多元回归系数线性估计的可容许性

其中X是已知矩阵;(?)和σ~2>0是未知参数;V>0是已知矩阵。简记上述模型为H。 损失函数取为:(d—S(?))’(d-S(?))。在线性模型下(m=1),此时风险函数是实函数,因此,有关风险大小的比较就自然地按数的大小来进行,而在多元线性模型下,这时的风险     

带约束的线性模型中的可容许线性估计

在Gauss-Markov模型(Y_(n×1),X_(n×p)β_(p×1),σ~2V,V≥0)下,若S_(s×p)β可估,Rao及其他一些作者给出了Sβ的线性估计,在二次型损失函数下是可容许的充要条件。当参数受约束:β′Nβ≤σ~2,N>0时,Hoffmann,Mathew分别就V>0与V≥0的情形,讨论了β的线性估计的可容许性问题。本文将进而给出Sβ的线性估计AY在线性估计类中是可容     

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     

部分线性模型中估计的渐近正态性

考虑回归模型 y_i-x_iβ+g(t_i)+σ_ie_(is)i-1,2…,n, (1) 其中σ_i~2-f(u_i)>0,(x_i,t_i,u_i)是固定非随机设计点列,β是未知待估参数,g(·)和     

矩阵损失下回归系数的线性估计的可容许性

设有线性模型 这里V>0和X都已知,n≥p;β∈R~p,0<σ~2<∞均为未知参数。欲估计可估线性函数Sβ,此处S为已知的常数矩阵。1976年,Rao给出了在平方损失(d—Sβ)'(d—Sβ)下LY在线性估计类(?)={MY:M为常数矩阵}中是Sβ的可容许估计的充要条件。他还提出了矩阵     

最小二乘估计相合性的若干结果

(?)≡(x_1,x_2,…)是已知的p维向量序列,e≡(e_1,e_2,…)是随机误差列,β≡(β_1,…,β_i)′是未知的回归系数向量.记S_n=x_1x_1~′…+x_nx_n~′.设当n≥n_0时,S_1~(-1)存在.把p×n矩阵S_n~(-1)(x_1…x_n)的(j,i)元记为u_(nji),则β的最小二乘(LS)估计为     

环上矩阵保群逆的线性算子

设R为有1的环,F为其中心,用M_n(R)记R上n×n全矩阵F-代数。近年来刻划M_n(R)的保某种特性的线性算子的工作颇多,但R为较为一般的环时结果尚少。本文研究群逆的线性保持算子,它也可以看作更广泛一类广义逆共变问题的研究。A∈M_n(R),若矩阵方程AX=XA,A~2X=A,X~2A=x有解则称其解X为A的群逆,记为A~#.设f为     

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:     

除环上矩阵保幂等的线性算子

近几年,许多学者感兴趣于矩阵代数保幂等的线性算子的研究,但矩阵基础环非交换时未见叙述。本文讨论除环上矩阵的保幂等问题。本文结果表明非交换性带来一些重要变化,即使特征不为2仍有非规范的新型算子产生。本文假定R及R_1均特征不为2的除环,它们的中心都是域F.设T为全矩阵代数M_n(R)到M_n(R_1)的F-线性算子,若对于M_n(R)中任意幂等元A,T(A)也幂等,则称T为保幂等的,其全体之集记为L。     

放回的PPS抽样方案在放回抽样方案类中的可容许性

我们知道,一般而言,不放回抽样的效率要比放回抽样高些.但由于放回抽样实施起来简便易行,特别是其方差的计算十分简单,所以它往往更受抽样调查工作者的欢迎.在放回抽样中,最常用的是采用与单元大小成比例的概率来抽选各个单元(即PPS抽样).这产生了一个理论问题,即PPS抽样方案是否就是最好的放回抽样方案,还有没有比PPS抽样方案更好的方案呢?本文的目的就是解决这个问题.我们获得了充要条件.所得结果表明:通常使用     

泛可积模的可约性

设是A=(α_(ij))_(i,j=1)~n是一个可对称化的广义Cartan矩阵,(η,π,π~v)是A的一个实现,其中π={α_1,…,α_n};π~v={α_1~v,…,α_n~v}。设(A)是结合于A的Kac-Moody代数,{e_i,f_i|1≤i≤n}是(A)的Chevalley生成员的集合。P={λ∈η~*|<λ,α_i~v>∈Z,1≤i≤n}     

部分线性模型中M型回归样条估计的一些新结果

考虑下列部分线性模型Y_1-X′_1β_0+g_0(T_1)+e_i,1≤i≤n,其中(T_1,X_1,Y_1),…,(T_n,X′_n,Y_n)是随机向量(T,X′,Y)的 i.i.d.样本,X∈R~d,T∈[0,1],β_0为未知参数向量,g_0是一光滑未知函数.这个模型在文献[1]中首次被提出,文献中研究过β_0和 g_0(t)的估计,例如,基于惩罚函数法的平滑样条估计;基于核方法的估计;用分段多项式来逼近 g_0,基于最小二乘法的估计.由于上述估计不稳健,文献[8]用分段多     

交换环上线性有限自动机的弱可逆性——传输矩阵的分类与枚举

线性有限自动机的弱可逆性问题一直受到关注.近年来,可逆性理论又在密码体制,包括公钥密码体制的设计中得到应用.域上有限存贮线性有限自动机的判定与构作问题可见文献[1]等;环上有关判定等问题也有文章讨论,如文献[2].环上线性有限自动机的弱可逆性仅取决于它的传输矩阵,参见文献[1,2].本文运用代数工具,对有限含么交换环(?)上弱可逆线性有限自动机所可能有的传输矩阵集合(?)进行多种形式的分解与约化,并引进变换群进行分类,最后将无限集(?)的枚举问题归     

拟线性椭圆组弱解的部分正则性

本文考虑下面椭圆组弱解的部分正则性:■其中Ω是R~n的一个有界区域,n≥3,N≥1。这里,重复的英文(希腊)字母表示从1到N(n)求和。我们给出条件     

线性模型中误差方差的二次型估计的可容许性问题

这里仅介绍若干主要结果,详细证明另文发表。设有线性模型,这里X为已知的n×p矩阵(n≥p),8_1,…,8_n相互独立,此处β∈R~p,0<σ~2<∞。这个模型及有关假定,以下将简记为H。     

纵向数据部分线性模型的估计

文章讨论了纵向数据下的部分线性回归模型的估计方法,给出了参数分量和非参数分量的profile最小二乘估计,并研究了这些估计的渐近正态性.     

纵向数据部分线性模型的估计

文章讨论了纵向数据下的部分线性回归模型的估计方法,给出了参数分量和非参数分量的profile最小二乘估计,并研究了这些估计的渐近正态性。     

EV模型中参数M估计的渐近正态性

其中X为取值于R~P上的可观测随机向量,X为p维不可观测随机向量β_0为p×1未知参数向量,(ε,u~r)~r为p+1维球对称误差向量,即(ε,u~r)~r(?)RU_(p+1)(其中,R为非负随机变量,U_(p+1)为Ω_p={a:a∈R~(p+1),||a||=1}.上的均匀随机向量,R与U_(p+1)独立),σ~2=ER~2/p+1>0未知,且(ε,u~r)~r与x独立.模型(1)为线性EV(Error-in-Variables)模型,有着广泛的应用背景,如在经济、林业、建筑、生物、遥感等领域,见文献[1～5],目前对模型(1)的研究,主要是利用极大似然     

相依误差下线性模型参数估计的渐近正态性

获得了误差为鞅差或线性过程时线性模型参数估计的渐近正态性。