半相依回归方程的一种优于BLUE的估计

一、引言 考虑半相依回归方程Y_i=X_iβ_i+ε_i(i=1,2),其中Y_i是n×1的随机观测向量,X_i是n×p_i阶列满秩矩阵,β_i是p_i×1的未知回归系数,ε_i是n×1的随机误差向量,且满足E(ε_i)=0,cov(ε_i,ε_j)=σ_(ij)I (i,j=1,2),其中σ_(12)≠0,I是n阶单位阵,Σ=(σ_(ij))是2×2阶正定阵。这样的方程可以写为如下线性模型:     

回归函数核估计L_1收敛的必要条件

设(X_i,Y_i),i=1,2,…是从(X,Y)的分布中抽取的(d 1)维随机向量。回归函数m(x)=E(Y|X=x)(如果它存在)的核估计是     

关于具有随机足标的最大值

本文设{ξ_i}与{X_i}是概率空间（Ω,F,P）上的两列随机变量,其中{X_i}是i.i.d具有公共分布函数F（x）.记 M_n==Vξ_i,M_n=VX_i以及[t]表示t的最大整数部分. 在i.i.d.情形,具有随机足标的最大值的极限分布的主要结果如下（参看文献[1],定理6.2.1）: 定理1 设a_n>0,b_n∈R,n≥1,使 P（M_n≤a_nx b_n）→G(x,) n↑∞,（1）其中G是非退化的分布函数。如果一列非负整值随机变量{N_n}满足     

某些RFDE解的渐近性态

其中F,G_i∈C(R,R),0≤τ_i(t)≤r(i=1,2,…,n),r>0,F(u)关于u∈R是单调不增的,并且对(?)∈R及每个i,存在T_i>t_0,使得t-τ_i(t)≤t_0对t∈[t_0,T_i]成立。我们有如下结果。     

一类回归方程系统的两步估计

一、前言 考虑两个回归方程的系统y_i=X_iβ_i ε_i(i=1,2),其中y_i是n×1的随机观察值向量,X_i是秩为P_i的n×P_i阶已知矩阵,β_i是P_i×1的未知参数向量,而ε_i是n×1随机误差向量。假定(ε1,ε2)的n个行是互相独立地服从二维正态分布N(O,Σ),其中Σ=(σ_(ij))是     

关于线性模型中LS估计相合的条件

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:     

关于 L(S)的一点结果

设A_(m×n)是行和为R=(r_1,r_2,…,r_m)、列和为Q=(q_1,q_2 …,q_n)的(0,1)矩阵。设δ_i=(1,…,1,0,…,0),其中前r_i个位置为1,其余为0,A_(m×n)=称为A_(m×n)的极左矩阵,记其列和向量为S.设L(S)={S|SS,S的分量递降且为非负整数}。若S、TεL(S),S≠T,ST,且不存在V L(S),V≠S,V≠T,满足SVT,则称S是T的直接后继。设S=(S_1,S_2,…,S_n),T=(t_1,t_2,…,t_n),我们有定理1 若S是T的直接后继,则存在i、j’满足S_i+1=t_i,S_j-l=t_j,S_k=t_k(1≤k≤n,     

关于U-统计量列完全收敛的一个不等式

对任意实数a_1,…,a_n,n=1,2,…设 a_n~*=max|a_i|. i≤n {x,x_n:n=1,2,…}为定义于同一完备概率空间(Ω,(P),取值于R的r.v.列。 S_o=O。S_n=sum from i=1 to n X_i, T_n=sum from 1≤i≤j≤n X_iX_j,n=1,2,…周元燊于1991年提出定理A 设{X,X_n:n=1,2,…}     

周期叠加序列的一个性质及其在时间序列周期分析中的应用

设x_k(t)由k个周期项f_i(t),i=1,2,…,k叠加所成,τ_i为相应的周期,即     

典型相关与广义相关系数

设x和y分别为p×1、q×1随机向量,协方差矩阵为记ρ_i(x,y)为x与y的第i个典型相关系数,即且ρ_1(x,y)≥…≥ρ_t(x,y)>0,t=R(Σ_(xy))。这里A~-和R(A)分别表示A的广义逆和秩。本文证明了如下三个定理。定理1 设q≤r=R(Σ_(xx)),则q×1随机向量y满足cov(y)=l_q,且使达到最     

样条空间S_2~1(■_n)存在的条件

设D_n(?)R~n是具有超平面片边界的有界区域,△_n是D_n的一个单纯形剖分,设△_n具有T_i维i维单纯形S_j~(i),i=0,1,…,n;j=1,2,…,T_i 。△_n是由如下过程得到的加细剖分:     

