线性模型误差方差估计的强相合性

线性模型是数理统计中最重要的模型之一。在样本容量确定和误差服从独立的正态分布的条件下,该模型的误差方差的最小二乘法估计具有周知的良好性。但在误差不一定服从正态分布时,迄今为止对这种估计的性质知道不多。1966年Gleser在样本容量无限和误差服从独立同分布的条件下获得了关于这种估计的重要结果。本文的结果则是在误差分布不一定相同这一更广泛的情况下给出的。     

线性模型中误差方差估计的强相合性的充要条件

考虑通常的线性模型y_i=x_i′β+e_i,i=1,2,…,n,…,(1)此处{x_i}是试验点列,是一串已知的p维向量,β为未知的p维回归系数向量,{e_i}为随机误差序列,满足条件     

关于线性模型中误差方差估计的Berry-Esseen界限

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     

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     

线性模型中误差方差估计的分布的渐近展开

许宝■教授(1945)讨论了分布收敛于正态的速度及其渐近展开.陈希孺教授将收敛速度的部分推广到一般的线性模型,并取消了x_1,x_2,…同分布的条件.最近,我们将许教授的结果中关于渐近展开的部分推广到一般的线性模型.     

相依样本时线性模型中误差方差估计的不变原理

设有线性模型Y_i=x_i′β+e_i,i=1,2,…,其中试验点列{x_i}是一列已知的p维向量,{Y_i}是试验结果数列,β是未知的p维向量,{e_i}是随机误差序列,满足平稳、强混合条件     

相依样本时线性模型中误差方差估计的不变原理

对于线性模型中误差方差估计的性质已有了相当深人的讨论,但看来都还只限于独立样本的情形。本文试图考虑平稳、强混合序列的场合,给出了若干弱不变原理。设有线性模型     

线性回归模型中误差方差估计的贝里-埃森界限

考虑线性回归模型Y_i=x_i'β e_i, i=1,…,n,…,(1)这里试验点列{x_i}是一串已知的p维向量,β是未知的回归系数向量,{e_i}是一串独立的试验误差,满足条件     

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     

线性模型中回归系数最小二乘估计的相合性

这里介绍我们最近关于线性模型中回归系数的相合性问题所获得的若干结果。详细证明将另文发表。     

线性模型中最小二乘估计相合性的必要条件

考虑通常的线性模型Y_i=X'_iβ+e_i,i=1,2,…,未知参数向量β为p维的,关于{e_}讨论最多的有下面两种情况:     

关于线性模型中回归系数的最小二乘估计的相合性

考虑线性模型Y_1=x_i~′β e_i,i=1,2,…,其中i=1,2,…为已知的试验点列,β=(β_1,…,β_r)′为未知参数,ei,i=1,2,…为随机误差序列。由前n次试验结果算出β的最小二乘估计:     

泛优良性和均值矩阵线性估计的泛容许性

本文仅以多元线性模型: 中均值参数矩阵的可估函数的估计为例,来引入泛优良性概念,而一般情况下矩阵参数估计的泛优良性可仿此引入。上面的X,S,U≥0和V≥0(但V≠0)是已知矩阵;和σ~2>0是未知参数,ε是ε按行的拉直;UV是U与V的Kronecker乘积;μ(X′)是X′所张成的线性空间。     

误差方差估计的强不变原理

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;     

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     

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     

相依样本情形误差方差估计的强逼近

考察线性模型其中{y_i},{x_i},β及e_i的意义如文献[1]。现设{e_i}是强平稳序列,满足     

线性估计弱相合性的一个问题

设给定了线性回归模型Y_i=x_i~'β+e_i,i=1,…,n,…,而当n充分大时,线性函数c′(n)可估,其Gauss-Markov估计(GME)记为c′(n),其中(n)为基于Y_1…,Y_m的,β的任一最小二乘估     

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