多元线性混合模型方差分量矩阵的非负估计

本文研究了带有两个方差分量矩阵的多元线性混合模型方差分量矩阵的估计问题.对于平衡模型,给出了基于谱分解估计的一个方差分量矩阵的非负估计类.对于非平衡模型,给出了方差分量矩阵的广义谱分解估计类,讨论了与ANOVA估计等价的充要条件.同时,在广义谱分解估计的基础上给出了一种非负估计类,并讨论了其优良性.当具有较小二次风险的非负估计不存在时,从估计为非负的概率的角度考虑,将Kelly和Mathew(1993)提出的构造具有更小取负值概率的估计类的方法推广到本文的多元模型下,给出了较谱分解估计相比有更小取负值概率和更小风险的估计类.最后,模拟研究和实例分析表明文中理论结果有很好的表现.     

方差分量的广义谱分解估计

对于随机效应部分为一般平衡多向分类的线性混合模型,将王松桂(2002)提出的一种称之为谱分解估计的参数估计新方法推广到随机效应设计阵为任意矩阵的含两个方差分量的线性混合模型,给出了方差分量的广义谱分解估计方法,并证明了所得估计的一些统计性质。另外,还就广义谱分解估计类中某些特殊估计和对应的方差分析估计进行了比较,得到了它们相等的充分必要条件。     

方差分量谱分解估计的几个性质

对于线性混合模型中方差分量的估计，虽有多种方法，但一般情况下只有方差分析估计和谱分解估计有显式解，本文就线性混合模型中含两个方差分量的情形，对方差分析估计和谱分解估计进行了比较，证明了在一些条件下两个估计的方差相等，由此推出谱分解估计也具有方差分析估计的某些优良性．文末用实例进一步说明了文中的结果．     

随机变量二次型的协方差在混合效应模型中的应用

本文提出方差分量ANOVA估计的一种改进方法, 证明了对于一般的方差分量模型, 只要方差分量的ANOVA估计存在就可以通过此方法给出其改进形式, 并且在均方误差意义下优于ANOVA估计. 特别地, 对于单向分类随机效应模型, Kelly和Mathew^[1]对ANOVA估计的改进就是我们提出的改进方法的特殊形式, 这也给出了此类改进估计在均方误差意义下优于ANOVA估计的另一种合理的解释. 同时, 本文又将此思想应用到对谱分解估计的改进上. 本文应用协方差的简单性质证明了对带有一个随机效应的方差分量模型, 当随机效应的协方差阵只有一个非零特征值时, 随机效应方差分量谱分解估计在均方误差意义下总是优于ANOVA估计. 本文最后将第三节的结论推广到广义谱分解估计下, 同时给出广义谱分解估计待定系数的一个合理的取值.     

方差分量模型协方差阵的谱分解

本文对平衡方差分量模型, 给出了其协方差阵的新的谱分解算法. 该方法的特点是计算简单, 易于理解, 无须复杂的数学知识. 且能够明确显示协方差阵的不同特征值的个数, 以及谱分解中不同特征值所对应的投影阵的显式表示. 基于新方法我们进一步研究了平衡方差分量模型的一些相关性质.本文还研究了一般方差分量模型, 我们首先定义了一般方差分量模型协方差阵的简单谱分解,给出了一般方差分量模型可以进行简单谱分解的充要条件, 并研究了协方差阵简单谱分解的一些性质. 对于协方差阵可以进行简单谱分解的方差分量模型, 本文研究了简单谱分解在其统计推断中的应用.     

平衡线性混合模型方差分量几种估计的优良性

对于平衡线性混合模型,本文提出了一组易验证的条件,在此条件下,方差分量的谱分解估计、方差分析估计和最小范数二次无偏估计都相等且为一致最小方差无偏估计.同时证明了在此条件下,似然方程和限制似然方程都有显式解,还给出了许多满足这组条件的平衡线性混合模型的例子.     

平衡线性混合模型方差分量几种估计的优良性

对于平衡线性混合模型,本文提出了一组易验证的条件,在此条件下,方差分量的谱分解估计、方 差分析估计和最小范数二次无偏估计都相等且为一致最小方差无偏估计．同时证明了在此条件下,似然 方程和限制似然方程都有显式解,还给出了许多满足这组条件的平衡线性混合模型的例子．     

线性混合效应模型中方差分量的估计

本文首先研究了含三个方差分量的线性混合随机效应模型改进的ANOVA估计, 此估计在均方损失下一致优于ANOVA估计. 由于这些方差估计取负值的概率大于零, 对得到的估计在某非负点采用截尾的方法得到非负估计是一种常用的方法. 对文章中提出的估计, 研究了此估计在某非负点截尾之后得到的估计在均方损失意义下优于截尾之前的估计的充分条件, 同时给出ANOVA估计在截尾之后优于它本身的充分条件, 而且将得到的结论推广到更一般的线性混合随机效应模型.     

