多重线性回归中数据联合影响的分解及数据的交叉影响

一、引言考虑多重线性回归模型Y=Xβ ε,(1)其中,Y=(y_1,…y_n_)′为 n×p 观察矩阵,X=(x_1,…,x_n)′为 n×(k 1)列满秩设计矩阵,β=(β_0,β_1,…β_k)′为(k 1)×p 未知参数矩阵,ε=(ε_1,…ε_n)′为 n×p 随机误差矩阵,ε_1…,ε_n 相互独立.     

判断Birkhoff插值矩阵平衡性的一些方法

<正> Birkhoff 插值问题可以描述为:设E=(e_(ij))_(i=0,j=0)~(k+1 n)是一个0,1矩阵(或插值矩阵),其中恰有n+1个1,设x_0相似文献   

再论线性模型中回归系数的最小二乘估计的相合性

<正> (一) 引言 考虑线性模型Y_i=x′_iβ+e_i,i=1,…,n,….这里x_1,x_2,…为已知的试验点列β=(β_1,…,β_p)′为未知参数,e_1,e_2,…为随机误差序列.假定E(e_i)=0对一切i.由前n次试验结果算出β的最小二乘估计     

线性模型中回归系数的最小二乘估计的强相合性

本文研究了线性模型:Y_i=x′_iβ+e_i,i=1,2,…中回归系数β=(β_1,…,β_p)′的最小二乘估计的强相合性,这里x′_i=(x_(il),…,x_(ip))为已给的p维向量,记x_n=(x_1,…,x_n)′,S_n~(-1)=(x′_nx_n)~(-1)=(h_(nij)),G(n)=diag(G_1(n),…,G_p(n))=diag(h_(n11)~(-1),…,h_(npp)~(-1)),那末在把文献[1]定理3中的条件1°换以:存在常数0相似文献   

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     

由非顺序主子阵和缺损广义特征对构造对称三对角矩阵

本文讨论形如A_nX=λC_nX的方程,其中A_n是一个对称三对角矩阵,C_n是一个对角矩阵.对矩阵A_n进行3×3分块,给定A_n的一个非顺序主子阵A_(r+1,r+s),给定C_n和四个向量X_1=(x_1,…,x_r)',X_3=(x_(r+s+1),…,x_n)',Y_1=(y_1,…,y_r)',Y_3=(y_(r+s+1),…,y_n)'和两个不同实数λ,μ,构造一个对称三对角矩阵A_n和两个向量X_2=(x_(r+1),…,x_(r+s))',Y_2=(y_(r+1),…,y_(r+s))',满足A_nX=λC_nX和A_nY=μC_nY,其中X=(X_1',X_2',X_3')',Y=(Y_1',Y_2',Y_3')'.本文给出问题有解的条件,解的表达式和相应算法,并给出数值算例验证算法的有效性.     

线性模型中回归系数的最小二乘估计的强相合性

本文研究了线性模型:Y_4=x_i~′β e_i=1,2,…中回归系数β=(β_1,…,β_p)′的最小二乘估计的强相合性,这里 x_i~′=(x_i1,…,x_(ip))为已给的 p 维向量.记 x_n=(x_1,…,x_n)′,S_n~(-1)=(x_n~′x_n)~(-1)=(h_(nij),G(n)=diag(G_1(n),…,G_p(n))=diag(h_(n11)~(-1),…,h_(npp)~(-1)),那末在把文献[1]定理3中的条件1°换以:存在常数0<α   

混合回归模型误差方差M估计的弱收敛性

考虑混合回归模型 y_i=x_i~Tβ+σε_i,(1)其中x_i~T=(y_(i-1),…,y_(i-p),z_(i1),…,z_(ik)),{ε_i}为i.i.d.残差序列,Eε1=0,Eε_1~2=1,而β=(β_1,…,β_p,β_(p+1),…,β_(p+k))~T与σ>0为未知参数,并且φ(B)=1-β_1B-…-β_pB~p=0的根全在单位圆外. 本文拟在文[1]的基础上定义模型(1)误差方差σ的M估计,并证明其弱收敛性. 设X(x)为某个可测函数,β为(1)中回归参数β的某个相容估计,称方程     

线性估计弱相合性的一个问题

§1.引言和主要结果 设有线性回归模型其中x_i=(x_(i1)…,x_(ip))′,(i=1,2,…),为一串已知向量(试验点列),β=(β_1,…,β_p)′为未知的回归系数向量,{e_i}为随机误差序列。我们称{e_i}满足Gauss-Markov条件(简称GM条件),如果     

圆的直径式方程

<正>若圆的直径的两个端点为A(x_1,y_1),B(x_2,y_2),则此圆的方程可这样求:设圆上任一点为P(x,y),我们有AP⊥BP,即AP·BP=0.而AP=(x-x_1,y-y_1),BP=(x-x_2,y-y_2).∴圆方程为(x-x_1)(x-x_2)+(y-y_1)(y-y_2)=0,即x²+y2+y²-(x_1+x_2)-(y_1+y_2)+(x_1x_2+y_1y_2)=0.     

