关于矩阵合同变换的注记

1.设A=(α_■)是数域F上一个n阶对称矩阵,总存在F上的一个n阶可逆阵P,使得(?)。2.给定数域F上的一个n阶对称矩阵A,若对A施行一次初等行变换后,也对A施行同样的列初等变换。則称这样一对变换为矩阵的合同变换。[1] 中介绍了利用矩阵的合同变换化对称阵A为对角阵的方法:见[1]中348—349页。     

枢轴消去变换的若干性质

得到了与Gauss消去变换有着密切联系的枢轴消去变换的三个重要性质.     

关于线性方程组的一个注记

本文证明了方程组（In＋AB）x=0和（In＋BA）x=0解的个数是一致的。     

关于Kahan定理的一个注记

设A∈C~(n×n),B∈C~(k×k)均为Hermite矩阵,它们的特征值分别为{λ_j}_(j=1)~n和{μ_j}_(j=1)~k(k≤n);Q∈~(n×k)为列满秩矩阵.令 (1) 则存在A的k个特征值λ_(j_2),λ_(j_2),…,λ_(j_k),使得 (2) 其中σ_k为Q的最小奇异值,||·||_2表示矩阵的谱范数.这是著名的Kahan定理·1996年曹志浩等在[2]中将(2)加强为 (3) 这是Kahan的猜想.在本文中,我们讨论将Kahan定理中“B为k阶Hermite矩阵”改为B为k阶(任意)方阵后,特征值的扰动估计,有以下结果. 定理 设A∈C~(n×n)为Hermite矩阵,其特征值为{λ_j}_(j=1)~n,B∈C~(k×k)的特征值为{μ_j}_(j=1)~k,而Q∈C~(n×k)为列满秩矩阵.则存在A的k个特征值λ_(j_1),λ_(j_2),…,λ_(j_k),使得     

关于一个矩阵迹的不等式的注记

本文修正了［２］中的一个矩阵迹的不等式的一些错误，证明了ｔｒ［（Ａａ一Ｂａ）（Ａ一β一Ｂβ）］＜０当且仅当αβ＞０且Ａ≠Ｂ，ｔｒ［（Ａａ－Ｂａ）（Ａ－β－Ｂ－β）］＞０当且仅当αβ＜０且Ａ≠Ｂ，这里Ａ，Ｂ是ｎ×ｎ的Ｈｅｒｍｉｔｅ正定矩阵．     

关于矩阵函数微分学的一个注记

介绍了以矩阵为变元的函数的微分及其运算法则.与通常的求导运算相比,这里介绍的微分运算理论上更加自然、简洁,使用起来更加容易、更加方便.事实上,矩阵导数应当视为由微分运算派生出来的运算.     

关于Filippov变换的一个注记

本利用Ｆｉｌｉｐｐｏｖ变换导出来一个研究Ｌｉｅｎａｒｄ方程极限环不存在性的判据,它为证明某些Ｌｉｅｎａｒｄ方程不存在极限环提供了一个简捷有效的思想方法。     

关于最大公约数的一个问题

整数是数论的基础,而最大公约数又是整数的基础,关于最大公约数有如下众所周知的性质:     

关于研究生入学考试试题的一个注记

本文从2018年研究生入学考试的一道选择题出发,探讨了任意两个方阵相似问题.并结合教学实际,给出了判定两个方阵相似的一个简明充要条件.     

二元选择分位回归的自适应LASSO改进

为避免模型出现过拟合,将自适应LASSO变量选择方法引入二元选择分位回归模型,利用贝叶斯方法构建Gibbs抽样算法并在抽样中设置不影响预测结果的约束条件‖β‖=1以提高抽样值的稳定性.通过数值模拟,表明改进的模型有更为良好的参数估计效率、变量选择功能和分类能力.     

