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。     

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。     

多元线性模型中一个二次估计的非负最优性

考虑如下的多元线性模型 Y=X’_1BX_2+Us,(1)其中ε=(ε_((1)),ε_((2)),…,ε_((r)))’是r×p阶随机矩阵,满足 本文给出了trC∑~*是trC∑的一致最小方差非负二次无偏估计(UMVNQUE)的充要条件,其中∑~*是∑的在一定意义下的最小二乘估计(LSE),C是任一非负定阵。     

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。     

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。     

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。     

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.     

有限辛群Sp(4,11)的Cartan不变量矩阵(英文)

本文计算了B_2型有限辛群Sp(4,11)的Cartan不变量矩阵C=(c_((λμ)~((1)))_(λμ∈X_1(Y)).     

部分参数先验估计与分段回归的进一步讨论

Helge Toutenburg考虑了线性回归模型y=X_1β_1+X_2β_2+ε存在β_1的先验估计b_1~*=β_1+φ,φ～(0,V)的情况,比较了参数β=的三个估计b(广义最小二乘估计)b~*(V)(部分参数有先验估计的估计)和 b_R(V)(b_1~*=β_1+φ下的线性随机约束估计),得到结论 1.当V=0或V≈0时,△_1(V)cov(b)-cov(b~*(V))≥0;2.当V=0或V≈0时,△_2(V)cov(b_R(V))-cov(b~*(V))≥0。本文的工作是:i)作为结论1的补充,我们证明了:如果S_(12)=0,则当V≤σ~2S_(11.2)~(-1)时,△_1(V)≥0,当V≥σ~2S(_11.2~-1)时,△_1(V)≤0;若V-σ~2S(_11.2~-1)不定,或V≥σ_2S(_11.2~-1)或0相似文献   

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).     

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.     

均匀分布族U(θ_1,θ_1+θ_2)参数的最佳仿射同变估计之非容许性

设随机变量其密度函数为,其中θ_2>0,-∞<θ_1<+∞均为未知参数。X_1,X_2,…,X_n是抽自X的简单子样;X_(1),X_(2),…,X_(n)为由此产生的顺序统计量。我们在损失函数与 之下分别考虑θ_1与θ_2的估计问题。其相应的风险函数分别记为与。众所周知,θ_1与θ_2的最佳仿射同变估计分别为与其中     

平稳随机序列的变秩顺序统计量的联合渐近分布

设{X_n}是平稳序列,X_1~((n))≤…≤X_n~((n))是X_1…X_n的顺序统计量。{k_n(r)},r=1,2是二变秩序列。本文在某种相关条件限制下得到了{X_(kn)~((n))(1),X_(n-_(kn))~((n))(2)+1)}的极限分布。特别地,对满足k_n(r)/n→λ(r)∈[0,1),r=1,2的特殊秩序列,得到了{(X_(kn)~((n))(1),X_(n-_(kn))~((n))(2)+1)}的所有可能的极限分布类。     

加权平方和损失下线性估计的可容许性

1980年,Berger讨论了Γ分布尺度参数的通常估计的容许性向题.本文在此基础上讨论Γ分布尺度参数的线性估计的容许性问题,即 例1 设X_1和X_2相互独立,X_1～Γ(α_1,β_1~(-1)),X_2～Γ(α_2,β_2~(-1))α_1和α_2是已知的正常数,β=(β_1,β_2)′∈R~ ×R~ 是未知的参数.取β的估计为线性估计     

线性模型中均值向量的LSE和BLUE的偏差估计

对于线性模型 Y=Xβ+e,E(e)=0,cov(e)=σ~2∑,∑≥0μ=Xβ的LSE和BLUE分别为■=X(X′X)-X′Y和μ~*=X(X′T-X)-X′T-Y,其中T=∑+XUX′,U是对称阵且使Rank(T)=Rank(∑X)和T≥0,本文证明了‖■-μ~*‖_2≤(λ_r-λ_ζ)/(2(λ+λ_k)~(1/2))‖Y-■‖_2这里λ_4=ch_4(T),i=1,2,…,n,λ_1≥…≥λ_n≥0。k=Rank(X),‖a‖_2=(a′a)~(1/2),并且给出了‖cov(■)-cov(μ~*)‖_s‖PT~2P-(PTP)~2‖_s和‖(cov+(μ~*))~(1/2)cov(■)(cov+(μ~*))~(1/2)‖s的上界,这里‖A‖_s=(tr(A′A)~(3/2))~(■),s≥1。     

最近邻预测问题中条件风险估计的强收敛速度

设(X_4,θ_4),i=1,2,…,n,是d 1维随机向量(X,θ)的iid.样本。又设L_n是平方损失下最近邻(简记为NN)预测在给定(X_4,θ_4),i=1,2,…n条件下的风险。众所周知,在一定条件下L_n→2E~*,a.s.,这里R~*表示Bayes风险。L_n的NN估计定义为其中θ_(nj)表示以(X_1,θ_1),…,(X_(j-1),θ_(j-1),(X_(j 1),θ_(j 1),…,(X_n,θ_n)为训练样本时,通过X_j=x_j对θ_j所做的NN预测。本文在E|θ|~(2 δ)<∞(δ>0)以及其他一些条件下证明了其中ξ是一个事先任意给定的近于0的正常数。     

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、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     

一类二阶m-点边值问题变号解的存在性

利用锥理论和不动点指数理论,研究了一类二阶m-点边值问题{u'(x)+f(u(x))=0,0≤x≤1,u(0)=0,u(1)-0,u(1)=m-2∑i-1 a_iu(ξ_i)其中ξ_i∈(0,1),0ξ_1ξ_2…ξ_(m-2)1,a_i∈[0,∞),0∑_(i=1)~(m-2)a_i1,f∈C(R,R)变号解的存在性.     

改正《多元线性模型中一个二次估计的最优性(Ⅱ)》一文中引理的证明

现将引理3的证明改正如下:引理3 设M_2≠0,M_2C=CM_2,则 M_2∑diag(∑C∑)∑M_2=0,?∑≥0?C=0证 充分性显然,往证必要性。因为M_2C=CM_2,所以存在正交阵Г_(pp×p)使