多元线性模型中一个二次估计的最优性(Ⅱ)——多元许定理的推广

考虑如下的多元线性模型 Y=X_1BX’_2+Uε(1)其中ε=(ε_((1))…ε_((r)))’是r×p阶随机矩阵,满足X_1、X_2、U≠0是已知阵。B与∑≥0是未知参数阵。 本文给出了tr(C∑~*)是tr(C∑)的一致最小方差不变二次无偏估计(UMVIQUE)的充要条件。其中∑~*是∑的在一定意义下的最小二乘估计(LSE)。C是任一对称阵。     

多元线性模型中一个二次估计的最优性(Ⅰ)

考虑线性模型设ε′=(ε_((1)),…,ε_((n))),对ε_((1)),…ε_((n))独立,Eε_((i))ε′_((i))=Σ,E(ε_((i))ε′_((i))ε_((i))ε′((i)))=(i=1,…,n)的情形本文求出了Σ的(一定意义下的)最小二乘估计Σ~*,并给出了tr(CΣ~*)是tr(CΣ)的一致(对Σ≥0,Ψ)最小方差不变二次无偏估计的充要条件,这里C是对称矩阵。对Covε=GΣ,Y服从准正态分布的情形也做了相应的讨论,这里G是已知n阶非零的非负定矩阵,Σ是未知的p阶非负定矩阵。     

多元准正态线性模型中一个估计的非负最优性

Y=X_1BX′_2+U_ε是一个多元线性模型,其中X_1,X_2和U≠0是已知矩阵,B是未知参数阵,ε是随机矩阵。假设ε有如下的一阶、二阶、四阶矩 Eε=0,Eεε′=I(×)∑, Cov εε’=2(I(×)∑)(×)(I(×)∑)其中∑≥0是未知参数阵.设∑~*是∑的最小二乘估计,C≠0是已知的非负定阵,本文对UU’是幂等阵的情形给出了tr(C∑~*)是tr(C∑)的最优非负二次无偏估计的充要条件。     

方差分量组合的非负二次估计的可容许性

设有方差分量模型Y=X_β+U_(1ε1)+…+U_(NεN),其中XU_i已知,ε_1,…,ε_1相互独立。Eε_(if)=0,Eε_(if)~2=σ~2,Eε_(if)~3=0.Eε_(if)~4=3σ_i~4,这里(ε_(i1),…,ε_(in_i)εi。(β,σ~2)∈R~n×Ω为未知参数。Ω={(σ_1~2,…,σ_N~2):0≠sum from i=1 to n σ_i~2U_iU'_i≥0}。本文给出了Y'AY是sum from i=1 to n f_iσ_i~2在损失(Y'AY-sum from i=1 to N f_iσ_i~2)~2下在类{Y'BY:B≥0}中可容许估计的一个充分条件。同时也给出了Y'AY+l'Y+a是sum from i=1 to N f_iσ_i~2的可容许估计(在类{Y'BY+m'Y+b}中)的一个充要条件。研究了非负二次估计与局部最优估计之间的关系。     

一、二阶矩同时估计的可容许性

考虑模型Y=(y_1,…,y_n)′=(β,…,β)′+(ε_1,…,ε_n)′=1β+ε.(1.1)此处1=(1,…,1)′;ε_1,…,ε_n 相互独立,E(ε_i)=0,E(ε_i~2)=σ~2,E(ε_i~3)=0,E(ε_i~4)=3σ~4,i=1,…,n;-∞<β<∞,0<σ<∞.鉴于 β 的最重要的估计量是观察值 Y 的线性函数,σ~2和 β~2+σ~2的最重要的估计量是 Y 的非负定二次型,在考虑 β 的估计时,首先把注意力集中在 Y 的线性函数上;在考虑σ~2或 β~2+σ~2的估计时,首先考虑 Y 的非负定二次型.参考文献[1]在一般线性模型和二次损失下,给出了回归系数的可估线性函数的估计在线性估计类中是可容许的充要条件.参考文献[2]和[3]在模型(1.1)和平方损失下给出了 σ~2的估计在非负定二次型估计类中是可容许的充要条件;而在一般线性模型和平方损失下,给出了 σ~2的估计在非负定二次型估计类中是可容许的必要条件和充分条件,给出了相当大的一类可容许估计;此外,给     

