R(U) [iii]AXU=U,g=(AX-I)R+r或AXU≠U时,有r(AX) (-∞,0)∪(1,+∞).其中R(U)=N(R),U为列正交矩阵.     

多元线性模型中一个二次估计的非负最优性

考虑如下的多元线性模型 Y=X’_1BX_2+Us,(1)其中ε=(ε_((1)),ε_((2)),…,ε_((r)))’是r×p阶随机矩阵,满足 本文给出了trC∑~*是trC∑的一致最小方差非负二次无偏估计(UMVNQUE)的充要条件,其中∑~*是∑的在一定意义下的最小二乘估计(LSE),C是任一非负定阵。     

线性模型中均值向量的最小二乘估计和最佳线性无偏估计之差的范数界的注记

我们讨论一般线性模型:Y=Xβ e,E(e)=0,Cov(e)=σ~2V,V为非负定协方差矩阵。我们知道μ=Xβ的最小二乘估计和最佳线性无偏估计分别为μ~*=X(X′X)~-X′Y和■=X(X′T~-X)~-X′X~-Y,这里T=V XUX′,U是一个对称阵使得R(T)=R(V■X)以及T≥0。本文讨论V≥0时,■与μ~*之差的范数界,把V>0时■和μ~*之差在Haberman条件下的范数界推广到V≥0,且在取常用的欧氏范数时,得到使Haberman条件成立的便于应用的充要条件。本文还证明了[2]界的推广形式,并把[3]界推广到V≥0的情况。     

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).     

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)     

一般的 Gauss-Markoff 模型中回归系数的线性估计的可容许性

此处 X 为已知的 n×p 矩阵;V 为已知的 n 阶非负定对称矩阵,记为 V≥0;β∈R~p,σ~2>0都是未知参数.设 Sβ可估(S 为已知的常数阵).我们想用 n 维随机向量 Y 的线性函数 LY(L 已知)去估计 Sβ.对于 V>0(即 V 为正定的对称矩阵),C.R.Rao 在二次损失函数     

具有两个方差分量的线性模型的比较

考虑线性模型(?)其中 X 为已知 n×p 矩阵,V 是已知或未知的 n 阶非负定阵,β=(β_1,…,β_p)′∈R~p 是参向量.记具有结构(1.1)的模型为 L=(Y,Xβ,V).设有两个模型 L_1(Y_1,X_1β,V_1),L_2=(Y_2,X_2β,V_2),当 V_1,V_2已知,Ehrenfeld定义了 L_1优于 L_2的概念,并证明了当 V_1,V_2非奇异时,L_1优于 L_2当且仅当 X′_1V_1~(-1)X_1-X′_2V_2~(-1)X_2≥0(非负定);Stepniak,Wang and Wu 继续研究了 V_1,V_2奇异的情形;Stepniak and Torgersen 又定义了当 V_1,V_2具有形式 σ~2V(σ~2未知,V 已知)时,L_1优于 L_2的概念;而且 Stepniak 证明了 L_1优于 L_2当且仅当 X′_1(V_1+X_1X′_1)-X_1-X′_2(V_2+X_2X′_2)-X_2≥0.但是,我们知道,在许多统计问题中,可观察的随机向量 Y 的协方差阵 V却有这样的形式 V=∑θ_iV_i,这里θ_i 为未知参数.事实上,在求方差分量的估计时,由均值-方差对应法导出的新模型其新的协方差阵往往不具有 σ~2V 这么简洁的形式(参见[5]).本文考虑的模型是 L_i=(Y_i,X_i,σ_1~2U_i+σ_2~2V_i),这里 U_i,V_i 均为已知非负定阵;σ_1~2,σ_2~2为未知参数.我们将给出 L_1优于 L_2(记为 L_1(?)L_2)的定义及判定准则。     

二次损失下回归系数的线性Minimax估计

设有线性模型 EY=Xβ CovY=σ~2V, 这里X: _(nxp),和V: _(nxn)>0已知矩阵,β∈R~P和σ~2>0都是参数。本文估计Sβ,选取损失函数 L(d,Sβ)=((d-Sβ)′(d-Sβ))/(σ~2+β′X′V~(-1)Xβ), 其中Sβ是可估的,并给出了在线性估计类中唯一的一个线性minimax估计。     

A Study of the Equivalence of the BLUEs between a Partitioned Singular Linear Model and Its Reduced Singular Linear Models

