含有两个方差分量的多元混合效应模型方差分量矩阵的估计

考虑含有两个方差分量矩阵的多元混合模型,将一元混合模型下的谱分解估计推广到多元模型下.给出的方差分量矩阵的谱分解估计在均方误差意义下一致的优于ANOVA估计,最后还讨论了谱分解估计与ANOVA估计等价的条件.     

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。     

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.     

偏正态非平衡面板单因素随机效应模型的Bootstrap推断

针对偏正态非平衡面板单因素随机效应模型,文章研究了回归系数和方差分量函数的假设检验和区间估计问题.首先,基于矩阵分解技术,给出回归系数的精确检验方法.其次,利用Bootstrap方法和广义方法,构造单个方差分量、方差分量之和的检验统计量和置信区间.再次,建立方差分量之比的精确检验和近似检验.文章证明了所给检验方法和置信区间的变换不变性等理论性质.Monte Carlo结果表明,对于所设参数和样本量,文章所给方法在犯第一类错误的概率和功效意义下,具有统计优良性.最后,将上述方法应用于汽油消耗量的案例分析.     

具有P个方差分量的线性模型的Beyes二次估计及可容许估计的非负性

本文对具有 p 个方差分量的线性模型讨论了方差分量线性函数的 Bayes 不变二次估计问题,给出了 Bayes 不变二次估计(无偏和有偏)的显示表达式,并且证明了它们在各自考虑的类中形成了可容许估计的完全类.在可容许估计的完全类中,还讨论了非负参数函数的非负估计问题,给出了可容许的非负定估计存在的充要条件.     

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.     

混合模型中方差分量估计的容许性及非负估计

对含有两个方差分量的线性混合模型, 本文构造了方差分量的一个线性估计类, 它包含许多常见的方差分量估计. 在这个类中我们建立了容许性的必要条件, 据此得到了两个新的改进估计. 最后我们讨论了方差分量的非负估计, 得到了优于方差分析估计和Tatsuya估计的正估计.     

平衡随机模型中方差分量的非负估计

众所周知, 对于平衡随机模型, 方差分量的方差分析估计为一致最小方差无偏估计. 本文基于方差分量的方差分析估计, 构造了一个二次不变估计类, 它包含了一些常用重要估计. 证明了该估计类在一定条件下在均方误差意义下一致优于方差分析估计, 并在此估计类基础上, 给出了方差分量的两种非负估计, 它们在均方误差意义下分别一致优于方差分析估计和限制极大似然估计, 且有显式解、容易计算.     

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.     

A new method of spectral decomposition of covariance matrix in mixed effects models and its applications

For the mixed effects models with balanced data, a new ordering of design matrices of random effects is defined, and then a simple formula of the spectral decomposition of covariance matrix is obtained. To compare with the two methods in literature, the decomposition can not only give the actual number of all distinct eigenvalues and their expression, but also show clearly the relationship between the design matrices of random effects and the decomposition. These results can be applied to the problems for testifying the analysis of the variance estimate being a minimum variance unbiased under all random effects models and some mixed effects models with balanced data, for finding the explicit solution of maximum likelihood equations for the general mixed effects model and for showing the relationship between the spectral decomposition estimate and the analysis of variance estimate.     

����������������������ŷ���ģ�͵��Ʋ�ǰ���ӯ��ֲ�

本文综述混合效应模型参数估计方面的若干新进展. 平衡混合效应方差分析模型的协方差阵具有一定结构. 对这类模型, 文献[1]提出了参数估计的一种新方法, 称为谱分解法. 新方法的突出特点是, 能同时给出固定效应和方差分量的估计, 前者是线性的, 后者是二次的,且相互独立. 而后, 文献[2--9]证明了谱分解估计的进一步的统计性质, 同时给出了协方差阵对应的估计, 它不仅是正定阵, 而且可获得它的风险函数, 这些文献还研究了谱分解估计与方差分析估计, 极大似然估计, 限制极大似然估计以及最小范数二次无偏估计的关系. 本文综述这一方向的部分研究成果, 并提出一些待进一步研究的问题.     

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．     

On spectral decompositions of solutions to discrete Lyapunov equations

A new approach to solving discrete Lyapunov matrix algebraic equations is based on methods for spectral decomposition of their solutions. Assuming that all eigenvalues of the matrices on the left-hand side of the equation lie inside the unit disk, it is shown that the matrix of the solution to the equation can be calculated as a finite sum of matrix bilinear quadratic forms made up by products of Faddeev matrices obtained by decomposing the resolvents of the matrices of the Lyapunov equation. For a linear autonomous stochastic discrete dynamic system, analytical expressions are obtained for the decomposition of the asymptotic variance matrix of system’s states.     

一类线性混合模型的谱分解估计

谱分解估计(SDE)是新近提出的关于线性混合模型参数的一种新的估计方法,此方法的一个突出特点是同时给出固定效应参数和方差分量的显式解估计．本文就含两个方差分量的线性混合模型,对谱分解估计的性质做了进一步的研究,获得了方差分量的SDE和方差分析估计相等的充分必要条件,证明了在一定的条件下方差分量的SDE为一致最小方差无偏估计．     

Spectral discretizations of 3-D elliptic problems and fast domain decomposition methods

An important for applications, the class of hp discretizations of second-order elliptic equations consists of discretizations based on spectral finite elements. The development of fast domain decomposition algorithms for them was restrained by the absence of fast solvers for the basic components of the method, i.e., for local interior problems on decomposition subdomains and their faces. Recently, the authors have established that such solvers can be designed using special factorized preconditioners. In turn, factorized preconditioners are constructed using an important analogy between the stiffness matrices of spectral and hierarchical basis hp-elements (coordinate functions of the latter are defined as tensor products of integrated Legendre polynomials). Due to this analogy, for matrices of spectral elements, fast solvers can be developed that are similar to those for matrices of hierarchical elements. Based on these facts and previous results on the preconditioning of other components, fast domain decomposition algorithms for spectral discretizations are obtained.     

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.