超图的r-截口

设H=(X;E_1,E_2,…,E_m)是一个超图,H的r-截口,记作H_((r)),定义为(X;ε_((r)),其中ε_((r))={F;FX,|≤| F |≤r,且存在E_i使FE_i}.对任一超图H,H_((r))唯一存在,但并非任一秩不超过r的超图是某个超图的r-截口。本文给出了以给定超图为     

关于非正则三次域的戴德金ζ函数的均值的余项问题（英文）

设E_3/Q是一个非正则的三次扩域,a_k表示在域E_3上范数为k的整理想的个数R_x表示和式∑_(k≤x)a_k~2的渐近式的余项.本文证明了对任给的ε0,∫_1~XR~2(x)dx■_εX~((65)/(27)+ε).     

NA样本部分线性模型估计的强相合性

考虑回归模型:Y~((j))(x_(in),t_(in))=t_(in)β+g(x_(in))+σ_(in)e~((j))(x_(in)),1≤j≤m,1≤i≤n,其中σ_(in)~2=f(u_(in)),(x_(in),t_(in),u_(in))为固定非随机设计点列,β是未知待估参数,g(·)和f(·)是未知函数,误差{e~((j))(x_(in))}是均值为零的NA变量.给出基于g(·)和f(·)一类非参数估计的β的最小二乘估计和加权最小二乘估计,并在适当条件下得到了它们的强相合性.     

轨形Gromov-Witten不变量沿光滑点的加权涨开公式

本文考虑,当一个紧辛轨形群胚(X,ω)沿着光滑点作加权涨开时,它的形如<α_1,…,α_m,[pt]>_(g,A)~X的轨形Gromov-Witten不变量的变化公式,其中[pt]∈H_(dR)~(2n)(X)是生成元,dimX=2n.我们证明了对于非零A∈H_2(|X|,Z),<α_1,…,α_m,[pt]>_(g,A)~X={_(g_1,pl(A)-e’)~xdimX=4,g≥0,∑((-1)g_1·2)/(2g_1+2)!_(g_2,pl(A)-e’)~xdimX=6,g≥0,_(g_1,pl(A)-e’)~xdimX≥8,g=0其中x是X沿一光滑点的权α=(α_1,…,α_n)的加权涨开,且α_1≥α_i,2≤i≤n.     

多元线性模型中的一个参数函数的UMVIQUE的存在性

考虑多元线性模型 Y=X_1BX＇_2 Uε,Eε=0,其中ε=（ε_1,…,ε_n）＇,ε==(ε_1',...ε_n'),E(εε)=I（×）∑,∑≥0。是未知协差阵。本文给出了tr（C∑）的一致最小方差不变二次无偏估计（简记为UMVIQUE）存在的充要条件。     

从混合模空间到Zygmund-型空间的一些积型算子

设D={z∈C:|z|1}是复平面上的单位圆盘,H(D)表示D上的所有解析函数的集合,ψ_1,ψ_2∈H(D),n是一个非负整数,φ是D到D的一个解析自映射,μ是一个权函数.研究从混合模空间到Zygmund-型空间的积型算子T_(ψ_1,ψ_2,φ)~n的有界性和紧性特征,其中T_(ψ_1,ψ_2,φ)~nf(z)=ψ_1(z)f~((n))(φ(z))+ψ_2(z)f~((n+1))(φ(z)),f∈H(D).     

向量连分式逼近与插值

§！.向量连分式展开式 给定不同实数组成的序列∏_x~∞={x_0,x_1,x_2,…}和由对应的有限向量组成的序列?_z~∞={V~((0)),V~((1)),V~((2)),…},其中V~((i))=V(x_i),V~((i))∈C~d.向量的Samelson逆变换定义为 V~(-1)(x)=V~*(x)/|V(x)|~2,V~*是V的共轭向量.(1) 定义1.?_l[x_0x_1…x_l]称为V(x)的第l阶反差商,其中     

具有负指数系数的微分算子的谱

本文研究了形如∑_n~k=o~((α_k)(e~((α_k)x))D~k(a_k≤0)及∑_k~n=o((-1)~k)α_(2k)D~ke~(α_(2k)x)D~k+i/2∑_k~n=o(α_(2k+1))(D~ke~((α_(2k+1))x)D~(k+1)+D~(k+1)e~((α_(2k+1)x)D~k)(α_k≤0)的算式的谱问题,分别得到了它们的本质谱或本质谱所在的范围.     

