奇异线性模型最小二乘估计的相对效率

在奇异线性模型下讨论相对效率ei(β）,1≤i≤2的下界及其与广义相关系数和联系,随后简单地讨论了这两种相对效率的关系和比较。     

回归系数一类线性估计与广义最小二乘估计的相对效率

在均方误差矩阵准则下研究了回归系数的一类线性估计相对于广义最小二乘估计的优良性问题,并讨论了三种不同相对效率的上、下界.     

奇异线性模型最小二乘估计的相对效率

对于奇异线性模型，引入了参数β的最小二乘估计相对于最佳线性无偏估计的一种新的相对效率，给出了与其他两种相对效率的关系，导出了该效率的上下界．     

奇异线性模型最小二乘估计的相对效率

对于奇异线性模型,引入了参数β的最小二乘估计相对于最佳线性无偏估计的一种新的相对效率,给出了与其他两种相对效率的关系,导出了该效率的上下界.     

回归系数的混合估计与最小二乘估计的相对效率

本讨论线性回归模型中,回归系数的混合估计与最小二乘估计的相对效率问题,研究了两种不同相对效率的上、下界。     

增长曲线模型中最小二乘估计的相对效率（二）

定理1 当I={i},即只剔除一组数据时 MP_i=1/C sum from s=1 to n |h_(si)|(1-h_(ii))~(-1)e_i （10）     

奇异G-M模型最小二乘估计新的相对效率

在奇异线性模型下利用2个矩阵特征根比值的最小值推广了Euclid范数定义的2种相对效率．文中研究了它们的下界,并给出了2种相对效率与广义相关系数之间的联系以及它们之间的关系,最后讨论了它们的性质,并研究了这2种相对效率的优越性．     

回归系数混合估计与最小二乘估计的相对效率

研究了线性回归模型中,当设计矩阵列降秩时可估函数的混合估计与最小二乘估计的相对效率,利用矩阵的相关性质及运算,导出了相对效率的界.     

错误先验指定下Bayes估计与广义最小二乘估计的相对效率

讨论了在错误指定的先验假定下一般线性模型中回归系数的Bayes估计,提出了Bayes估计与广义最小二乘估计(generalized least square estimator,GLSE)的一种新的相对效率,证明了该效率的优良性质,同时导出了其上下界。     

奇异线性模型均值向量最小二乘估计的相对效率

在奇异线性模型下,文章通过比较估计量的协方差矩阵的谱范数和F范数,定义了均值向量的最小二乘估计(LSE)相对于最佳线性无偏估计(BLUE)的2种新的相对效率,并给出了其下界.     

线性模型中回归系数广义岭估计的小样本性质

在均方误差矩阵准则和Pitman closeness（PC）准则下讨论了线性回归模型中回归系数的广义岭估计相对于最小二乘估计的优良性及其相对效率的界．     

线性模型中回归系数混合估计的相对效率

设线性回归模型中回归系数的最小二乘（least square，LS）估计和混合估计分别为β与βm．当设计阵X列满秩时，获得了相对效率e1（β，βm）=det[Cov（βm）]／det[Cov（β）]以及e2（β，βm）=tr[Cov（βm）]／tr[Cov（β）]的界；当X不是列满秩时，设可估函数c′β的LS估计和混合估计分别为c′β和c′βm，获得了相对效率e3（c′β，c′βm,）=Var（c′βm）／Var（c′β）的界．     

Wiener过程下等间距分段加权和的Chung氏重对数律

重对数律是强大数定律的精确化,体现概率统计理论研究中速度问题的重大进展,具有广泛的应用.本文进一步推广著名的Chung氏重对数律到等间距分段加权和的情形之下,得到了关于标准Wiener过程的等间距分段加权和的Chung氏重对数律.     

加权和的重对数律

设{Xn;n≥1}是独立同分布的且服从标准正态分布的随机变量序列,{Sn,n≥1}是其部分和数列,本文讨论了它的特殊的有限加权部分和数列{ Sn,n≥1}的重对数律,其中 Sn=α1Sn+α2(S2n-Sn)+α3(S3n-S2n)+…+αd(Sdn-S(d-1)n),把Hartman-Wintner重对数律推广到对特殊加权部分和也成立.     

随机删失下极大似然估计的中偏差

在一些正则性条件下、利用Cramr方法的某些技巧得到了在随机删失数据下极大似然估计的中偏差.     

高斯过程下的有限项部分和重对数律

在约束条件下,将标准维纳过程中的有限项部分和的重对数律推广到高斯过程中,获得了渐近不相关条件下,高斯过程中的有限项部分和的重对数律。     

重对数律的记录时计数过程的收敛速度

进一步讨论了重对数律的计录时计数过程的精致渐近性的收敛速度，得到了两类新的收敛速度．