一类SUR模型参数两步估计的有限样本结果

对于m（3）SUR模型（1），其设计矩阵满足条件（4），本文得到了回归系数βi（i＝1，…，m）的两步Aitken估计的精确协方差表达式，从而获得了两步估计优于LS估计的有限样本性质．特别是，当m＝3时本文结果可以与Revankar（1974）给出的一类两方程SUR模型结果相比较.     

相依回归系统一种协方差改进估计之协方差阵的无偏估计

考虑相依回归方程系统ｙｉ＝Ｘｉβｉ＋εｉ（ｉ＝１，２），Ｅ（εｉ）＝０，Ｃｏｖ（εｉ，εｊ）＝σｉｊＩｎ。记βｉ为βｉ的协方差改进估计＾［１］。σｉｊ未知时，记βｉ为用非限定估计σｉｊ代替βｉ中的σｉｊ得到的两步估计，并记βｉ为用限定估计σｉｊ代替βｉ中的σｉｊ得到的两步估计，这两种两步估计的协方差中含有未知参数σｉｊ代替βｉ中的σｉｊ得到的两步估计，这两种两步估计的协方差中含有未知参数σｉｊ。本     

协方差改进估计与相依混合效应回归方程

本文首先讨论了广义线性模型Ｙ＝Ｘβ＋ε（ε～（Ｏ，Ｖ））的系数β的最优线性无偏估计是用Ｔ２＝ＸＹ作为伴随变量对最小二乘估计Ｔ１＝（ＸＸ）－１Ｘ１Ｙ进行改进而得到的协方差改进估计．并把所得结果用于经济领域中的线性相依回归方程系统（ＳｅｅｍｉｎｇｌｙＵｎｒｅｌａｔｅｄＲｅｇｒｅｓｓｉｏｎＥｑａｕｔｉｏｎｓＳｙｓｔｅｍ）．然后关于一类线性相依混合效应回归方程系统，提出了一种优化估计方法。     

多元统计中期望向量的线性容许估计

设Ｙ１，Ｙ２，…，Ｙｎ独立同分布，ＥＹ１＝β，ＣｏｖＹ１＝Σ，这里β∈Ｒｍ与Σ：ｍ×ｍ＞０均未知．取Ｌ１（ｄ，β）＝（ｄ－β）′（ｄ－β），Ｌ２＝（ｄ，β）（ｄ－β）′，Ｌ＝｛Ｌ１Ｙ１＋Ｌ２Ｙ２＋…＋ＬｎＹｎ：Ｌｉ为ｍ阶实方阵，ｉ＝１，２，…，ｎ｝．本文在Ｌ１和Ｌ２下分别给出了线性估计在Ｌ中是β的容许估计的充要条件．     

删失数据下回归函数的最近邻估计

设（X，Y）是一随机向量且变量Y的均值存在．假定Y被另一分布G的随机变量t删失，仅能观察到不完全数据（xi，Yi^ti,δi），i＝1，2，…n，其中Yi^ti＝min（Yi，Ti）,δi=I（Yi≤ti）。为了给出回归函数m（x）＝E（Y|X）的估计。文中使用了Stute提出的最近邻型回归估计，并给出了该估计的强相合性结果．     

污染数据回归分析中估计的强相合性

考虑简单回归模型（Ⅰ）yi＝α＋xiβ＋εi，i＝1，2，…，n，与半参数回归模型（Ⅱ）yi＝xiβ＋g（ti）－εi，i＝1，2，…，n，其中Eεi＝0，Eεi2＝σ12．假定y1，y2，…，yn受到另一独立同分布随机变量序列μ1，μ2，…，μn的污染，且仅能观察到污染数据，｛μi｝与｛yi｝独立．对文[1]，[2]中给出的α，β，g（·）及污染参数v的估计，本文在适当的条件下，证明了它们的强相合性．     

随机积分的一个估计及其应用

设（Xt）为随机微分方程dXt＝σ（xt）dWt＋b（Xt）dt，X0＝x，的解．我们得到了形为的一个估计和随机策分方积解的存在性的一个新结果．     

熵损失下协方差矩阵最佳仿射同变估计的改进(英)

