多元线性模型中随机回归系数和参数的线性估计在线性估计类中的可容许性(Ⅰ)

考虑多元线性模型Ｙ＝ＸＢ＋Ｅ,其中Ｙ是可观测的ｎ×ｍ矩阵,Ｂ和Ｅ分别为不可观测的ｐ×ｍ和ｎ×ｍ随机矩阵,ＥＢＥ＝ＡαＯ,ＣｏｖＢＥ＝Ｖ;Ｘ,Ａ,Ｖ均为已知矩阵,≥０,Ｖ≥０,是已知矩阵或未知的参数矩阵,α∈Ｒｋ×ｍ为未知的参数矩阵。本文在矩阵损失函数：（ｄ－Ｓα－ＱＢ）′（ｄ－Ｓα－ＱＢ）下给出了Ｓα＋ＱＢ的估计ＬＹ（ＬＹ＋ｃ）在齐次线性估计类（线性估计类）中可容许的充要条件,从而将文献［１］［３］中得到的关于一元模型的有关结果推广到多元模型。     

B值鞅差阵列强大数定律的收敛速度

设Ｂ是ｐ阶一致光滑空间，１〈ｐ≤２，Ｘ＝｛Ｘｎｋ，Ｆｎｋ，１≤ｋ≤ｎ，ｎ≥１｝是Ｂ值鞅差阵列且对非负实值随机为量Ｙ尾概率一致有界，若存在α≥１，δ〉０，α〈ｐ＋δ（ｐ－１），使（Ｙ〉ｘ）－１／ｘ＾ａ＋δ（ｘ→∞），则对任意的ε〉０，都有＾∞∑ｎ＝１ ｎ＾ａ－２Ｐ（‖Ｓｎｎ／ｎ‖≥ε）〈∞。其中Ｓｎｎ＝＾ｎ∑Ｋ＝１ Ｘｎｋ（ｎ≥１）。     

相依回归系统回归系数改进估计的可容许性

考虑相依回归系统ｙｉ＝Ｚｉβｉ＋εｉＥ（εｉ）＝０,ＣｏＶ（εｉ,εｊ）＝σｉｊＩｎ,ｉ,ｊ＝１,２｛（１）这里ｙｉ为ｎ×１观察向量,Ｚｉ为ｎ×ｍｉ观察矩阵且满列秩,βｉ为ｍｉ×１的未知回归系数,εｉ为ｎ×１随机误差向量,Ｖ＝（σｉｊ）为二阶正定对称...     

B值一致渐近鞅的局部收敛性及大数定律

设（Ω，Ｆ，Ｐ）是概率空间，Ｂ是ｐ阶一致光滑空间，Ｘ＝（Ｘｎ，Ｆｎ，ｎ≥１）是Ｂ值一致渐近鞅，则有：（１）｛∑∞ｎ＝１Ｅ（‖ｄＸｎ‖βＭ‖ｄＸｎ‖β－１＋Ｍβ／Ｆｎ－１）＜∞，１≤β≤ｐ，Ｍ＞０，ｓｕｐｎ≥１‖Ｘｎ‖＜∞｝｛Ｘｎ收敛｝（２）｛∑∞ｎ＝１Ｅ（‖ｄＸｎ‖β（Ｍｎ）‖ｄＸｎ‖β－１＋（Ｍｎ）β／Ｆｎ－１）＜∞，Ｍ＞０，１≤β≤ｐ｝｛Ｘｎｎ收敛于０｝（３）若对任意的ｘ≥０及ｎ≥１，均有Ｐ（‖ｄＸｎ‖≥ｘ）≤ａＰ（Ｙ≥ｘ），其中Ｙ是一正实值随机变量，ＥＹ＜∞，Ｅ（Ｙｌｎ＋Ｙ）＜∞，ａ是一正实数，那么Ｘｎｎａ．ｓ．收敛于０．上述结论推广与改进了若干熟知的重要结果     

一类约束下的参数估计问题

考虑线性模型ｙｎ×１＝Ｘｍ×ｐβｐ×１＋εｎ×１，（１）其中ｙｎ×１为样本观测值，Ｘ为ｎ×ｐ阶的设计阵，β为ｐ维参数向量，εｎ×１为ｎ维随机向量，ε为随机误差．Ｅε＝０，Ｄε＝σ２Ｖ这里σ２已知或未知皆可，Ｖ为ｎ×ｎ阶非负定阵．对于线性模型（１），...     

