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:     

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:     

线性模型中最小二乘估计的强收敛速度

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     

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     

一有限自动机的误差传播有界弱逆的结构

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     

条件中位数的核估计

设(X,Y)为取值于R~d×R~1的随机变量。在给定X=x∈R~d的条件下,Y的条件分布函数记为F_x(y)。条件中位数ζ_x定义为ζ_x=inf{y:F_x(y)≥1/2}、设(X_1,Y_1),(X_2,Y_2),…,(X_n,Y_n)为(X,Y)的i.i.d.观察值。我们的目的是利用核函数方法构造ζ_x基于上述观察值的一种估计。令     

数字滤波的一种递推估计

我们考虑一个方程 X_(i+1)=A_iX_i (1)的二维系统,这里X_i~1,X_i~2为纯量,其观察方程为 z_i=H_iX_i+η_i (3)其中 H_i=[1,0],(4)η_i为测量噪声. 令 J_k(x)=sum from i=-∞ to k((z_i-H_iX_i)~2W_i)。(5)这里 W_i=[1-ε(1-θ)/θ(k-i)]θ~(k-i),(6)0≤ε<1,0<θ<1。现在我们来研究(5)式的极小化问题,它在雷达跟踪问题中是颇感兴趣的。以X_k~*表示(5)式的X的最优估计,即     

关于非参数回归核估计的强相合性

令(X,Y),(X_1,Y_1),…,(X_n,Y_n)为取值R~d×R的i.i.d随机向量,对某个p>2,E(|Y|~p)<∞。我们用x及(X_1,Y_1),…(X_n,Y_n)的函数m_n(x)来估计回归函数m(x)=E(Y|X=x)。m(x)的一类非参数核估计定义为     

论一致分布与近似分析(Ⅱ)(数论方法)

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     

中位数交叉核实准则

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     

退化矩阵β分布

作为与正态样本有关的分布,矩阵β分布(也称多元β分布)在文献中有大量的研究.令A～W_m(n_1,Σ)和B～W_m(n_2,Σ)为两个独立的维希特分布矩阵,Σ为一正定矩阵. 令C=A B.分解C=T′T,其中T为一具正对角元的上三角阵 令U=(T′)~(-1)·AT~(-1).则U的分布称为矩阵β分布并记为B_m((n_1)/2,(n_2)/2)其中n_1 n_2>m-1. 如果n_i是实数,则还要求n_i>m-1(i=1及/或2).如果n_1,n_2都大于m一1,则U是非退化的并具有在m×m正定矩阵空间上的密度.本文采用文献[2]中的记号,并记A(S)=diag(λ_1(S),…,λ_n(S)),其中λ_i(S)为S的第i大(非零)特征根,S∈_(m,n)~1·S_(m,n)~(?)上的微分形式定义为(dS)=2~(-n)|L|~(m-n)×     

Pickands型估计的收敛性

一、引言 设X_1,X_2,X_3,……是i、i、d随机变量列,分布函数为F(x),X_(n,1)≤X_((n,2)≤…≤X_(n,n)是样本X_1,X_2,…,X_n的次序统计量。设存在a_n>0,b_n∈R及某r∈R,使得     

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     

收敛系统和回归模型中最小二乘估计的强相合性

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     

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     

半局部环上辛群的自同构

本文定出了半局部环(2是单位)上辛群的自同构.定义1 取(β,ν)=(0 1/-1 0),令 T_i(λ)=I~(2n) λE_(osm i)~(2n)),T_(ij)(λ)=I~(2n) λ(E_(isn j)~(2n) E_(isn i)~(2n)),R_(ij)(λ)=I~(2n) λ(E_(ij)~(2n)-E_(n j,n i)~(2n)).T′_i(λ),T′_(ij)(λ)分别表示T_i(λ),T_(ij)(λ)的转置方阵.上面三种形式的阵生成的群记为SP′_(2n)(R).     

关于张量积空间中的厄米特算子

V为n维酉空间,(?)~kV为定义了诱导内积(x~(?),y~(?))=multiply from i=1 to k (x_i,y_i)的k 阶张量积空间,其中x~(?)=x_1(?)…(?)x_k,y~(?)=y_1(?)…(?)y_k 为(?)~kV 中的可合张量.对于(?)~kV 中的线性算子(?),K.Fan与Marcus 等人在[1,2]中定义了(?)的数值域W~(?)(?)={((?)x~(?),x~(?))|x_1,…,x_k,o.n.},并研究了它的若干基本性质.最近,王伯英证明了,若(?)=A_1(?)…(?)A_k,A_i∈L(V),i=1,…,k,k相似文献   

关于岭回归分析的一个注记

考虑线性回归模型Y和e都是n维随机矢量,且Ee=0,Eee~τ=σ~2I;X是(n×p)阶系数矩阵,β是p维参数矢量。依据Y对β所做的最小二乘估计为     

多重Fourier级数及其共轭Fourier积分的球形求和

设E_K为K维欧氏空间,E_K中的点x记为x=(x_1,x_2,…,x_k),Q_k{x∈E_k;-π≤x_i<π,1≤i≤K},B(x_0,r)={x∈E_k;|x-x_0|≤r},Q={x∈E_k;|x|=1},K(x)=P(x/|x|)|x|~(-k)为球调和核,此处P(t)为n次齐次调和多项式。     

一类非自治非线性系统零解的稳定性

dx_i/dt=A_i(t)x_i,(i=1,…,r) (3)的一个线性关联。这里x_i=col(x_1~((i)),…,x_(ni)~((i)))(i=1,…,r),n_1 … n_r=n,x~T=(x_1~T,…,x_r~T),A_i(t)为n_i×n_i(i=1,…,r)阶实对称矩阵,其特征方程的根关联项A_(ij)(t)为n_i×n_j阶矩阵,A(t)的每一元素连续有界,设|a_(ij)(t)|