NA误差下部分线性模型的经验似然推断

对于部分线性模型yi=βxi+g(ti)+ei,1≤i≤n,这里(xi,ti)是固定设计点,g是未知函数,ei是负相协(NA)随机误差,给出了回归系数的经验似然比统计量,并讨论了似然比统计量的极限分布,可构造参数的经验似然置信区间.     

部分线性模型中参数估计的Bootstrap逼近

考虑回归模型 :yi=xiβ+g(ti) +σiei,1≤ i≤ n.其中 σ2i=f(ui) ,(xi,ti,ui)是固定非随机设计点列 ,f (· )和 g(· )是未知函数 ,β是待估参数 ,ei 是随机误差 .对文 [1 ]给出的基于 g(· )及 f(· )的一类非参数估计的β的最小二乘估计β^ n和加权最小二乘估计βn,本文通过重抽样的方法构造了 β^n 和 βn 的 Bootstrap统计量 β^ *n 和 β*n .证明了在给定原样本的条件下 ,n (β^ *n -β^ n)和 n (β*n -β^ n)分别与 n (β^ n-β)和 n (βn-β)有相同的渐近分布 .     

误差为鞅差序列的部分线性模型中估计的渐近正态性

考虑回归模型yi=xiβ g(ti) ei,i=1,2,…,n,其中(xi,ti)是固定非随机设计点列,g(.)是未知函数,β是待估参数,ei是随机误差且关于非降σ-代数列{Fi,i≥1}为鞅差序列,且满足E(e2n|Fn-1)-σ2=op(1),n→∞,其中0<2σ<∞为未知常数,本文基于g(.)的一类非参数估计的β的最小二乘估计■和2σ的估计量■,在适当条件下证明了其具有渐近正态性,从而推广了[1]在ei为iid情形下的结果.     

NA序列半参数回归模型小波估计的强相合性

对于半参数回归模型yi=xiβ+g(ti)+ei,i=1,2,…,n,对误差{ei,1≤i≤n}为NA序列,在适当的条件下研究了未知参数β的小波估计的强相合,同时也得到了未知函数g(t)的小波估计的一致强相合.     

PA误差下半参数回归模型小波估计的γ-阶矩相合性

对于半参数回归模型yi=xiβ+g(ti)+ei,(1≤i≤n),其中{ei,1≤i≤n}为PA相依误差.在适当的条件下,利用极大部分和的矩不等式方法得到未知回归函数g(x)和未知参数β估计量的r-阶矩相合性.     

相依MA(∞)误差下半参数模型小波估计的收敛速度(英文)

考虑半参数回归模型yi=xiβ+g(ti)+Vi(1≤i≤n), 其中(xi,ti)是已知的设计点, 斜率参数β是未知的, g(·)是未知函数, 误差Vi=sum from j=-∞ to ∞(cjei-j),sum from j=-∞ to ∞(|cj|∞)并且ei是负相关的随机变量. 在适当的条件下, 我们研究了β与g(·)小波估计量的强收敛速度. 结果显示g(·)的小波估计量达到最优收敛速度. 同时, 对β小波估计量也作了模拟研究.     

一类函数估计在负相协下的强一致相合性

对于半参数回归模型 yi=xiβ +g( ti) +ei,i =1 ,2 ,… ,n,对误差 {ei,1 i n}为 NA序列 ,在适当的条件下证明了未知函数 g( t) 的估计 gn( t) 的强一致相合性 .     

半参数回归模型的误差方差的小波估计

考虑半参数回归模型yi=Xi'β＋g（ti）＋ei,1≤i≤n,其中β∈Rd为未知参数,g（t）为[0,1]上的未知Borel函数,xi为Rd上的随机设计,{ei}为i.i.d．随机误差本文构造了误差方差σi2=var（ei）的小波估计■,得到了■的渐近正态性,同时构造了var(ei2)的小波估计■,并且证明了■的弱相合性,由此可知■依分布收敛于N（0,1）,这一结果可用于构造σ2的大样本区间估计或对σ~2进行大样本检验。     

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.     

Ψ-混合异方差误差下半参数回归模型的加权小波估计

考虑半参数回归模型yi=xiβ+g(ti)+σiei, i=1,2,…,n,其中(zi,ti,ui)是固定设计点列,ei为Ψ-混合随机误差.用小波估计方法得到了参数,非参数及误差方差的加权小波估计量.在相当一般的条件下,得到了这些小波估计量的渐近正态性及弱收敛速度.     

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.     

不等式约束下线性模型中线性估计的可容许性

研究了线性模型在不等式约束条件下齐次和非齐次线性估计的可容许性,刻画了两者之间的关系,得到了不等式约束条件下非齐次线性估计可容许性的充要条件．     

Limiting Distributions of Linear Programming Estimators

Smith (1994) proposes estimation in linear regression models with non-negative errors by maximizing the sum of fitted values subject to the constraint that the fitted values can be no larger than the corresponding response value. In this paper, we consider the limiting distribution of these estimators under very general conditions. Some extensions to local polynomial estimation are also considered.     

秩亏线性模型中的一个新的线性有偏估计类

本文基于最优线性最小偏差估计的谱分解,定义了秩亏线性模型未知参数的一个新的线性有偏估计类,并讨论了它的许多重要性质,通过选取偏参数的适当形式,构造了许多很有意义的线性有偏估计,最后,给出了一个算例。     

具有相关误差的多元线性模型的更新方程

已知的线性模型的更新方程是在对模型加了不相关误差结构的约束, 或只对带有固定参数的一元线性模型考虑的. 本文考虑具有相关误差的多元线性模型下的更新方程, 给出了在补充参数, 数据或指标时, 未知参数阵的最佳线性无偏估计及残积阵的更新方程. 公式适用于固定参数与随机参数两种情形.     

多元线性模型带约束参数集的线性估计泛可容许性

文中给出了多元线性模型（犢，犡Θ，犞Σ）中回归系数的线性估计在线性估计类中是泛可容许的一些特征，其中损失函数取为（犇（犢）－犛Θ）′ （犇（犢）－犛Θ），参数Θ 和Σ 取值于约束集合犎犖＝｛（Θ，Σ）：Θ′犡′犖犡Θ≤Σ，犖≥０｝．     

部分线性模型的随机约束岭估计

研究了部分线性回归模型附加有随机约束条件时的估计问题.基于Profile最小二乘方法和混合估计方法提出了参数分量随机约束下的Profile混合估计,并研究了其性质.为了克服共线性问题,构造了参数分量的Profile混合岭估计,并给出了估计量的偏和方差.     

Adaptive Unified Biased Estimators of Parameters in Linear Model

To tackle multi collinearity or ill-conditioned design matrices in linear models,adaptive biasedestimators such as the time-honored Stein estimator,the ridge and the principal component estimators havebeen studied intensively.To study when a biased estimator uniformly outperforms the least squares estimator,some sufficient conditions are proposed in the literature.In this paper,we propose a unified framework toformulate a class of adaptive biased estimators.This class includes all existing biased estimators and some newones.A sufficient condition for outperforming the least squares estimator is proposed.In terms of selectingparameters in the condition,we can obtain all double-type conditions in the literature.     

线性模型参数M估计的强相合性

本文研究线性模型中回归参数M估计的强相合性,给出一些较弱的充分条件.与相应结论比较,这里给出的条件对矩的要求有实质性的改进.     

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