共查询到20条相似文献,搜索用时 359 毫秒
1.
考虑线性模型如下: y_i=x′_iβ+e_i,i=1,2,…,(1.1) 其中x′_i=(x_(i1),x_(i2),…,x_(ip))是已知常值向量,β′=(β_1,…,β_p)为未知参数向量,e_i为随机误差。记设计矩阵X_n=(x_1,x_2,…,x_n)′;Y_n=(y_1,y_2,…,y_n)′;S_n~(-1)=(X′_sX_n)~(-1)(S_(ij)~((n)))_(1≤i,j≤n)并且假定当n充分大时S_n满秩,则熟知β的最小二乘(LS)估计(n)有如下表达式: 相似文献
2.
线性模型中最小二乘估计的强收敛速度 总被引:1,自引:1,他引:0
考虑线性模型如下:y_i=x_i~′β+e_i,i=1,2,…, (1)其中x_i~′=(x_(ij),…,x_(ij)为已知常值向量,β′=(β_r,…β_p)为未知参数向量。令设计矩阵X_n=(x_1…,x_n)′;Y_n=(y_1,…,y_n)′;S_n~(-1)=(X_n~′X_n)~(-1)(?)(S_(ij)~n)1≤i,f≤n。熟知β的最小二乘估计(n)有如下表达式 相似文献
3.
Weibull分布的形状参数估计 总被引:2,自引:0,他引:2
设X_1,X_2,…,X_n是i.i.d.,其共同分布是Weibull分布W(x)=1-exp(-λχ~β),其中λ>0是刻度参数,β>0是形状参数。如何估计形状参数在寿命分析中有重要地位,极大似然估计是众所周知的,方开泰给出了利用矩性质的估计。本文利用指数分布的矩性质给出了估计形状参数的新方法。令Y=X~β,则Y服从参数为λ的指数分布。众所周知,EY~2/(EY)~2=EX~(2β)/(EX~β)~2=2,在该式中用样本矩代替总体矩 (Sum from i=1 to n(X_i~(2β)))/(Sum from i=1 to n(X_i~β))~2=2/n,(1) 若(?)_n是方程(1)的解,它可作为β的估计。这一思想可推广到一般情况。令g=g(x_1,x_2,…,x_k)是变量x_1,x_2,…,x_k的函数,且满足 相似文献
4.
考察线性模型y_i=x′_iβ e_i i=1,…,n,…, (1)其中y_i是第i次试验结果,x_i是p维的试验点列,β是未知的p维回归系数向量,e_i是第i次试验的随机误差。假定1) e_1,e_2,…是相互独立同分布的; 相似文献
5.
设X=(x_1,x_2,…,x_n)为n 个症状(或体征,为方便计,以下统称为症状)的向量.各分量用0或1赋值,即x_j={1,若第j 个症状出现, 0,其他情况,j=1,2,…,n.又设U={X}是症状向量的集合,它一共有2~n 小元素.令S_(?)(i=1,2,…,m)表示m 个证 相似文献
6.
考虑如下线性相关模型Y=X’β e, (1)其中X=(x_1,…,x_p)’是R~p上的随机向量,Y是R~1上的随机变量,β=(β_1,…,β_p)’是R~p中未知参数向量,e是R~1上的随机误差变量.这里,只有(X’,Y)’是可观测的.我们假定(A.1)E(e\X)(?)0,E(e~2\X)(?)σ~2,0<σ<∞,0相似文献
7.
8.
可估子空间上线性模型的比较 总被引:6,自引:0,他引:6
1.引言我们考虑线性模型y=Xβ e,E(e)=0,cov(e)=σ~2I_n,(1.1)这里y是n×1观测向量,x是n×p的设计矩阵,β为p×1未知参数向量,e为n×1随机误差向量,σ~2是已知的误差方差。我们记该模型为l=L(Xβ,σ~2I_n)。 相似文献
9.
设x_1,x_2,…为一串独立同分布(iid)变量,而φ(x_1,…,x_m)为x_1,…,x_m的对称函数,则U_n=(n/m)~(-1) sum from to 1≤α_1<…<α_m≤nφ(x_(α_1),…,x_(α_m),n≥m称为以φ为核的U-统计量。设对某个r≥1有E[|φ(x_1,…,x_m)|~r]<∞.(1)迄今为止,文献中对U-统计量的研究,多限于r=1和r=2的情况,最近我们研究了一般的r≥1的情况,主要结果如下: 相似文献
10.