方差分量的改进估计

本文研究一类方差分量模型中方差分量的改进估计问题,对单向分类随机模型的对应于随机效应的方差分量,我们研究了一个不变估计类,它包含了一些常用重要估计。证明了在均方误差准则下,在该估计类中不存在一致最优不变估计,且方差分析估计是不容许估计。在一个重要子估计类中,找到了一致最优估计。对于较一般的含两个方差分量的混合模型,我们研究了一个非负估计类的性质,给出了它们的分布,并建立了它们优于方差分析估计的充分     

混合整数线性模型方差分量的Bayes估计

本文研究了混合整数线性模型方差分量在无信息先验分布和有信息先验分布下Bayes估计，给出了混合整数线性模型方差分量无信息和：有信息先验分布下的极大后验估计和最佳Bayes估计。     

MM Algorithms for Variance Components Models

Variance components estimation and mixed model analysis are central themes in statistics with applications in numerous scientific disciplines. Despite the best efforts of generations of statisticians and numerical analysts, maximum likelihood estimation (MLE) and restricted MLE of variance component models remain numerically challenging. Building on the minorization–maximization (MM) principle, this article presents a novel iterative algorithm for variance components estimation. Our MM algorithm is trivial to implement and competitive on large data problems. The algorithm readily extends to more complicated problems such as linear mixed models, multivariate response models possibly with missing data, maximum a posteriori estimation, and penalized estimation. We establish the global convergence of the MM algorithm to a Karush–Kuhn–Tucker point and demonstrate, both numerically and theoretically, that it converges faster than the classical EM algorithm when the number of variance components is greater than two and all covariance matrices are positive definite. Supplementary materials for this article are available online.     

Estimation of Variance Components in Mixed Linear Models

In mixed linear models with two variance components, classes of estimators improving on ANOVA estimators for the variance components and the ratio of variances are constructed on the basis of the invariant statistics. Out of the classes, consistent, improved and positive estimators are singled out. These estimators are shown to be further dominated by utilizing the information contained in the noninvariant statistics. Applications to the unbalanced one-way ANOVA models and to balanced incomplete block designs are given.     

On Testing Variance Components in Unbalanced Mixed Linear Model

The paper presents some approximate and exact tests for testing variance components in general unbalanced mixed linear model. It extends the results presented by Seifert (1992) with emphasis on the computational aspects of the problem.     

方差分量的二次不变估计的非负改进

研究一类方差分量模型中的方差分量的估计改进问题,首先在含两个方差分量模型中给出σ21二次型估计类,并且此估计类还具有无偏性和不变性.考虑二次损失(δ-θ)2,在此估计类基础上放弃无偏性进行非负改进,不仅得到优于二次不变无偏估计类的σ21的非负二次不变估计类,而且还说明了它优于方差分析估计和最小均方误差估计,文献[5]中给出s>2时的非负改进,但是非负改进存在是有条件的,本文克服了这个缺陷.最后给出了非负改进存在的充分必要条件.     

Panel����ģ���з�������ľ�ȷ����

本文利用广义p值和广义置信区间的概念构造含有三个随机效应的Panel数据模型中方差分量的几种新的精确检验和置信区间,并讨论它们在尺度变换下的不变性.通过模拟给出检验的功效和置信区间的覆盖率. 模拟结果表明,广义p值理论方法应用于含有冗余参数的Panel数据模型参数检验问题是灵活而有效的.     

Analysis of Multi-Unit Variance Components Models with State Space Profiles

We apply the Kalman Filter to the analysis of multi-unit variance components models where each unit's response profile follows a state space model. We use mixed model results to obtain estimates of unit-specific random effects, state disturbance terms and residual noise terms. We use the signal extraction approach to smooth individual profiles. We show how to utilize the Kalman Filter to efficiently compute the restricted loglikelihood of the model. For the important special case where each unit's response profile follows a continuous structural time series model with known transition matrix we derive an EM algorithm for the restricted maximum likelihood (REML) estimation of the variance components. We present details for the case where individual profiles are modeled as local polynomial trends or polynomial smoothing splines.     

部分线性混合效应模型中方差分量的稳健估计

部分线性混合效应模型中方差分量是我们感兴趣的参数, 文献中已经给出许多估计方法. 但是其中很多方法都可以归结为广义估计方程方法(GEE), 如: 最大似然估计(MLE), 约束最大似然估计(REMLE)等, 而GEE方法对异常点很敏感. 本文提出一组关于部分线性混合效应模型(PLMM)中均值和方差分量的稳健估计方程, 对均值和方差分量同时进行稳健估计; 并进行了随机模拟考察所提出稳健估计的有效性, 最后通过两个实例, 说明了所提方法的可行性.     

非线性模型中方差和协方差分量的Bayes估计

本文采用Bayes方法从有逆gamma先验信息出发,得到了非张性模型中方差和协方差分量的估计,本文中的方差和协方差分量包含相关系数,而其他学者提出的线性模型中方差和协方差分量的Bayes估计只是本文的特殊情况.     

The Spectral Decomposition of Covariance Matrices for the Variance Components Models

The aim of this paper is to propose a simple method to determine the number of distinct eigenvalues and the spectral decomposition of covariance matrix for a variance components model. The method introduced in this paper is based on a partial ordering of symmetric matrix and relation matrix. A method is also given for checking straightforwardly whether these distinct eigenvalues are linear dependent as functions of variance components. Some examples and applications to illustrate the results are presented.