鞅差误差下线性EV模型最小二乘估计的中偏差

研究了线性EV模型:η_i=θ+βx_i+ε_i,ξ_i=x_i+δ_i,1≤i≤n.当误差(ε_i,δ_i)为鞅差序列情形时,讨论了未知参数β和θ的最小二乘估计的中偏差问题.     

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.     

多重线性关系模型的强相合估计

其中x_k(k=1,2,…,n)是m维非随机向量,真确地满足线性关系(1.1a),是不可观测的.ξ_k(k=1,2,…,n)是可观测的m维随机向量,其随机误差δ_k(k=1,2,…,n)是m维i.i.d随机向量,且满足     

线性模型中误差方差估计的Lp（1≤p≤∞）—度量性质

§1.引言及主要结果 考虑线性回归模型 Y_i=x′_iβ+e_i,i=1,2,…,(1)其中{e_i}为独立的试验误差序列,满足条件 Ee_i=0,0相似文献   

混合线性模型联合估计的一个注记

本文从一个新的角度刻划了一般混合线性模型中固定效应β与另一随机向量δ的联合估计的最佳线性无偏估计的一种最优性 ,这一性质比最小方差性更为直观     

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.     

基于M—估计的误差密度估计

对于线性模型 Yi=x＇_iβ十e_i,i=1,2,...,{e_i}_(i= 1)~∞i.i.d.,e_1有未知密度函数f（x）,本文基于β的M-估计的残差:e_i=Yi—x＇_iβ,i=1,2,…,n,其中β为β的M-估计,用 f_n(x)=1/2na_n sum from i=1 to n I(x-a_ne_i^≤x a_n)估计f(x）,得到了这种估计的强收敛速度,一致强收敛速度,L_1-模相合性,渐近正态性,重对数律。     

相依误差广义线性模型的M估计的Bahadur表示

考虑如下广义线性模型y_i=h(x~T_i,β)+e_i=1,2,…,n,其中e_i=G(…,ε_(i-1),ε_i),h是一个连续可导函数,ε_i是独立同分布的随机变量,并且它的期望为0,方差σ~2有限.本文给出了参数β的M估计,并且得到了该估计的Bahadur表示,该结论推广了线性模型的相关结论.应用M估计的Bahadur表示,得到了相依误差的线性回归模型,poisson模型,logistic模型和独立误差的广义线性模型等模型的渐近性质.     

带有异方差的部分线性回归模型的B样条估计

考虑一带有异方差的固定设计部分线性回归模型yij=X'ijβ+g(tij)+εij,i=1,2…,k:j=1,2,…,ni,和sum from i=1 to kni=n,其中yij为响应变量,β=(β1,…,βp)’是未知的参数向量,g(·)是未知的函数,Xij=(Xij1,…,Xijp)’和tij∈[0,1]为已知的非随机设计点,εij为均值0,方差是σi2的随机误差,其中σi2可能不同.通过B样条级数近似非参数分量,构造了参数分量β的一个半参数广义最小二乘估计.在一些矩条件下,导出了此半参数广义最小二乘估计的渐近分布,大多数在实际中遇到的误差分布都满足这些矩条件.另外,也构造了半参数广义最小二乘估计的渐近协方差矩阵的一个相合估计,还讨论了非参数分量的B样条估计.所有这些大样本性质都是在k趋于无穷大,ni有限时导出的.这些结果能被用来做渐近有效的统计推导.     

一般线性混合模型中的最佳线性无偏估计和谱分解估计

该文在一般线性混合模型中, 研究了固定和随机效应线性组合的估计问题.对观测向量的协方差阵可以为奇异矩阵情形下,导出了该组合的最佳线性无偏估计,并证明了它的唯一性.在一般线性混合模型的特例, 三个小域模型下, 得到了小域均值u_i 和方差分量的谱分解估计. 进而, 获得了基于谱分解估计的两步估计均方误差的二阶逼近.     