设Ｘ１;…,Ｘｎ（ｎ＞ｐ）是来自多元正态分布Ｎｐ（μ,∑）的一个样本,其中μ∈Ｒ~ｐ,∑＞０均未知．本文在熵损失 Ｌ（ｓｕｍ　ｆｒｏｍ　ｔｏ　～,∑）＝ｔｒ（∑~－１,ｓｕｍ　ｆｒｏｍ　ｔｏ　～）－ｌｏｇ｜∑~－１ｓｕｍ　ｆｒｏｍ　ｔｏ～｜－ｐ下证明了协方差矩阵∑的最佳仿射同变估计是不容许的,且给出了其改进估计．     

线性变换对带约束奇异线性模型的条件G—M估计的影响

考虑带约束奇异线性模型Y=Xβ＋ε，Lβ＝0，E（ε）＝0，cov（ε）＝σ~2V，其中V为非负定矩阵，X为任意秩．文章研究了观察向量Y的线性变换对回归系数条件可估函数Sβ的G－M估计的影响，并将条件可估子空间μ（X'L'）划分成Ω＋Ω_＋Ω_2.当μ（S'）Ω时，Sβ的条件G-M估计在模型变化后其优良性不变；当μ（S'）Ω_1时，模型变化后Sβ仍可估，但Sβ的条件G－M估计的方差要变大；当μ（S'）Ω_2时，Sβ不可估．     

矩阵损失下多元统计中期望向量的线性Minimax估计

设yi，y2，…，yn，i．i．d，Ey1＝β，Cov（y1）＝∑，这里ε∈RP和∑＞0未知，我们估计β，估计类为L＝｛Liyi：Li为p阶常数方阵，i＝1，2，…，n｝，损失函数为其中V1，V2＞0已知，我们研究β的一个线性估计在L中的Minimax性．主要结果是1．当V2＝kV1，k＞0时，β的唯一的Ⅰ-型线性Minimax估计为Y／（1＋），其中Y＝＝2．当V2＝kV1对所有k＞0不成立，但V1V2＝V2V1时，β的Ⅰ-型线性Minimax估计不存在．3．当V1V2＝V2V1时，β的Ⅱ-型线性Minimax估计为，这个估计在V1，V2满足条件V1V2＝V2V1下变化时，构成了集合｛AY：A对称，A的特征根均在（0，1）中｝．4．对于一般的V1，V2；Y仍是β的Ⅱ-型线性Minimnax估计，这个估计在V1，V2任意变化时，构成了集会｛AY:A的特征根是实的，特征根全在（0，1）中，且A只具有线性初等因子｝．     

多维指数族分布的参数线性容许估计的一个充分条件

本文利用唯一的Ｂａｙｅｓ估计是容许估计的原理,构造了一个先验分布π１（θ）＝Ｍβ－１（θ）ψ（θ）ｅｘｐ∑ｎｉ＝１∫θｉθｉ０ｂ－ｒｉ（ｔ）ａｉｎｄｔｉ,当它满足一定的条件时,证明了在均方损失下,多维指数族分布ｆθ（ｘ）＝β（θ）ｅｘｐθ′ｘ的参数ｒ（θ）的唯一Ｂａｙｅｓ估计为线性函数ａ′ｘ＋ｂ,因而也是容许估计     

矩阵损失下均值向量的线性可容许估计

设Ｙ＝（Ｙ１，…，Ｙｎ）′相互独立，ＥＹ＝Ｘβ，ＣｏｖＹ＝Ｘｄｉａｇ（β１，…，βｎ）Ｘ′，β＝（β１，…，βｎ）′∈Ｒ＋ｎ为参数，Ｒ＋＝（０，＋∞），Ｘ为已知的元素非负且对角线元素为正的ｎ阶满秩矩阵，估计均值Ｘβ，选取损失函数为矩阵损失，估计类为Ｄ＝｛ＡＹ：Ａ为元素非负的ｎ阶矩阵｝．本文研究ＡＹ在Ｄ中的容许性，获得了ＡＹ在Ｄ中是Ｘβ的容许估计的充要条件．     