岭回归分析的SAS程序设计

田俊．岭回归分析的ＳＡＳ程序设计．岭回归分析方法是传统的多元回归分析方法的一个补充,在实际工作中经常使用。但是在标准统计软件ＳＡＳ中没有专门的岭回归分析过程,本文介绍如何通过设置伪样品后使用ＳＡＳ进行岭回归分析     

逐步回归在牲猪生产决策中的应用

湖南省是我国的牲猪生产区，邵阳市又是湖南的牲猪生产区之一．近几年来，邵阳市牲猪生产一直徘徊不前，为寻找影响牲猪生产的原因，本文选取粮食产量、牲猪外调量、家禽产量等多个因素，采用逐步回归的方法，求得它们影响牲猪出栏量的多元线性回归模型，并据此对１９９１年牲猪生产状况进行了预测，提出了恢复牲猪正常发展的努力方向和应采取的基本对策．     

函数型数据回归分析综述

随着计算机储存能力和在线观测技术的提高,当今数据越来越多的以曲线和图像的形式存在.曲线和图像数据两个最显著的特征是高维和相邻数据间高度相关.这些特征使得传统的多元统计分析方法不再适合,而函数型数据在处理曲线和图像数据中具有无可比拟的优势.近年来各种各样的函数型数据分析方法得以发展,其中包括数据的对齐、主成分分析、回归、分类、聚类等.本文主要介绍函数型数据回归分析研究的起源、发展及最新进展.具体地,本文首先介绍函数型数据的概念;其次介绍函数型主成分分析方法;再次着重介绍函数型回归模型的估计、变量选择和检验方法;最后将简要探讨函数型数据未来的可能发展方向.     

Bayesian Variable Selection for Median Regression

When the data has heavy tail feature or contains outliers, conventional variable selection methods based on penalized least squares or likelihood functions perform poorly. Based on Bayesian inference method, we study the Bayesian variable selection problem for median linear models. The Bayesian estimation method is proposed by using Bayesian model selection theory and Bayesian estimation method through selecting the Spike and Slab prior for regression coefficients, and the effective posterior Gibbs sampling procedure is also given. Extensive numerical simulations and Boston house price data analysis are used to illustrate the effectiveness of the proposed method.     

��λ���ع�ı�Ҷ˹����ѡ�񷽷�

??When the data has heavy tail feature or contains outliers, conventional variable selection methods based on penalized least squares or likelihood functions perform poorly. Based on Bayesian inference method, we study the Bayesian variable selection problem for median linear models. The Bayesian estimation method is proposed by using Bayesian model selection theory and Bayesian estimation method through selecting the Spike and Slab prior for regression coefficients, and the effective posterior Gibbs sampling procedure is also given. Extensive numerical simulations and Boston house price data analysis are used to illustrate the effectiveness of the proposed method.     

逐步回归方法的拓广研究

本文在运用泛函分析的观点详细剖析逐步回归方法的基础上,提出了一种改进的计算过程,可使逐步回归方法得以广泛地用于静态、动态和分布参数等系统的模型辨识。     

最优线性回归的计算方法

本文指出利用常用的逐步回归方法可以计算出回归分析中常用的5种准则下的局部最优回归子集,而模拟结果显示,在大部分情形下,局部最优回归子集是相重合的.这就为逐步回归方法在应用上的重要性提供了科学依据.最后作者对现今著名的几个数字例子进行计算,其效果也是十分满意的.     

ɾʧ�ع�ģ����һ��LASSO�ͱ���ѡ��͹��Ʒ���

删失回归模型是一种很重要的模型,它在计量经济学中有着广泛的应用. 然而,它的变量选择问题在现今的参考文献中研究的比较少.本文提出了一个LASSO型变量选择和估计方法,称之为多样化惩罚$L_1$限制方法, 简称为DPLC. 另外,我们给出了非0回归系数估计的大样本渐近性质. 最后,大量的模拟研究表明了DPLC方法和一般的最优子集选择方法在变量选择和估计方面有着相同的能力.     

用M方法检测回归系数矩阵的秩

为了确定多重线性回归模型中回归系数矩阵的秩，　本文提出了一个基于Ｍ估计的模型选择程序，　且在较弱的条件下建立了回归系数矩阵的秩的估计的强相合性。