偏线性模型的核—最小二乘估计法的渐近性质

设有偏线性模型Y=X′β+g(T)+e,其中(X,T)为取值于R~p×[0,1]上的随机向量,β为p×1未知参数向量,g是定义于[0,1]上的未知函数,e为随机误差,均值是0,方差σ~2>0未知,且e与(X,T)独立。本文综合核和最小二乘的方法定义了β,g和σ~2的估计量(?)~2,g_n和(?)_n~2,在十分自然合理的条件下证明了(?)_n和(?)_n~2的渐近正态性,并得到了g_n的最优收敛速度。     

半参数回归模型参数估计的收敛速度

没有半参数回归模型Y=X’β g(T) e,其中(X,T)为取值于R~p×[0,1]上的随机向量,β为p维未知参数向量,g是定义在[0,1]上的未知函.e为随机误差,Ee=0,Ee~2=σ~2>0,且(X,T)与σ独立.参数β和σ~2的估计量(?)_n和(?)_n~2通常可利用非参数的权函数估计法与参数的最小二乘方法的结合得到.本文对核函数的情形得到了(?)_n和(?)_n~2的精确的收敛速度——重对数律.所施条件则与证明(?)_n和(?)_n~2的渐近正态性时施加的条件一致.又本文的证明方法对一般的权函数也适用.     

半参数回归模型中二阶段估计的渐近性质

给定半参数回归模型Y＝X′β g(T) e,其中β∈R^p是未知参数向量,g(t)是定义在[0,1]上的未知函数,e是随机误差,本文研究了β,,g(t)和σ2的估计量βn,gn(t)和σn^2,在适当的条件下证明了它们的渐近正态性,并给出了gn(t)的最优收敛速度。     

一类半参数回归模型中估计的相合性(Ⅰ)

考虑半参数回归模型(Ⅰ):y_i=x_iβ+g(t_i)+e_i,1≤i≤n,(1)其中,X=(x_1,…,x_n)′,T=(t_1,…,t_n)′是随机向量,e=(e_1,…,e_n)′是随机误差;且(X,T)与 e 相互独立,Ee_i=0,Ee_i~2=σ~2<∞;β是未知参数,g(t)是定义在[0,1]上的未知光滑函数.关于模型(Ⅰ)的研究,目前在文献上能见到的结果已有一些了,主要集中在讨论未知参数β的自适应估计(?)_n 的构造上;Schick 在文[7]中提出并讨论了模型(Ⅰ)的一类特殊情形,Heckman 在文[5]及 Chen 在文[2]中均讨论了当 g 的估计取一类光滑样条时,参数     

一类半参数回归模型的估计理论

考虑半参数回归模型Y=X’β+g(T)+e,其中(X,T)为取值于R^p×[0,1]上的随机向量,β为p×1未知参数向量,g为定义于[0,1]上的未知函数,e为随机误差,Ee=0,Ee²=σ²>0,且(X,T)与e独立。本文综合最近邻和最小二乘的方法定义了β,g和σ²的估计量,g_n^*和。在适当条件下证明了和的渐近正态性,并得到了g_n^*的最优收敛速度。     

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.     

方差未知的统计控制问题中的可容许估计

§1.引言设有线性模型Y=Xβ+ε,(1.1)此处 X 为已知的 n×k 矩阵,rankX=k,ε～N(0,σ~2I_n);β∈R~k 和σ>0都是未知参数.考虑如下的统计控制问题:选择一个 k 维向量 z(Y),使得     

半参数回归模型中误差方差估计之分布的非一致性收敛速度

Engle等人将气候条件对电力需求关系归结成半参数回归模型其中{e_j,1≤j≤n}是iid.的随机误差,均值为0,方差σ~2>0,{(X_j;T_j),1≤j≤n}是R~p×[0,1]上的随机设计点列且与{e_j,1≤j≤n}相互独立,{T_j,1≤j≤n}iid.,β是p维未知回归参数,g(t)是定义在[0,1]上的未知回归函数。     

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   

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y i=x i' β +g(t i)+e i,1 i n,其中β∈R d为未知参数,g(t)为[0,1]上的未知Borel函数,x i为R d上的随机设计, {e i}为i.i.d.随机误差. 本文构造了误差方差σi 2=var (e i)的小波估计 n 2,得到了 n 2的渐近正态性, 同时构造了var(e i 2)的小波估计 n 2,并且证明了 n 2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σ 2的大样本区间估计或对σ 2进行大样本检验.     

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。     

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—     

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。     

具有两个方差分量的线性模型的比较

考虑线性模型(?)其中 X 为已知 n×p 矩阵,V 是已知或未知的 n 阶非负定阵,β=(β_1,…,β_p)′∈R~p 是参向量.记具有结构(1.1)的模型为 L=(Y,Xβ,V).设有两个模型 L_1(Y_1,X_1β,V_1),L_2=(Y_2,X_2β,V_2),当 V_1,V_2已知,Ehrenfeld定义了 L_1优于 L_2的概念,并证明了当 V_1,V_2非奇异时,L_1优于 L_2当且仅当 X′_1V_1~(-1)X_1-X′_2V_2~(-1)X_2≥0(非负定);Stepniak,Wang and Wu 继续研究了 V_1,V_2奇异的情形;Stepniak and Torgersen 又定义了当 V_1,V_2具有形式 σ~2V(σ~2未知,V 已知)时,L_1优于 L_2的概念;而且 Stepniak 证明了 L_1优于 L_2当且仅当 X′_1(V_1+X_1X′_1)-X_1-X′_2(V_2+X_2X′_2)-X_2≥0.但是,我们知道,在许多统计问题中,可观察的随机向量 Y 的协方差阵 V却有这样的形式 V=∑θ_iV_i,这里θ_i 为未知参数.事实上,在求方差分量的估计时,由均值-方差对应法导出的新模型其新的协方差阵往往不具有 σ~2V 这么简洁的形式(参见[5]).本文考虑的模型是 L_i=(Y_i,X_i,σ_1~2U_i+σ_2~2V_i),这里 U_i,V_i 均为已知非负定阵;σ_1~2,σ_2~2为未知参数.我们将给出 L_1优于 L_2(记为 L_1(?)L_2)的定义及判定准则。     

一般的 Gauss-Markoff 模型中回归系数的线性估计的可容许性

此处 X 为已知的 n×p 矩阵;V 为已知的 n 阶非负定对称矩阵,记为 V≥0;β∈R~p,σ~2>0都是未知参数.设 Sβ可估(S 为已知的常数阵).我们想用 n 维随机向量 Y 的线性函数 LY(L 已知)去估计 Sβ.对于 V>0(即 V 为正定的对称矩阵),C.R.Rao 在二次损失函数     

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。     

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。     

部分线性自回归模型中误差方差伪最小二乘估计的渐近正态性

Consider the model Y_t=βY_t-1 g(Y_(t-2)) ε_t for 3＜=t＜=T.Here g is an unknown function,βis an unknown parameter,ε_t are i.i.d,random errors with mean 0 and varianceσ~2 and the fourth momentα_4,andε_t are independent of Y_s for all t＞=3 and s=1,2. Pseudo-LS estimators■_T~2,■4T and■_T~2 ofσ~s,α_4 and Var(ε_3~2)are respectively constructed based on piecewise polynomial approximator of g.The weak consistency of■4T and■_T~2 are proved.The asymptotic normality of■_T~2 is given,i.e.T~(1/2)(■_T~2-σ~2)/■_T converges in distribution to N(0,1).The result can be used to establish large sample interval estimates ofσ~2 or to make large sample tests forσ~2.