约束线性方程组通解的显式表示及Cramer法则

本文研究了一般的约束线性方程组Ax=b,x∈T, (1.1)其中A∈C~(m×n),b∈R(A),T为C~n中任意取定的子空间。给出了(1.1)有唯一解的充要条件;在有唯一解时,利用B-D逆(A~*A)_((T))~((-1))给出了唯一解的显式及cramer法则;在有解但解不唯一时,利用B-D逆(A~*A)_((?))~((-1))(这里(?)=R(R_TA~*))给出了(1.1)的通解的显式及Cramer法则。其结果改进并推广了文[2,3,4,5,6]中的有关结果。 另外,本文研究了A的T-约束M-P逆(AP_T)~+与A~*A的B-D逆(A~*A)_((?))~((-1))的关系,证明了下列事实:(AP_T)~+=(A~*A)_((?))~((-1))A~*,特别,当T∩N(A)={0}时,(AP_T)~+=(A~*A)_((?))~((-1))A~*。     

无界报酬折扣半马氏模型ε最优策略的性质

本文讨论Lippman型无界报酬折扣半马氏决策规划ε最优策略的性质,在§2中证明了:若策略π~*=(π_0~*、π_1~*,…)是ε最优的,则对任何自然数n,策略(π_0~*,π_1~*,…,π_(n+)~*)为(1-β~n)~(-1)ε最优;若策略π~*=(f_0,f_1,…,f_n,π_(n+1),…)是ε最优的,则策略f_n~∞为某ε_n最优。在§3中讨论策略的组合与分解,在§4中给出了一个策略π~*为最优的充要条件和为ε最优的充分条件。     

一类二重随机矩阵的幂极限

<正> 其中,-l/3≤ε≤1.当ε=1时,A、B均为单位矩阵.显然矩阵A、B均为二重随机矩阵.在马尔科夫链的研究中,可以看到此类矩阵的应用. 本文给出ε≠1时这类二重随机矩阵的幂极限. 引理1.A=(a_(ij))_(2k×2k),若k为奇数,则A有k重特征根ε,其余的k个特征根均为单实根,均属于(ε.1],1为最大特征根;若k为偶数,则A有(k+1)重特征根ε,其余的(K—1)个特征根均为单实根,均属于(ε,1],1为最大特征根.B=(b_(ij))_((2k+1)×(2k+1)),     

次分数Brown运动一个积分泛函的中心极限定理及其应用

假设S~H是Hurst参数为0H1的次分数Brown运动.本文研究积分过程1/(η(ε))∫_0~T((S_(s+ε)~H-S_s~H)~2-ε~(2H))ds,ε0的渐近分布,其中T0,η(ε)表示一个当ε→0时的无穷小量.当0H3/4和η(ε)=ε~(2H+1/2时,本文证明了上述积分弱收敛于一个标准Brown运动B的常数倍;当H=3/4和η(ε)=ε(-logε)~1/2时,证明了存在另一标准Brown运动W,使得上述积分弱收敛于3/4W.为应用,本文利用广义二次变差建立了Ornstein-Uhlenbeck(O-U)过程X_t~H=X_0~H+ σS_t~H-β∫_0~tX_s~Hds,中参数σ0的估计量,并给出其渐近正态性.     

单位上三角矩阵群的注记

记Tr_1(n,Z)是整数环Z上对角线元素全是1的全体上三角矩阵组成的群,k_(ij)(1≤i相似文献   

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。     

伴有边界摄动的一类四阶非线性微分方程解的估计

本文研究伴有边界摄动的一类四阶非线性微分方程边值问题 ε~2y~((4))=f(x, y, y′, y″, ε, μ), μ相似文献