Abstract Consider the partitioned linear regression model and its four reduced linear models, where y is an n × 1 observable random vector with E(y) = Xβ and dispersion matrix Var(y) = σ² V, where σ² is an unknown positive scalar, V is an n × n known symmetric nonnegative definite matrix, X = (X ₁ : X ₂) is an n×(p+q) known design matrix with rank(X) = r ≤ (p+q), and β = (β′ ₁: β′₂ )′ with β₁ and β₂ being p×1 and q×1 vectors of unknown parameters, respectively. In this article the formulae for the differences between the best linear unbiased estimators of M ₂ X ₁β₁under the model and its best linear unbiased estimators under the reduced linear models of are given, where M ₂ = I -X ₂ X ₂ ⁺ . Furthermore, the necessary and sufficient conditions for the equalities between the best linear unbiased estimators of M ₂ X ₁β₁ under the model and those under its reduced linear models are established. Lastly, we also study the connections between the model and its linear transformation model. *This work is supported by the National Natural Science Foundation of China, Tian Yuan Special Foundation (No. 10226024), Postdoctoral Foundation of China and Lab. of Math. for Nonlinear Sciences at Fudan University. This research is supported in part by The International Organizing Committee and The Local Organizing Committee at the University of Tampere for this Workshop **The work is supported in part by an NSF grant of China. Results in this paper were presented by the first author at The Eighth International Workshop on Matrices and Statistics: Tampere, Finland, August 1999     

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。     

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．     

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.     

矩阵损失下随机回归系数和参数的线性Minimax估计

对于一般的随机效应线性模型Y=Xβ+ε,这里β和ε分别是p维和n维的随机向量,且E(βε)=(Aa0),Cov(βε)=σ2(V10 0V2),(Vi≥0,i=1,2)我们定义了Sα+Qβ的线性Minimax估计,在一定条件下得到了Sα+Qβ在线性估计类中的Minimax估计,并在几乎处处意义下证明了它的唯一性.     

协方差改进估计与相依混合效应回归方程

本文首先讨论了广义线性模型Ｙ＝Ｘβ＋ε（ε～（Ｏ，Ｖ））的系数β的最优线性无偏估计是用Ｔ２＝ＸＹ作为伴随变量对最小二乘估计Ｔ１＝（ＸＸ）－１Ｘ１Ｙ进行改进而得到的协方差改进估计．并把所得结果用于经济领域中的线性相依回归方程系统（ＳｅｅｍｉｎｇｌｙＵｎｒｅｌａｔｅｄＲｅｇｒｅｓｓｉｏｎＥｑａｕｔｉｏｎｓＳｙｓｔｅｍ）．然后关于一类线性相依混合效应回归方程系统，提出了一种优化估计方法。     

正态线性模型中误差方差的二次型估计的容许性

设Ｙ遵从Ｎ（Ｘβ，σ２Ｉｎ），秩（Ｘ）＜ｎ，在平方损失下，本交给出σ２的二次型估计在整个估计类中可容许的充要条件．     

线性回归模型的Bayes统计推断

Bayes方法虽融合了样本信息和先验信息，但利用的先验信息都是有历史经验和专家估计所得，因此可靠度不高。该文研究了正态线性回归模型：Y=Xβ＋e，e—N（0，σ^2。L），其中σ^2已知，β为未知参数向量，对传统的Bayes方法进行了改进，即把Bayes方法中的后验信息作为改进Bayes的无验信息并融合样本信息进行统计推断，在二次损失函数下得到了β的改进的Bayes估计。由于改进的Bayes方法的先验信息中有样本信息，因此其准确度比传统的Bayes方法准确度更高。     

线性模型中最小二乘估计的相对效率

考虑了Gauss-Markov模型y=Xβ+e,e~(0,σ2Σ)和增长曲线模型Y=ABC+ε,Vec(ε)~(0,δ2V W),提出了参数γ=Xβ和Γ=ABC的最小二乘估计(LSE)γ^与Γ^关于最佳线性无偏估计(BLUE)γ*与Γ*的几种新的相对效率,并得出了它们的下界以及与以往效率的某些关系.     

Representations of best linear unbiased estimators in the Gauss-Markoff model with a singular dispersion matrix

In the general Gauss-Markoff model (Y, Xβ, σ²V), when V is singular, there exist linear functions of Y which vanish with probability 1 imposing some restrictions on Y as well as on the unknown β. In all earlier work on linear estimation, representations of best-linear unbiased estimators (BLUE's) are obtained under the assumption: “L′Y is unbiased for Xβ ? L′X = X.” Such a condition is not, however, necessary. The present paper provides all possible representations of the BLUE's some of which violate the condition L′X = X. Representations of X for given classes of BLUE's are also obtained.