约束条件下线性模型协方差阵扰动的影响分析

该文研究了协方差阵扰动和数据删除对最佳线性无偏估计(BLUE)的影响问题, 给出了在约束条件下一般线性模型与在约束条件下Gauss-Markov模型及在约束条件下数据删除模型中回归参数β的BLUE之间的关系式. 作者还定义了度量影响大小的广义Cook距离D_V并给出了D_V的两个计算公式.     

二阶超线性常微分方程组无穷多点边值问题的正解

运用锥上不动点定理研究了非线性二阶常微分方程组无穷多点边值问题■正解的存在性,其中ξ_i,η_i∈(0,1),α_i,β_i∈[0,∞),∑α_iξ_i<1,∑β_iη_i<1,α_i(t)∈C([0,1],[0,+∞)),f_i(x,y)∈C([0,+∞]×[0,+∞),[0,+∞))i=1,2.     

紧支撑正交插值的多小波和多尺度函数

本文给出一类伸缩因子为α的紧支撑正交插值多尺度函数和多小波的构造方法.设{Vj}是尺度函数Φ(x)=[φ1(x),φ2(x),…,φa(x)]T生成的多分辨分析,Vj(?)L2(R)是{a-j/2φ(?)(ajx-k),k∈Z,(?)=1,2,…,a)线性扩张构成的子空间,其插值性是指φ1(x),φ2(x),…,φa(x)满足φj(k+(?)/a)=δk,0δj,e,j,(?)∈{1,2,…,a).当Φ(x)是正交插值的,则多分辨分析的分解或重构系数能用采样点表示而不需要用计算内积的方法产生.基于此,我们建立多小波采样定理,即如果一个连续信号f(x)∈VN,则f(x)=∑i=0a-1∑k∈Zf(k/aN+i/aN+1)φi+1(aNx-k),并给出对应多小波的显式构造公式.更进一步,证明了本文构造的多小波也有插值性.最后,还给出一个构造算例.     

Hammerstein型非线性积分方程正解的个数

<正> 本文是作者工作[8]、[9]的继续.在[9]中作者利用Leray-Schauder拓扑度理论研究了多项式型Hammerstein非线性积分方程的固有值,即设     

广义逆矩阵的张量积

本文证明了广义逆矩阵张量积的一些性质,介绍了它在解线性方程组方面的应用,并得到了矩阵张量积的奇异值的一些性质     

关于正定厄米特矩阵的一个不等式的推广

本文推广了正定厄米特矩阵的一个不等式 ,得到以下结果 :设 A( i) ,B( i) ,… ,C( i) ( i=1 ,2 ,… ,m)都是 n阶正定厄米特矩阵 ,A( i)11,B( i)11,… ,C( i)11为其相应矩阵的 k阶顺序主子阵 ,1≤ k≤ n-1 ,α,β,… ,γ都是正实数 ,且 α+β+… +γ=p≥ 1 ,则有∑mi=1|A( i) |α|A( i)11|α,|B( i) |β|B( i)11|β… |C( i) |γ|C( i)11|γ) <∑mi=1A( i) α∑mi=1A( i)11α.∑mi=1B( i) β∑mi=1B( i)11β…∑mi=1C( i) γ∑mi=1C( i)11γ     

广义Peterson图的邻点可区别的全染色

设P_(n,k)是一个简单图,其顶点集和边集分别为:V(P_(n,k))={u_0,u_1,…u_(n-1),v_0,v_1,…v_(n-1)},E(P_(n,k))={u_iu_(i+1),u_iv_i,v_iv_(1+k)},则称P_(n,k)为广义Peterson图,其中n≥5,0相似文献   

具正規核的積分方程

<正> §1.引言 凡合條件即是說凡合條件kk[x,y]=kk[x,y](1.1)的核k(x,y)叫做正規核(normal kernel).這種核顯然包括實對稱核、實畸對稱核、艾氏核及畸艾氏核等為特例。在本文中,我們將討論具此種核之積分方程之性質及解法尤其是關於此種核之特值及奇值(即希米特(E.Schmidt)的特值)之性質