定义 设M=和M′=是两个有限自动机。任何s∈S和s′∈S′,若对任何x_0,x_1,…∈X都存在x_(_t),…,x_(-1)∈X使得λ′(s′,λ(s,x_0x_1…))=x_(-t)…x_(-1)x_0x_1…成立,且对任何l≥n≥0,任何x_0,…,x_l∈X和任何y_0~′,…,y_(n_1)~′,y_0,y_1,…,y_l∈y,都可由y_0…y_l=λ(s,x_0…x_l)推出λ′(s′,y_0 … y_l)=_(n+c)λ′(s′,y_0~′…y_(n-1)~′y_n…y_l),则称(s,s′)为延迟t步误差传播长度不大于e的匹配对,其中e是一非负整数,a_0a_1…a_l=_tb_0b_1…b_l表示a_t…a_l=b_t…b_l。对任何 相似文献
11.
Clifford代数上正则函数的Riemann边值问题 总被引:10,自引:0,他引:10
设e_1=1,e_2,…,e_n是n维实向量空间V_n上的一组标准正交基,A_n是V_n上的Clifford代数,则其基的一般形式是 相似文献
12.
n维实向量空间R~n中取所有满足条件x_1~2+x_2~2+……+x_n~2<1的点作成一个子集B,在B上定义一个距离,使其中任意两点x与y之间的距离(记作xy)由下式规定之: 相似文献
13.
设X_n={x_(kn):1≤k≤n}(?)[-1,1]满足:-1相似文献
14.
考虑多元回归模型此处x_(ij)是已知常数,β_1,…,β_p是未知参数,y_i,e_i分别为第i次量测值和量测随机误差。以下,我们记设计矩阵(x_(ij))_(1≤i≤n,1≤j≤p)为X_n,并令Y_n=(y_1,…,y_n)′),β=(β_1,…β_p)′。β的基于前n次量测值Y_n及设计矩阵X_n的最小二乘估计b_n=(b_(n1),…,b_(np))′为 相似文献
15.
命f(x)=f(x_1, …,x_s)为G_s上对每一变数都有周期1的函数。命α=(α_1,…,α_s)为一个有非负支量的矢量。当α_k=0时,置ρ_k=β_k=0,当α_k>0时,则置α_k=ρ_k+β_k,此处ρ_k为非负整数,0≤β_k<1。定义δ_h~kf(x)=(2i)~(-1)[f(x_1,…,x_k+h,…,x_s)-f(x_1,…,x_k-h,…,x_s)]。假定导数 相似文献
16.
考虑线性回归模型Y_j=X_j~′β+e_j,j=1,2,…,n,…,(1)其中{X_j}为已知的p维向量列,β为未知回归系数向量,{e_j}为一列独立试验误差,满足条件Ee_j=0,Vare_j=σ~2,0<σ~2<∞,j=1,2,…。(2) 误差方差是一个重要的待估参量。若记 相似文献
17.
考虑非参数中位数回归模型Y_(ni)=g(x_(ni)) ε_(ni),1≤i≤n,(1)其中g:[0,1]|→R是待估计的连续函数,{x_(ni):1≤i≤n}是区间[0,1]上的非随机设计点列,{ε_(ni):1≤i≤n}是iid随机变量,中位数为零,{Y_(ni):1≤i≤n}是观察值.对x∈[0,1],n≥1,记D_(nj)(x)为x的第j个近邻,j=1,2,…,n,即{D_(n1)(x),D_(n2)(x),…,D_(nn)(x)}为{x_(n1),x_(n2),…,x_(nn)}的一个置换,满足|D_(n1)(x)-x|≤|D_(n2)(x)-x|≤…≤D_(nn)(x)-x|,结按自然顺序消去.令Y_(ni)(x)和ε_(ni)(x)分别表示D_(ni)(x)(1≤i≤n)处的观察值和随机变量.下面的估计g_n(h,x)=(?){Y_(n1)(x),Y_(n2)(x),…,Y_(nh)(x)},(2)(?)表示样本中位数,这个估计称为g(x)的最近邻中位数估计(或者局部中位数估计),其中近邻个数h起着光滑参数作用.h的选择对估计的好坏起着决定性的作用.作者与郑忠 相似文献
18.
设有线性模型y_i=x_i′β+e_i,i=,2,…,这里{x_i}是p维欧氏空间R~p中已知的试验点列,β是未知的p维回归系数向量,{e_i}是一串独立同分布的ⅱd序列.假定e_1具有有 相似文献
19.
20.
一个Simons型Pinching常数的最佳值 总被引:6,自引:0,他引:6
设S~(n+p)(1)是n+p维单位球面,M~n为其具有非零平行平均曲率向量的紧致子流形,S为M~n的第二基本形式长度的平方.丘成桐曾证明,若(3+n~(1/2)-(p-1)~(-1))S≤n,则M~n为S~(n+p)(1)的一个n+1维全测地子流形的超曲面.莫小欢改进到若S≤n/((n-1)~(1/2)+1),则M~n是全脐的.许洪伟接着证明,如果S≤min{2n/(1+n~(1/2)),n/(2-(p-1)~(-1)},则M~n包含在一个全测地子流形S~(n+1)(1)之中.他也削弱了前二者的条件. 相似文献