部分线性模型参数分量的M估计的渐近正态性

Engle等人提出了下列部分线性模型Y_i=X_i~tβ_0 g_0(T_i) u_i,1≤i≤n其中(T_1,X_1~t,Y_1),…,(T_n,X_n~t,Y_n)是随机向量(T,X~t,Y)的i.i.d.样本,U_i为随机误差,U_1,…,U_n与(T_1,X_1~t),…,(T_n,X_n~t)相互独立,X∈R~d,T∈[0,1],β_0为未知参数向量,g_n是一光滑未知函数.文献中,有许多学者讨论了关于这个模型的估计问题,包括惩罚函数法、基于分段多项式逼近的最小二乘法和基于核函数近似的最小二乘法.由于上述方法得到的估计不稳健,本文用分段多项式逼近g_0讨论较稳健的M估计.记g_n(t)=(?)(t)~ta为一分段m阶多项式,其段数为M_n,其中(?)(t)是一函数向量,β_0和     

一类二阶常微分方程的稳定性

本文考虑二阶常微分方程■的稳定性,其中r(t),a_i(t),f_i(y)(i=1,2,…,n)皆为纯量连续函数,h(t,y,u)为三元连续函数且满足h(t,0,0)=f_i(0)=0,i=1,2,…,n。此外,假定方程(1)的解满足存在唯一性。     

凸多边形导体柱对TE平面波的散射的新高频近似解

凸N边形导体柱各角点、外角、边长分别为N_i(φ_i,φ_i)、n_iπ和w_i(i=1,2,…,N),被单位振幅TE平面波照射(入射角为(?)),柱表面电流J_s=J_u+J_(nu),J_u为物理光学电流,J_(nu)=n×H_(?)~d,n为表面单位外法向     

非负整值随机变量序列的一类强律

设{X_n,n≥1}是一列在S={0,1,2,…}中取值的随机变量,其分布为f(x_1,…,x_n)=P(X_1=x_1,…,X_n=x_n)>0,x_k∈S,1≤k≤n.(1)易知{X_n,n≥1}独立同分布的充要条件是存在S上的分布(p(0),p(1),…),P(i)>0,i∈S,(2)使得对任意正整数n有f(x_1,…,x_n)=multiply from k=1 to n p(x_k),x_k∈S,1≤k≤n.(3)为了表征{X_n,n≥1}与服从分布(3)的独立随机变量之间的差异,我们引进如下的似然比:     

低维有限点集偏差的精确计算公式(Ⅰ)

设d≥1,S_d={u_k(1≤k≤n)}是d维单位立方体G_d=[0,1)~d中的有限点集,那么S_d的偏差定义为D_n=D_n(S_d)=(sup |A(J;n)/n-V(J)|,此处J遍历G_d中全部形如[0,α_1)×…[0,α_d),0<α_i≤1(1≤i≤d)的d维子长方体,V(J)=α_1…α_d是J的体积,     

多元样条空间3_k~μ(△_n)(k≥2~(n-2)(3μ+1)+1,n≥3)的维数

设D_nB~n是一个有界单连通多面体区域,△_n是D_n的n维单纯形剖分,含有T_i个i维单纯形S_j~(i)(i=0,1,…,n;j=1,2,…,T_i)。     

PL过程振动模的收敛速度

设X_1,X_2,…,Y_1,Y_2,…,T_1,T_2,…是三组相互独立的随机变量序列,而且各自为独立同分布的实值随机变量,X_i具有连续分布函数F,Y_i具有普遍分布函数G和T_i具有的分布函数D.在未删失和未截尾下,人们常常考虑基于数据X_i 1≤i≤n对其分布 F(·)的统计推断问题,此时F(·)的非参数极大似然估计是广为使用的经验分布函数F_n(·).     

随机线性方程组的一个极限性质

考虑随机线性方程组这儿W_n=(w_(ij))_(nxn),w_(ij),i,j=1,2,…为一列iid随机变量序列且EW_(ij)=0。V_n=(α_1,…,α_n)′为n×1列向量,{α_n},n=1,2,…为一列常数序列。这类方程组在一些物理大系统中起着十分重要的作用.Geman和Hwang(参见Z.wahrsch.     

关于“Morion”猜想的一个逼近形式

澳大利亚数学家Morion曾提出如下猜想:若X_1,……,X_n(n≥1)为i.i.d,分布皆为P(X_i=1)=P(X_i=-1)=1/2,1≤i≤n,又设sum from i=1 to n,则有