再论线性模型中误差方差的二次型估计的可容许性

设有线性模型Y=(y_1,…,y_n)′=Xβ ε=X(β_1,…,β_p)′ (ε_1,…,ε_n)′,(1.1)这里 X 为已知的,n×p 矩阵,n≥p,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∈R~p,0<σ~2<∞均为未知参数.欲估计σ~2,     

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     

一类混合回归模型中估计的收敛速度

考虑回归模型y_i=x_iβ+g(t_i)+e_4,i=1,2,…,n,其中 g(·)是未知光滑函数,β是未知待估参数,e_4是随机误差.设{(x_4,t_4,y_4),1≤i≤n}是 i.i.d.子样.本文首先给出了 g(·)的一类近邻估计n(·),然后基于模型 y_4=x_4β+(t_4)+e_4得到了β的最小二乘估计.在适当条件下,证得了及 g(·)的最终估计(·)的强弱收敛速度.     

二元二次函数最值的初等解法

<正>一、提出问题(2015年高考浙江理科数学第15题)已知e_1、e_2是空间单位向量,e_1·e_2=1/2,若空间向量b满足b·e_1=2,b·e_2=5/2,且对于任意x,y∈R,|b-(xe_1+ye_2)|≥|b-(x_0e_1+y_0e_2)|=1(x_0,y_0∈R),则x_0=_____,y_0=     

一个三次样条插值定理

C.Davis和W.J.Kammerer曾先后用不同的方法证明了如下定理: 设y_0,y_1,…,y_n为实数,满足y_0>y_1,y_1y_3,…,则存在唯一的一个n次多项式P_n(x)和一组点x_0,x_1,…,x_n使得P_n(x_i)=y_i(i=0,1,…,n),P′_n(x_i)=0(i=1,2,…,n-1),0=x_0相似文献   

疏系数多维自回归模型的建立

§1.多维自回归模型的建立在实际问题中,我们经常需要处理多维量测数据.假设{X_t,1≤t≤N}是 k 维平稳序列,X_t=(x_(1t),x_(2t),…,x_(kt))~T,满足如下形式的多维自回归模型X_t=A_0+A_1X_(t-1)+…+A_pX_(t-p)+U_t,p相似文献   

BAHADUR ASYMPTOTIC EFFICIENCY FOR PARAMETER ESTIMATE IN MULTIPLE REGRESSION

1. INTRODUCTION Consider the multiple regression model xi=ciβ+ei,i=1,2,…,(1) where c_i=(c_(il),…,c_(ip)), i=1, 2,…are given row vectors; β∈R~p is an unknown parameter vector; e_1, e_2,…are i.i.d. random variables with a common probability density function f(x) with respect to the Lebesgue measure. Let x_1, x_2,…be a sequence of observa-     

相依误差下回归系数 LS 估计的收敛速度

其中 x(ij)(j=1,…,p,i=1,2,…)是已知常数,常称之为模型(1)的设计常数或设计点列,β_1,…,β_p,为未知的回归系数,y_i,e_i 分别为第 i 次量测时的量测值和量测随机误差。以下,我们记设计矩阵(x_(ij))(?)≤(?)≤n,(?)≤j p 为 X_n,Y_n=(y_1,…,y_n)′,β=(β_1,…,β_p)′.并假定对某N,X′_N X_N 非退化,那么当 n≥N 时,X′_n X_n 亦非退化,且回归系数β的基于前 n 次量测值 Y_(?)及设计矩阵 X_(?)的最小二乘估计(通常简记为 LS 估计) b_(?)=(b_(?)1, …,b_((?)p)'为     

用Walsh-Fourier级数的(c,β)平均来逼近函数的问题

设p≥2是固定的整数.x∈[0,1]的p进表示是x=(0.x_1x_2…x_n…),其中x_k∈{0,1,…,p-1},k∈N={1,2,…}。並且约定对p进有理点取有限表示。对任意非负整数k≥0,写k=sum from j=0 to n (k_jp~j),k_j∈{0,1,…,p-1}。设,则p进的Walsh函数定义为。     

线程回归系数L_1估计弱相合性的一个必要条件

设 Y_i=x′_iβ_0+e_i,i=1,…,n,为线性回归模型。此处 x_1,x_2,…为已知 p 维向量。以β_n 记β_0的 L_1估计,即设随机误差 e_1,e_2,…独立,med(e_i)=0,且存在正数 l_1,l_2,使 P(-h≤e_i≤0)≤l_1h≥P(0≤e_i≤h),0≤h≤l_2,i=1,2,…则当时,β_n 不是β_0的弱相合估计。