方差分量的非负二次同时估计的可容许性

设方差分量模型，其中β∈为未知参数，Ｘ已知，Ｖ１≥０，Ｖ２≥０为已知的非负定矩阵．文［１］在一定的条件下给出了非负二次估计可容许的一个充分必要条件．但必要条件是在ｘ＝Ｉｎ（单位矩阵），Ｖ１＝Ｖ２＞０的条件下给出的，由于这些限制使必要条件不理想．本文去掉了这些限制，对一般的方差分量模型，给出了与文［１］中一样的必要条件，同时也研究了非齐次二次估计的可容许性．     

椭球约束下误差方差非负二次估计的可容许性

本文给出了线性模型中椭球约束下，误差方差非负二次估计可容许的一个必要条件，并且，对于线性模型中设计阵X＝1nj=(1,1,…，1）′的特殊情形，本文给出了一个充要条件。     

方差分量的同变二次型估计的可容许性

<正> 讨论估计的(?)-可容许性,是容许性问题近年来受到人们较多注意的一个方面.线性模型中回归系数的最重要的估计量是观察值的线性函数.在此种线性估计类中的(?)-可容许性问题,目前已有完整的结果,见Cohen,Rao和LaMotte。误差方差的最     

方差分量的 Bayes 二次不变估计及容许性

设计线性模型nn1/Y=XB ε（1）其中 E_ε=0,Eεε′=θ_1v_1 … θ_p v_P(?)v_0≥0,v_1,…,v_p 为已知对称矩阵,X 为已知矩阵,β、θ(?)(θ_1,…,θ_p)′为未知参数,进一步我们假定ε有有限四阶矩,记为 E(εε′(?)εε′)=ψ.设f′θ(?)f_1θ_1 … f_pθ_p,并且 f′θ是无偏不变二次可估的(即存在对称矩阵 A 满足AX=0使 EY′AY=f′θ).对这样的f′θ,C.R.Rao 提出用 MINQE(U,I)来估计 f′θ.但是一般地 f′θ的 MINQE(U,I)依赖于θ的先验值α.如果θ的真值与它的先验值不符,     

两个方差分量的不变二次估计的可容许性

本文对Ｙ￣Ｎ（Ｘβ，θ１Ｖ１＋θ２Ｖ２），Ｖ１，Ｖ２〉０给出了方差分量的线性函数的不变二次无偏估计、不变二次非负估计及不变二次估计不可容许的充要条件，并据此给出了具体判别上述估计的可容许性的方法。     

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.     

两个方差分量同时估计的可容许性

考虑方差分量模型 EY=X·β DY=σ_1~2V_1+_2~2V_2,其中β∈R~p,σ_1~2>0,σ_2~2>0均未知;X,V_1>0,V_2>0均已知;r(X)=p。我们要同时估计(σ_1~2,σ_2~2),并考虑估计类={d(A_1,A_2)=(Y′A_1Y,Y′A_2Y),A_1≥0,A_2≥0}。损失函数为: L(d(A_1,A_2),(σ_1~2,σ_2~2=1/σ_1~4(Y′A_1Y-σ_1~2)~2+1/σ_2~4(Y′A_2Y-σ_2~2)~2。本文给出了在V_1=V_2限制下,d(A_1,A_2)为容许估计的充分条件和必要条件,以及没有这个限制时d(A_1,A_2)为容许估计的充分条件。     

方差分量模型中回归系数估计的可容许性

本文考虑方差分量模型中回归系数函数g(β)的估计的可容许性问题. §2中给出了β的线性函数p′β的估计在平方损失之下,在线性估计类中为可容许估计的充要条件. §3中给出了β的估计在平方和损失之下,在线性估计类中为可容许估计的充分条件和必要条件.     

具有P个方差分量的线性模型的Beyes二次估计及可容许估计的非负性

本文对具有 p 个方差分量的线性模型讨论了方差分量线性函数的 Bayes 不变二次估计问题,给出了 Bayes 不变二次估计(无偏和有偏)的显示表达式,并且证明了它们在各自考虑的类中形成了可容许估计的完全类.在可容许估计的完全类中,还讨论了非负参数函数的非负估计问题,给出了可容许的非负定估计存在的充要条件.     

方差分量模型中回归系数的线性估计的可容许性

考虑方差分量模型$\ep Y=X\beta,\;\cov(Y)=\tsm_{i=1}^{m}\theta_iV_i$, 其中$n\times p$矩阵$X$和非负定矩阵$V_i\;(i=1,2,\cdots,m)$都是已知的, $\beta\in R^p,\;\theta_i\geq 0$或$\theta_i>0\;(i=1,2,\cdots,m)$均为参数\bd 在本文中, 我们在二次损失下, 当$\mu{(X)} \subset\mu{(V)}$时, 给出了关于可估函数$S\beta$的线性估计在线性估计类中可容许性的充要条件     

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.     

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     

线性模型中误差方差的二次型估计的可容许性问题

设有线性模型Y=(y₁…y_n)’=Xβ+ε=X(β₁…β_p)’+(ε₁…ε_n)’,这里n≥p,X已知,ε₁,…,ε_n相互独立,E(ε_i)=0,E(ε_i²)=σ²,E(ε_i³)=0,E(ε_i⁴)=3σ⁴,i=1,…,n,β∈R^p,0<σ~2<∞。令?={Y’AY:A≥0}。当损失函数为σ^-4(d-σ²)²且X=I_n或者X=1_n时,给出了 Y’AY(A≥0)在?中是σ₂的可容许估计的充分必要条件。又当ε～N(0,σ²I_n)时,给出了Y’AY(A≥0)在σ²的一切估计类中是可容许的充分条件。     

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。     

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。     

方差分量的Bayes和Minimax二次估计

本文研究方差分量模型(?)其中 Eε=0,Eεε′=V_θ=sum from i=1 to p θ_iV_i,θ=(θ_1,…,θ_p)′∈Θ,而Θ为一开集且使Θ∩{θ:V_θ>0(p.d.)}非空,β∈(?),此处(?)为 R~K 中开集.在第二节,我们发现了∞-MINQE(u)的 Mini-max 性质,从而赋予其一种明确的统计优良性.本文的第二部分主要是引进有偏的 Bayes二次估计,并在 Kleffe(1974)工作的基础上,将其相应的结果推广到一般的方差分量模型.此外,亦导出了最优的 Bayes 二次估计.借助于当今的计算机,所有的计算步骤皆是可行的.     

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.