二次损失下方差分量模型中回归系数线性估计的-可容许性

一、问题和结果考虑方差分量模型(?)(1.1)其中 X 为已知的 n×p 阶矩阵,V_i≥0,i=1,2,…,m,已知,β∈R~p,θ_i≥0或θ_i>0,i=1,2,…,m 都是参数.我们要估计线性可估函数 Sβ,S 为已知的 k×p 矩阵,选取估计类     

二次损失下方差分量模型中回归系数线性估计的\mathcal{L}-可容许性

一、问题和结果考虑方差分量模型(?)(1.1)其中 X 为已知的 n×p 阶矩阵,V_i≥0,i=1,2,…,m,已知,β∈R~p,θ_i≥0或θ_i>0,i=1,2,…,m 都是参数.我们要估计线性可估函数 Sβ,S 为已知的 k×p 矩阵,选取估计类...     

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     

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。     

线性模型中参数的线性估计的可容许性

本文的主要结果如下:1.假定 n 维向量 Y 适合EY=θ,VarY=σ~2V,V>0,则在二次型损失函数(LY-Sθ)′(LY-Sθ)下,在线性估计类中,LY 是 Sθ的可容许估计的充要条件是(a)LYS′对称,(b)LVL′≤LVS′,(c)rk(L-S)V=rk(L-S),其中 L,S 均为r×n 阵。2 假定在 Ganss-Markov 换型(Y,Xβ,σ~2V,V≥0)下,Sβ是可估的,则在矩阵损失函数(LY-Sβ)(LY-Sβ)′/σ~2下,在线性估计类中,LY 是 Sβ的可容许估计的充要条件是:(a)μ(VL′)μ(X),(b)LX=S 或 LX≠S 时,LXTX′L′-STS′ a(LX-S)T(LX-S)′≥0,对所有的a∈(0,1)不成立,其中T=X~ (V-VH(V~(1/2)H)~ V(1/2))X′~ ,H=I-XX~ .     

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.     

矩阵损失下回归系数的线性MINIMAX估计

这里 Y∶n×1为随机向量,X∶n×p,V∶n×n>0已知,β∈R~p,σ~2>0为未知参数,我们要估计β的可估函数 Sβ,S∶k×p 是常数矩阵,且存在 D,使 S=DX.吴启光采用矩阵损失(d-Sβ)(d-Sβ)′,考虑一个线性(齐次的或非齐次的)估计在线性(齐次的或非齐次的)估计类中的可容许性.本文对矩阵损失作了修改,考虑一个线性(齐次的或非齐次的)估计在线性(齐次的或非齐次的)估计类中的 Minimax 性.设     

线性模型中参数的线性估计的可容许性

本文的主要结果如下: 1.假定n维向量Y适合 EY=θ,VarY=σ~(2V),V≥O,则在二次型损失函数(Ly-Sθ)′(Ly-Sθ)下,在线性估计类中,LY是Sθ的可容许估计的充要条件是(α)LVS′地称,(b)LVL′≤LVS′,(c)rk(L-S)V=rk(L-S),其中L,S均为r×n阵。 2 假定在Ganss-Markov换型(Y,Xβ,σ~(2V),V≥O)下,Sβ是可估的,则在矩阵损失函数(LY—Sβ)(LY—Sβ)′/σ~2下,在线性估计类中,LY是Sβ的可容许估计的充要条件是: (a)μ(VL′)μ(X), (b)LX=S或LX≠S时, LXTX′L′-STS′ a(LX-S)T(LX-S)′≥O。对所有的α∈(0,1)不成立,其中     

多参数同时估计的容许性

令 X_1,…,X_n 是一串独立随机变量,且 X_1～P_(θ_i)θ_i∈(?)_i,(i=1,2,…,n),假设估计θ_i 的损失函数为 L(θ_i,d_i),δ_i(X_i)是仅依赖 X_i,θ_i 的一个容许估计(i=1,2,…,n).现在我们要同时估计(θ_1,…,θ_n)′(?)θ,其损失函数取为 sum from i=1 to n L(θ_i,d_i),那么(δ_i(X_1),…,δ_n(X_n))′是θ的容许估计吗?早在50年代,Stein 就证明了,在 n≥3,X_i～N(θ_i,1),L(θ_i,d_i)=(θ_i-d_i)~2条件下,上述结论不成立.近20余年,很多作者也研究了这个问题,指出 Stein 的现象对许多分布,例如 Poisson 分布,Gama 分布,负二项分布及位置参数估计皆存在.但在什么条件下,(δ,(X_1),…,δ_n(X))′是容许的则很少研究,仅仅有少数特殊情况下的结果(见[3]).本文给出了相当一般的充分条件(定理1.1),利用定理1.1,研究了 L(θ_i,d_i)=λ(θ_i)(g(θ_i)-d_i)~2时,结论成立的充分条件(定理2.1).还给出了多个位置参数,Pitman 估计为容许的充分条件.最后一节给出了五个具体例子,它包括在平方损失下,多个正态密度及分布函数的容许估计;参数自然区间 为有限区间之指数族分布,在平方损失下,同时估计多个均值的线性容许估计;若 X_i～Poisson 分布 P_(2_i),i=1,2,…,n(a_1x_1,…,a_nx_n)′在损失函数sum from i=1 to n     

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)=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.     

带有不完全椭球约束的生长曲线模型中线性估计的可容许性

对于带有不完全椭球约束的生长曲线模型Y=XBZ+ε,ε~(0,σ2VI),X(B-B0)Z′NZ(B-B0)′X′≤σ2In,本文在矩阵损失函数(d-KBL)(d-KBL)′下给出了KBL在类齐次线性估计类LH与非齐次线性估计类LI中可容许的充要条件.本文的结果表明线性估计在非齐次线性估计类中的可容许性与椭球的中心B0无关,而齐次线性估计在齐次线性估计类中的可容许性与B0有关.     

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.     

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。     

多元线性模型中的有偏估计

刘金山在1999年给出了多元线性模型参数分量βi和参数矩阵B的有偏估计β1=(X'X)-1YCi,i=1,…,m和B=(β1,β2,…,βm)以及βi的性质.本文从另一角度得到了同样的估计,证明了刘金山文中所给的两个检验是UMP检验,估计βi是βi的线性可容许估计,证明了B不是B的可容许估计,由此给出了两种改进估计.     

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。     

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。     

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。     

带有不完全椭球约束的增长曲线模型中的可容许性

对于带有不完全椭球约束的增长曲线模型Y=X1ΘX2+ε,ε～(0,σ2VI),X′2(Θ-Θ0)′X′1(Θ-Θ0)X2σ2Iq本文在矩阵损失函数(d-KΘL)′(d-KΘL)下给出了KΘL在齐次线性估计类和非齐次线性估计类中可容许的充分条件.     

离散参数空间平方损失下的可容许估计

50年代以来,许多统计工作者对单参数指数分布族中参数的可容许性(平方损失下)作了较多讨论,给出了一些线性和非线性(主要的是有理函数)的可容许估计.这些内容可参看文献[1—8].文献[9—11]分别在前面的基础上给出了在平方损失下关于 L 测度几乎可容许估计的一般性定理.这些文献所讨论的参数空间是实数空间上有限或无限的连续区间.本文将讨论离散参数空间(?)={θ_k:θ_k∈R~1,k=1,2,…}.第二节对离散参数空间在平方损失函数 L(g(θ),d)=λ(θ)(d-g(θ))~2下,给出参数函数 g(θ)的估计是可容许的充分条件,第三节以二项分布与爱尔兰分布为例说明了该定理的应用.