多元线性模型回归参数M－估计的强相合性

讨论多元线性回归模型由极小化问题的解定义的Ｍ－估计β＿ｎ的强相合性，其中Ｘ＿ｉ为ｍ×ｐ矩阵．证明了：无论为随机向量（（ＶｅｃＸ）￣′，Ｙ′）的独立同分布观察向量还是Ｘ＿ｉ为已知的ｍ×ｐ设计阵，在适当的条件下β＿ｎ都是参数真值β＿０的强相合估计．     

高阶摄动波动方程的Lp-Lp′估计

考虑下面高阶摄动方程解ｕ（ｘ,ｔ）的ＬｐＬｐ′估计：ｔｕ＋（－Δ）ｍｕ＋Ｖ（ｘ）ｕ＝０,ｕ（ｘ,０）＝０,ｕｔ（ｘ,０）＝ｆ（ｘ）,｛ｘ∈Ｒｎ,ｎ＞３ｍ．假设势函数Ｖ（ｘ）和初值ｆ（ｘ）具紧支集,Ｖ（ｘ）是小势,则上面问题的解满足‖ｕ（·,ｔ）‖ｐ′≤ｃｔ－ｄ‖ｆ‖ｐ,ｔ＞０,这里ｍ≥１,ｄ＝ｎｍ（１ｐ－１ｐ′）＝１,１ｐ＋１ｐ′＝１,ｍ２ｎ≤１ｐ－１２＜ｍｎ．     

Gauss—Markoff和方差分量模型中LSE的一种新的相对效率

对Ｇａｕｓｓ－Ｍａｒｋｏｆｆ模型：Ｙ＝Ｘτ＋ｅ，ｅ￣（０，ο＾２Ｖ），Ｖ≥０，τ的ＬＳＥ的一种新的相对效率被提出来并得到了其下界，对方差分量模型：Ｙ＝Ｘτ＋ｅ，ｅ￣（０，ｍΣｉ＝１ο＾ｉＶｉ），Ｖ＝ｍΣｉ＝１Ｖｉ≥０，τ的ＬＳＥ的一种新的相对效率也被提出来并得到了独立于未知参数的下界。     

各向异性H^p（R^n）上的乘子定理

当ｔ〉０且１＝α１≤α２≤…≤αｎ，高Ａｔ＝ｄｉａｇ（ｔ＾αａ，…，ｔ＾αｎ）是＾Ｎ／｛０｝上各向异性连续变换群。当Ｌ＾∞（Ｒ＾ｎ）中的函数ｍ，以及适当选取的Ｃ＾∞０（Ｒ＾ｎ）中的函数η和任意的δ〉０，定义ｍδ（ξ）＝ｍ（Ａδ（ξ）＝ｍ（Ａδξ）η（ξ）。证明了当０〈ｐ〈１，γ＝Σ＾ｎｉ＝１αｉ且ｍδ属于各向异性的Ｈｅｒｚ空间Ｋγ（１／ｐ－１），ｐ１（Ｒ＾ｎ）时，ｍ是各向异性Ｈ＾ｐ（Ｒ＾ｎ）上的乘     

多元回归系数非齐次线性估计在新的优良性准则下的容许性

考虑多线性模型Ｙｎｘｍ＝ＸＨｐｘｍ＋ε，Ｅ（ε）＝０，Ｃｏｖ（＾→ε）＝ＶｎｘｍＸＵｎｘｍ，和矩阵损失函数：（Ｄ－ＳＨ）（Ｄ－ＳＨ）′，其中Ｘ和Ｕ≥０和已知矩阵，Ｈ和Ｖ≥０（但Ｖ≠０）是未知参数矩阵，本文在新的容许性意义下，得到了ＳＨ的非齐次线性估计ＬＹ＋ａ在非齐次线性估计类￡中是可容许的充要条件。     

点泛圈偶图的一个充分条件

设Ｇ是连通偶图,（Ｘ１,Ｘ２）是其顶点的二分类,｜Ｘ１｜＝｜Ｘ２｜＝ｎ,δ（Ｇ）≥ｔ≥３。证明了若任意ｕ,ｖ∈Ｘｉ蕴含｜Ｎ（ｕ）∪Ｎ（ｖ）｜≥ｎ－（ｔ－２）,ｉ＝１,２,则当ｔ＝７时Ｇ是点泛圈偶图。     