Poisson分布参数的渐近最优和可容许的经验Bayes估计

设Ｘ及（Ｘ１，Ｘ２…，Ｘｎ）分别为取自Ｐｏｉｓｓｏｎ分布Ｐ（θ）的当前样本和历史样本，参数θ的先验分布族Ｆ＝｛Γ（ｍ，β）：β＞０｝，其中ｍ＞０已知，Γ（ｍ，β）表示参数为（ｍ，β）的伽玛分布．对ｐ＞０，ｑ＞２的任意两个实数，记ｔｎ＝Ｘ＋∑ｎｉ＝１Ｘｉ＋ｐＸ＋∑ｎｉ＝１Ｘｉ＋ｐ＋ｑ＋（ｎ＋１）ｍ（Ｘ＋ｍ）则在平方损失函数ｌ（θ，ｄ）＝（θ－ｄ）２下，ｔｎ是θ的渐近最优和可容许的经验Ｂａｙｅｓ估计，而且收敛速度为Ｏ（１ｎ）．     

多元回归系数的所有k—容许估计

对于多元线性模型Y～N（XΘ，）（已知）中的可估函数SXΘ的估计问题，取损失函数为（δ－SXΘ）'（δ－SXΘ）．用风险函数矩阵的前k个顺序特征值之和作为比较不同估计的风险函数大小的标准，我们可定义所谓的"k－容许估计"．本文得到了SXΘ的线性估计AY＋D在一切估计类中k－容许的充要条件．     

一维奇异p-Laplace方程的正解

本文获得了一维奇异p－Laplace方程的Dirichlet边值问题（|y′|p-2y′）′＋g（t，y）＝0，y（0）＝y（1）＝0，P＞1的两个正解存在定理．这一结论是通过使用Leray－Schauder非线性抉择及上下解方法建立的．     

相依样本下非参数回归函数递推型核估计的渐近分布

设（Ｘｉ，Ｙｉ）１≤ｉ≤ｎ为来自二元总体（Ｘ，Ｙ）的平稳，φ－混合样本，记ｍ（ｘ）△Ｅ（Ｙ│Ｘ＝ｘ），ｍ（ｘ）的一种递推型核估计为ｍｎ（ｘ）＝ｎ∑ｉ＝１ｈｉ＾－１Ｙｉｋ（（ｘ－Ｘｉ）／ｈｉ）／ｎ∑ｊ＝１ｈ＾－１ｊｋ（ｘ－Ｘｊ）／ｈｊ）。本文在一定的条件下证明了（ｎ／（ｎ∑ｊ＝１ｈ＾－１ｊ）＾１／２）（ｍｎ（ｘ１）－ｍ（ｘ１），ｍｎ（ｘ２）－ｍ（ｘ２），．．．ｍｎ（ｘｒ０）－ｍ（ｘｒ０））′依分布收     

Φ混合误差下非线性模型LS估计的收敛速度

本文对非线性模型Xn＝yn（θ）＋εn；获得了θ的LS估计的a．s收敛速度，推广和改进了PrakasaRao（［5］）的结果．     

删失场合半参数回归模型的二阶段估计

对于半参数回归模型ｙｉ＝ｘ′ｉβ＋ｇ（ｔｉ）＋ｅｉ，１≤ｉ≤ｎ，ｇ为Ｒ１上未知函数，β为ｐ×１维待估参数向量．本文考虑当ｙｉ被随机删失时β和ｇ的估计．基于模型的可加性，利用综合数据法得到β的二阶段估计β～＊ｎ和ｇ的估计ｇ＊ｎ，并证明了它们的强相合性．     

二阶线性矩阵微分系统的振动性

本文研究了矩阵微分系统（P（t）Y′）′＋Q（t）Y＝0，t∈［t0，∞）．其中P，Q和Y是n×n实连续矩阵函数，且P（t）和Q（t）是对称的．P（t）是正定矩阵（P（t）＞0，t∈［t0，∞））．利用推广的Riccati变换，得到了系统（1）振动的若干新判据．所得结果改进了Erbe，Kong和Ruan的相应结果．     

两指标线性平稳过程的样本自协方差估计的强相合速度

本文在条件弱于文献［１］的情况下，且在（ｍ１，ｍ２）→＋∞的一般形式下，给出了两指标线性平稳过程的样本自协方差估计的强相合速度，同时也给出了两指标ＡＲ过程的Ｙ－Ｗ估计的强相合速度。