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。     

多项式损失下二次型估计的可容许性

设有线性模型Y=Xβ+δ,其中X为已知的n×p阶矩阵,n≥2,δ～N_n(O,σ~2(Ln),β∈R~n和σ~2>O皆未知,估计σ~2,取损失函数L(β,σ~2;d)=W[σ~(-4(d-σ~2)~2],其中设对称) 本文给出了X=1_n和X=I_n时,Y'AY∈(?)在估计类现中是σ~2的可容许估计的充要条件。     

线性模型中一些无偏损失估计的不可容许性和可容许性

设 Y～N_n(Xβ,σ~2V),此处 X 和 V 分别是已知的 n×P 和 n×n 矩阵,rank(X)=p≤n,V>0(即 V 是正定的),β∈R~P 是参数向量,σ>0已知或未知.记(?)=(X′V~(-1)X)~(-1)X′V~(-1)Y,S~2=Y′[V~(-1)-V~(-1)X(X′V~(-1)X)~(-1)X′V~(-1)]Y.对于σ已知情形,本文证明了,在均方误差损失[α-((?)-β)′((?)-β)]~2之下,损失((?)-β)′((?)-β)的无偏估计σ~2tr(X′V~(-1)X)~(-1)在 P≤4时是可容许的,而当P≥5时不可容许.对于σ也是未知参数且 P相似文献   

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。     

线性回归系数两种可估性的关系

<正> 设有满足Gauss-Markov(GM)条件的线性模型Y=Xβ+e,E_e=0,COV(e)=б~2l,此处X为已知的n×p矩阵,β=(β_1,…,β_p)′为p维未知向量,I为n阶单位阵,0<σ~2<∞,σ~2也未知.设c为一已知的p维向量,则当x的秩为P时,c′β必为线性可估.反过来,若X的秩小于p,则对某些c,c′β不是线性可估,甚至也可以不是可估的.     

线性模型中误差方差的二次型估计是■-可容许的充要条件

§1.模型和结果 考虑线性模型为估计σ~2,取损失函数为L(σ~2,d)=(d-σ~2)~2/σ~4. 以记估计类{Y′BY:B≥0},设Y'AY∈?,如果Y′AY在估计类中有容许性,则我们称Y′AY是可容许的,记为吴启光,成平,李国英研     

两个方差分量同时估计的可容许性

考虑方差分量模型 EY=X·β DY=σ_1~2V_1+_2~2V_2,其中β∈R~p,σ_1~2>0,σ_2~2>0均未知;X,V_1>0,V_2>0均已知;r(X)=p。我们要同时估计(σ_1~2,σ_2~2),并考虑估计类={d(A_1,A_2)=(Y′A_1Y,Y′A_2Y),A_1≥0,A_2≥0}。损失函数为: L(d(A_1,A_2),(σ_1~2,σ_2~2=1/σ_1~4(Y′A_1Y-σ_1~2)~2+1/σ_2~4(Y′A_2Y-σ_2~2)~2。本文给出了在V_1=V_2限制下,d(A_1,A_2)为容许估计的充分条件和必要条件,以及没有这个限制时d(A_1,A_2)为容许估计的充分条件。     

回归系数Pitman估计的优良性(Ⅰ)

考虑回归模型Y=Xβ+ε,其中X为n×k阶常数矩阵,且X′X=S>0。β是k维回归系数,即β∈R~k。ε是n维随机向量,其概率密度函数为σ~(-n)f(t/σ),σ>0。Y为n维观测向量。 若σ已知,不失一般性,可设σ=1。则β的Pitman估计为     

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     

线性模型参数估计的新进展

本文讨论线性模型 y=Xβ+e,E(e)=0,Cov(e)=V,(1)的参数估计问题的新发展.这里y是n×1的观测向量,X是n×p已知设计矩阵,β是p×1未知参数向量,e是n×1随机误差向量.X有时假定是列满秩的,有时是任意秩的.V总假定是半定正的,但有的部分讨论V是非奇异方阵,甚至是σ~2I_n,而另外一些部分,假定V可以是奇异的.何时采用何种假定,将在有关地方指明.     

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.     

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。     

强收敛意义下岭回归的 C_L 和 GCV 准则的渐近最优性

设有回归模型Y_i=μ_i+e_i,i=1,2,…,n (1)假定 e_1,…,e_n 为 iid.的正态随机变量序列,具有共同的均值0和方差σ~2.每个 Y_i 可通过设计点列 x_(i1),x_(i2),…,x_i_p_n 观察到.为估计 Y=(Y_1,…,Y_n)′的未知均值 μ=(μ_1,…,μ_n)′,可构造一族岭估计(?)(h)=X(X′X+hI)~-1X′Y,h≥0,(2)其中 X=(x_ij)_(n×ρn) 为设计阵,I 为 p_n 阶单位阵.在这里,岭参数 h 的选择是一个十分     

生长曲线模型中协差阵的最优非负估计

§1.模型与问题 考虑如下的生长曲线模型其中X_1,X_2,u≠0分别为n×k,p×l,n×s阶已知矩阵;B为k×l阶回归系数矩阵。Y=(y(1),…,y(n))′与(?)=(ε(1),…,ε(s))′分别为n×p阶观测资料矩阵及s×p阶随机误差矩阵。将Y、B及(?)依行拉直得     

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估计的可容许性

§1.引言考虑一般的随机效应线性模型Y=Xβ+ε,(1.1)其中 Y 为可观测的 n 维随机向量,ε和β分别为不可观测的 n 维和 p 维随机向量,E(β)=Aα,VAR(β)=Δ≥0,E(ε)=0,VAR(ε)=V≥0,E(βε')=0,X,A,Δ和 V 分别为已知的 n×p,p×k,p×p 和 n×n 矩阵,α∈R~k 为参数。对于矩阵 B 和C,B≥C(B>C)表示 B—C 为非负定(正定)对称矩阵。     

线性回归模型Liu估计的新研究

考虑线性回归模型Y=Xβ+ε,E()ε=0,Cov()ε=2σI(1),当设计矩阵X的列存在共线性时,最小二乘估计^β=(X′X)-1X′Y的性质变坏,为此给出了有偏估计^(βK,d)=(X′X+K)-1(X′Y+d^β),其中K为对角矩阵,K=diag(k1,…kp),ki≥0,d>0为参数,讨论了这种有偏估计与广义岭估计、Liu估计的比较,并证明了其可容许性估计.     

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     

随机加权法在线性模型中的应用

设 Y_n=X_nβ+e(n) (1.1)是一个回归模型,其中β是一个 p×1 未知参数向量;Y_n 是 n×1数据向量;X_n 是 n×p 矩阵,rank X_n=p,X_n 之元素是常数,X'_n=(x_1,…,x_n)表示 X_n 的转置;e(n)是 n×1 误差向量.设 (?)_n=(X′_nX_n)~(-1)X′_nY 为β的最小二乘估计.在[1]中讨论了随机变量 c′((?)_n—     

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.