近环上的交换导子

设Ｎ是近环,证明了（１）若Ｎ是２－扭自由的．Ｄ１、Ｄ２、Ｄ１Ｄ２是Ｎ上导子,且满足Ｄ１（ｘ）Ｄ２（ｙ）＋Ｄ２（ｙ）Ｄ１（ｘ）＝０,Ｖｘ,ｙ∈Ｎ,则Ｄ１＝０或Ｄ２－０当且仅当有一个「Ｄｉ（ｘ）,Ｄｉ（ｙ）」＝０,（ｉ＝１,２）,Ｖｘ,ｙ∈Ｎ成立,（２）若Ｎ是２－扭自由分配近环,Ｄ是Ｎ上导子,满足「Ｄ（ｘ）,ｘ」＝０,则「Ｄ＾ｎ（ｘ）,ｘ」＝０,Ｖｎ为自然数,（３）Ｎ是２－扭自由分配近环,｛Ｄｎ｝是Ｎ上的一列导子,满足「Ｄｎ（ｘ）,ｘ」＝０,ｎ＝１,２,．．．,则「Ｄ１Ｄ２．．．Ｋｎ（ｘ）,ｘ」＝０．（ｎ＝１,２,．．．）。     

部分取代苯定量结构-生物降解相关性(QSBR)研究

采用Ｃｈｅｍｓ３Ｄ中量子化学ＭＯＰＡＣ－ＡＭ１法计算了７种间苯胺类和８地苯酚的分子量高占有轨道能ＥＨＯＭＯ、分子最低空轨道能ＥＬＵＭＯ。用ＱＳＡＲ程序软件包查得分子体积Ｖｍ。结合分子连接性指数（＾３Ｘ,＾３Ｘ＾ｖ）对生物降解二级速率常数对数ｌｇＫｂ进行定量结构－生物降解相关性（ＱＳＢＲ）分析,通过回归分析,得到如下两个回归方程：ｌｇＫｂ＝－０．８３２－０．１１８Ｖｍ＋１．７４８＾３Ｘ＾ｖ,ｎ＝１５,Ｒ＾２＝０．８３２,ＳＥ＝０．５７７,Ｆ＝２９．７,ｐ＝０．０００。（１）ｌｇＫｂ＝０．１２４Ｖｍ＋１．７４９＾３Ｘ＾ｖ,ｎ＝１５,Ｒ＾２＝０．９９８,ＳＥ＝０．５５９１,Ｆ＝４１４８．９９,ｐ＝０．０００．（２）     

方差分量模型非负二次同时估计可容许的必要条件

给出了方差分量模型Ｙ＝Ｘβ＋∑＾ｍｉ＝１Ｕｉεｉ，Ｕ１Ｕ１’＝…＝ＵｍＵｍ’〉０中方差分量（ｏ＾２１，…，ｏ＾２ｍ）的非负二次同时估计（Ｙ’Ａ１Ｙ，…，Ｙ’ＡｍＹ）可容许的一个必要条件。     

关于广义Fibonacci矩阵的Fermat方程

设ｍ是大于１的正整数，Ａｍ是ｍ阶广义Ｆｉｂｏｎａｃｃｉ矩阵，＝｛Ａｋｍ｜ｋ∈Ｚ，ｋ≥０｝，本文证明了：Ｆｅｒｍａｔ方程Ｘｎ＋Ｙｎ＝Ｚｎ，Ｘ、Ｙ、Ｚ∈Ｚ，ｎ∈ＩＮ，ｎ＞２，无解（Ｘ，Ｙ，Ｚ，ｎ）。     

