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。     

线性模型中误差方差的非齐次估计的可容许性

考虑模型Y=Xβ+e,其中X_(n×p)是设计矩阵,e的各分量e_1,e_2,…,e_n相互独立,E(e_i)=E(e_i~3)=0,E(e_i~2)=σ~2,E(e_i~4)=3σ~4,i=1,2,…,n。本文讨论误差方差σ~2的估计在估计类={Y′AY+l′AY+f;Y′AY+l′AY +f≥0对一切Y}中的可容许性问题。当X为满秩矩阵时,给出了σ~2的估计在中可容许的充分必要条件,当X_(n×p)=1时,给出了估计类的一个完全类以及估计可容许的充分条件。     

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~ .     

矩阵损失下约束线性模型中回归系数的线性可容许估计

考虑约束线性模型Mr={Y,Xβ,σ2V|Rβ=r}其中x列满秩,V为正定矩阵.在二次损失下,Baksalary. J. K和Markiewicz,A得到了回归系教β的线性估计在非齐次线性估计类中可容许的充分必要条件,利用吴启光在无约束线性模型关于回归系数线性可容许估计的结果,对约束线性模型Mr我们得到结果如下在矩阵损失下回归系数β的线性估计AY+g在非齐次线性估计类中可容许当且仅当[i]XAV对称;[ii]R(A) R(U) [iii]AXU=U,g=(AX-I)R+r或AXU≠U时,有r(AX) (-∞,0)∪(1,+∞).其中R(U)=N(R),U为列正交矩阵.     

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≥O,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(α)LVS′地称,(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≥O)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)′≥O。对所有的α∈(0,1)不成立,其中     

线性模型中最小二乘估计的相对效率

考虑了Gauss-Markov模型y=Xβ+e,e~(0,σ2Σ)和增长曲线模型Y=ABC+ε,Vec(ε)~(0,δ2V W),提出了参数γ=Xβ和Γ=ABC的最小二乘估计(LSE)γ^与Γ^关于最佳线性无偏估计(BLUE)γ*与Γ*的几种新的相对效率,并得出了它们的下界以及与以往效率的某些关系.     

线性回归模型Liu估计的新研究

考虑线性回归模型Y=Xβ+ε,E()ε=0,Cov()ε=2σI(1),当设计矩阵X的列存在共线性时,最小二乘估计^β=(X′X)-1X′Y的性质变坏,为此给出了有偏估计^(βK,d)=(X′X+K)-1(X′Y+d^β),其中K为对角矩阵,K=diag(k1,…kp),ki≥0,d>0为参数,讨论了这种有偏估计与广义岭估计、Liu估计的比较,并证明了其可容许性估计.     

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。     

矩阵损失下随机回归系数和参数的线性Minimax估计

对于一般的随机效应线性模型Y=Xβ+ε,这里β和ε分别是p维和n维的随机向量,且E(βε)=(Aa0),Cov(βε)=σ2(V10 0V2),(Vi≥0,i=1,2)我们定义了Sα+Qβ的线性Minimax估计,在一定条件下得到了Sα+Qβ在线性估计类中的Minimax估计,并在几乎处处意义下证明了它的唯一性.     

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.     

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。     

相依回归系统回归系数的待定系数估计

对于两个相依线性回归方程组成的系统(1．1)，本文提出了β1的待定系数估计β^*1（k，c)=（x′1x1 k1)^-1(x′1y1-cσ12/σ22x′1N2y2)，其中岭参数k≥0．c是待定系数．与β^*1(k，c)对应的非限定两步估计记为β^41(T，k，c)．当c=1时β^*1(k,1)=β1(k)和β^*1(T,k,1)=β1(T,k)等干[6]引入的一双有偏估计，结果表明总可以选取适当的c值和k值使β^*1(k，c)和β^*1(T,k，c)在均方误差阵准则下分别优于β1和β1(T)，并讨论了c值的最佳选择问题．     

带有不完全椭球约束的生长曲线模型中线性估计的可容许性

对于带有不完全椭球约束的生长曲线模型Y=XBZ+ε,ε~(0,σ2VI),X(B-B0)Z′NZ(B-B0)′X′≤σ2In,本文在矩阵损失函数(d-KBL)(d-KBL)′下给出了KBL在类齐次线性估计类LH与非齐次线性估计类LI中可容许的充要条件.本文的结果表明线性估计在非齐次线性估计类中的可容许性与椭球的中心B0无关,而齐次线性估计在齐次线性估计类中的可容许性与B0有关.     

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)=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.     

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   

最小范数二次无偏估计与最小方差二次无偏估计的关系

本文给出了当V0 ≥ 0时 ,c′σ2 在混合模型M =( y ,Xβ ,Uξ,σ20 V0 )下的最小范数二次无偏估计的表达式及其证明 ;得到了当 y服从正态分布时 ,c′σ2 的最小范数二次无偏估计与其最小方差二次无偏估计之间的关系。     

关于Bochner可积函数空间上弱紧算子的表示与L(X,Y)的R·N·P

在本文中,我们指出:如果 X~(*)具 R·N·P 而且具 Schur 性质,那么对于每个具有可分值的弱紧算子 T∶L_1(μ,X)→Y 存在 gε∈WL_∞(μ,K(X,Y)使得 T(f)=integral from (?)fgdμ这个结果是[1]文的定理5在某种意义下的一种推广。我们还指出;如果 X~*是可分的 Schur空间,那么每个 T∈W(L_1(μ,X),Y)具有范数可分的值域。由此我们给出[1]文定理5的一个比较简单的证明。我们也证明了下面的结果:如果 X~*具 R·N·P 而且具 Schur 性质,Y是可分的自反空间,则 K(X,Y)具有 R·N·P。如果换 X~*为可分的 Schur 空间,Y 为任意的自反空间,K(X,Y)也具有 R·N·P。     

带约束的回归系数的线性估计的可容许性

在本文中,我们针对带齐次线性等式约束的线性模型Y=Xβ+ε,ε～(0,σ~2V),Hβ=0,给出了回归系数的最佳线性无偏估计的较简单的表达式以及Sβ的估计LY(LY+α)在齐次线性估计类(线性估计类)中可容许的充要条件。     

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,