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     

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.     

二次损失下一般Gauss-Markov模型中可估函数的线性Minimax估计

设Y是具有均值Xβ和协方差阵σ~2V的n维随机向量,Sβ是线性可估函数,这里X,S和V≥0是已知矩阵,β∈R~p和σ~2>0是未知参数。本文在二次损失下研究了线性估计的Minimax性。在适当的假设下,得到了Sβ的唯一线性Minimax估计(有关唯一性在几乎处处意义下理解)     

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.     

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。     

二次损失下回归系数的线性Minimax估计

设有线性模型 EY=Xβ CovY=σ~2V, 这里X: _(nxp),和V: _(nxn)>0已知矩阵,β∈R~P和σ~2>0都是参数。本文估计Sβ,选取损失函数 L(d,Sβ)=((d-Sβ)′(d-Sβ))/(σ~2+β′X′V~(-1)Xβ), 其中Sβ是可估的,并给出了在线性估计类中唯一的一个线性minimax估计。     

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的估计量和,在十分自然合理的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.     

线性模型中\varphi-混合误差下误差方差估计的强收敛速度

考虑线性回归模型一、引言和引理y_i=x_i′β+e_i,i=1,2,…,(1)这里{x_i}为已知的 d-维向量序列,β为未知的回归系数向量,{e_i}为随机误差序列,满足Ee_i=0,0相似文献   

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     

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     

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。     

线性模型中均值向量的最小二乘估计和最佳线性无偏估计之差的欧氏范数的界

我们讨论最一般的线性模型 Y=Xβ e E(e)=0,Cov(e)=V,(1)其中Y为n×1随机观测向量,X为n×p的已知矩阵,其秩 R(X)=r,β为p×1未知参数向量,e为n×1随机误差向量,E(e)表示e的均值向量,Cov(e)表示e的协方差矩阵.V为n×n的定正方阵.记为V>0(下同).     

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   

种公牛育种值预测的BLUP方法及应用一例

设一般的混合线性模型是 Y=Xβ Zu e (1)其中Y是n维观测值向量,X、Z分别是已知的n×p和n×q矩阵,β是一个p维(未知)固定参数向量,u是一个q维随机参数向量,e是n维随机误差向量,且有 E=0 Var (2)在实际问题中,常有R=σ_6~2I,G也常常是对角阵。七十年代初,C.R.Henderson提出用混合模型来预测种公牛育种值,他把环境效应(为牧场一年一季效应)、固定遗传效应(为公牛组效应)看作固定参数β,而把公牛效应及其与环境、遗传的交互效应看作随机参数向量u(交互效应一般不显著,故实际上常略去),目的是要     

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.     

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     

一般Gauss-Markov模型中可估函数的线性Minimax估计

设Y是具有均值Xβ和协方差阵σ2V的n维随机向量,Sβ是线性可估函数,这里X,S和V≥0是已知矩阵,β∈Rp和σ2＞0是未知参数.本文分别在给定的矩阵损失和二次损失下研究了线性估计的Minimax性.在适当的假设下,得到了Sβ的唯一线性Minimax估计(有关唯一性在几乎处处意义下理解).     

增长曲线模型回归系数线性估计的可容许性

其中 x、ε为 p 阶随机向量,A:p×q,q≤p 及 p×p 阶阵 G>0已知,β∈R~q 及σ~2>0是未知参数;若 Kβ可估(即 K 是满足μ(K)(?)μ(A′)的已知常数阵),C.R.Rao在二次损失函数:     

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。     

线性模型中参数的线性估计的可容许性

本文的主要结果如下:1.假定 n 维向量 Y 适合EY=θ,VarY=σ~2V,V>0,则在二次型损失函数(LY-Sθ)′(LY-Sθ)下,在线性估计类中,LY 是 Sθ的可容许估计的充要条件是(a)LYS′对称,(b)LVL′≤LVS′,(c)rk(L-S)V=rk(L-S),其中 L,S 均为r×n 阵。2 假定在 Ganss-Markov 换型(Y,Xβ,σ~2V,V≥0)下,Sβ是可估的,则在矩阵损失函数(LY-Sβ)(LY-Sβ)′/σ~2下,在线性估计类中,LY 是 Sβ的可容许估计的充要条件是:(a)μ(VL′)μ(X),(b)LX=S 或 LX≠S 时,LXTX′L′-STS′ a(LX-S)T(LX-S)′≥0,对所有的a∈(0,1)不成立,其中T=X~ (V-VH(V~(1/2)H)~ V(1/2))X′~ ,H=I-XX~ .