一般生长曲线模型中的简单投影预测

考虑一般生长曲线模型Y=XBZ+ε(其中,E(Vec(ε))=0,V(Vec(ε))=σ2ΔΣ),该模型的预测问题就是利用已观察值矩阵Y预测未观察值矩阵Y0=X0BZ0+ε0.作者研究了预测的最优性,对任一线性可预测变量θ=tr(A′Y0),它的简单预测被定义为∧θSPP=Vec(′A)(Z0′X0)[(Z X′)T-(Z′X)]-(Z X′)T-Vec(Y)(其中T=ΔΣ+(ZZ′XX)′);得到了∧θSPP为θ的最优线性无偏预测的充要条件,并研究了∧θSPP关于协方差阵的稳健性,推广了Bolfarine H等的有关结果.     

一般增长曲线模型中的简单投影预测

考虑一般增长曲线模型(Y=XBZ ε(其中,E(Vec(ε))=0,V(Vec(ε))=σ2Δ■Σ),该模型的预测问题就是利用已观察值矩阵Y预测未观察值矩阵Y0=X0BZ0 ε0.本文研究了预测的最优性,对任一线性可预测变量θ=KY0L,它的简单预测被定义为θ^SPP=KX0(X′T-X)-X′T-YZ Z0L(其中T=Σ XX′);得到了θ^SPP为θ的最优线性无偏预测的充要条件,并研究了θ^SPP关于协方差阵的稳健性,从而将这方面的结果推广到一般增长曲线模型.     

线性等式约束下多元线性模型的简单投影预测

研究了线性等式约束下一般生长曲线模型的简单投影预测疗θcspp关于协方差阵的稳健性,得到θcspp为条件线性可预测变量的条件最优线性无偏预测的充要条件,推广了Bolfarine H等的有关结果．     

方差分量模型中均值参数线性估计的可容许性

考虑模型:{Y=β+ε Eε=0 Eεε′=sum from i=1 to m θ_iv_i }其中 v_i≥0已知;β∈R~k,θ_i>0为未知参数,i=1,2,…,m.对于上述模型,本文得到了在矩阵损失函数下均值参数线性估计可容许性的充要条件.     

多元线性模型中一个协差阵函数的二次估计问题

考虑多元线性模型Y=X_1HX′_2+■,其中■=(ε_((1)),…,ε_((n)))′满足ε_((i)),i=1,…,n独立,ε_((i))～EC_p(0,Σ,φ)即ε_((i))服从椭球等高分布,Eε_((i))=0,Eε_((i))ε′_((i))=(ER~2/p)Σ,其中Σ≥0未知,φ已知且φ(?)Φ_p={φ(·)|φ(t_1~2+…+t_p~2)是一个特征函数},随机变量R≥0,R■φ.在α=ER~4/p(p+2)-(ER~2/p)~2≠0的条件下,对给定的矩阵C=C＇,得出了tr(CΣ)一致(关于Σ≥0)最小方差不变二次无偏估计(简称最优估计)存在的充要条件以及其具体形式.     

一般生长曲线模型中条件最优预测的稳健性

研究了一般生长曲线模型中条件最优线性无偏预测的稳健性,得到了条件线性可预测变量的这种预测关于协方差矩阵具有稳健性的充要条件.     

关于参数矩阵的线性经验Bayes估计

设X为p×q随机矩阵,θ为p×q参数矩阵,且θ有先验分布G(Vec(θ)),给定θ,X有条件密度f(Vec(X)｜Vec(θ)).选取矩阵损失L(D(X),θ)=(D(X)-θ)′(D(X)-θ),并在风险矩阵的迹的大小比较标准下讨论θ的线性经验tr Bayes估计及其渐近性质.获得经验tr Bayes估计D tr(X)= X+U(X- X),及具有o(N-1δ-2N)的渐近收敛速度.     

任意秩多元线性模型中最优预测的稳健性

研究了任意秩多元线性模型中最优线性无偏预测的稳健性,即对任一线性可预测变量,得到了其关于协方差矩阵具有稳健性的充要条件.     

线性模型最小二乘估计的一个最优性质

考虑一般的线性模型Y=Xβ+ε,其中X为n×p阶设计矩阵,β为p×1未知参数向量,e为n×1随机误差向量。满足E(ε)=0,Cov(ε)=σ~2∑,这里σ~2>0可能未知,Σ则为已知的非负定矩阵,θ是β的一个线性函数,且可估,假设θ_R为Rao型最小二乘估计,本文证明了若随机误差服从ε椭球等高分布,则θ_R满足所谓最大概率性质,即θ_R落在以θ为中心的任一椭球内的概率不小于θ的任一性线无偏估计落在同一椭球内的概率,推广了文献中的结果。     

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。