算子权移位与Cowen-Douglas算子

设Ｘ和Ｙ是复Ｂａｎａｃｈ空间,Ｈ是复可分Ｈｉｌｂｅｒｔ空间．Ｌ（Ｘ,Ｙ）表示从Ｘ到Ｙ的有界线性算子全体,将Ｌ（Ｘ,Ｘ）简记为Ｌ（Ｘ）．对于Ｔ∈Ｌ（Ｘ）,σ（Ｔ）,σｌ（Ｔ）和σｒ（Ｔ）分别表示Ｔ的谱、左谱和右谱;σｐ（Ｔ）,σπ（Ｔ）和σｅ（Ｔ）分别表示Ｔ的点谱、近似点谱和本质谱;ｒ（Ｔ）表示Ｔ的谱半径．定义ｒ１（Ｔ）＝ｌｉｍｋ→∞（ｍ（Ｔｋ））１／ｋ,其中ｍ（Ｔ）∶＝ｉｎｆ｛‖Ｔｘ‖：‖ｘ‖＝１｝称为Ｔ的下界．设Ｃ表示复平面,Ｃｎ＝Ｃ×…×Ｃ是ｎ维复空间,Ｋ＋＝∞ｋ＝０Ｃｎ．｛Ｗｋ｝∞ｋ＝１…     

B值随机元阵列加权和的收敛性与大数定律

令｛Ｘｎｉ，１≤ｉ≤ｋｎ↑∞，ｎ≥１｝为Ｂ值随机元阵列，｛ａｎｉ，１≤ｉ≤ｋｎ，ｎ≥１｝为实数阵列。讨论加权和Ｓｎ＝Σ↑ｋｎ↓ｉ＝１ａｎｉＸｎｉ，ｎ≥１的收敛性。在条件ｓｕｐ↓ｎ，ｉＰ（‖Ｘｎｉ‖〉ｘ）＝０（ｘ＾－ｒ）下给出了一些收敛性结果（１≤ｒ〈ｐ≤２），同时用这种收敛性刻划了Ｂａｎａｃｈ空间的ｐ型性质。     

两个尺度参数估计的线性容许性

设Ｙ＝（ｙ１,ｙ２）′,ｙ１,ｙ２≥０;ＥＹ＝β＝（β１,β２）′,ＣｏｖＹ＝ｋｄｉａｇ（β２１,β２２）,β∈（Ｒ＋）２为参数,其中Ｒ＋＝（０,＋∞）,ｋ＞０为常数,我们估计β．估计类为Ｌ＝ＡＹ∶Ａ＝ａｂｃｄ为常数方阵,ａ,ｂ,ｃ,ｄ≥０｛｝．我们研究ＡＹ在Ｌ中的容许性,分别得到了二次损失函数、矩阵损失函数下,ＡＹ在Ｌ中是β的容许估计的充要条件和充分条件．     

Fuzzy次对称方阵的亚容度

基于张三华等（四川师范大学学报（自然科学版）,２０００,２２（３）：２４２－２４６．）的工作,讨论了亚可实现Ｆｕｚｚｙ矩阵的亚容度。在Ｂ＝（ｂｉｊ）ｎ＊ｎ是亚可实现的情况下,证明了如果ｂｉｊ≥ｂｉｊ,ｉ,ｊ＝１,２．．．,ｎ,则ｗ（Ｂ）≥ｎ;如果ｂｉ,ｎ－ｉ＋１≥ｂｉｊ,ｉ,ｊ＝１,２,．．．,ｎ,则ｗ（Ｂ）≥２ｎ－１,特别对２＊２阶亚可实现Ｆｕｚｚｙ矩阵Ｂ,分别给出了ｗ（Ｂ）＝１,２,３,的充要     

X-最长圈的下界估计

设Ｇ是连通图,Ｘ＝Ｖ（Ｇ）,Ｇ〔Ｘ〕是Ｇ的Ｘ生成子图,记σｋ（Ｘ）＝ｍｉｎ｛Σｉ＝１ ｋ ｄ（Ｖｉ）;｛ｖ１,ｖ２,…,ｖｋ｝是Ｇ〔Ｘ〕的顶点独立集｝,得到如下结果,对于ｎ阶的１－坚韧图（ｎ≥３）,Ｘ＝Ｖ（Ｇ）,且σ３（Ｘ）≥ｎ＋ｒ≥ｎ,３│Ｘ│－２ｎ≥８ｔ－６ｒ－１７,则存在一个圈Ｃ满足│Ｃ（Ｘ）│≥｛Ｃ（Ｘ）│≥｛│Ｘ│,│Ｎ（Ｉｔ）∩Ｖ（Ｃ）│｝,其中Ｉｔ是Ｘ中ｔ个顶点的独立集。