许定理的一个推广

§1 引言考虑线性模型y=Xβ+U_1ε_1+…+U_kε_k (1)其中 X,U_1,…,U_K 分别是已知的 n×p,n×n_1,…,n×n_k 矩阵,秩 X相似文献   

一类线性有偏估计的若干性质

§1 引言考虑一般的线性模型y=Xβ+e,E(e)=0,E(ee′)=σ~2I_n,(1) 这里y是n维向量,X是n×p的已知设计矩阵,其秩为g(≤p),β是n维未知的参数向量,e是n维随机误差向量。文献[1]按下面的方法定义了β的一个线性有偏估计类,这个估计类不仅包含了数理统计文献中常见的几种线性有偏估计,而且把它们推广到了X具有任意秩的情形。它的定义是首先把线性模型(1)化为典则形式:设P为p×p正交方阵,P′X′XP=diag(λ_1,…,λ_q,     

矩阵正态分布均值矩阵的可估函数的线性估计在线性估计类中的泛容许性

考虑以下问题 :设n×m随机矩阵Y有分布N(Θn×m ,σ2 (Vn×n Σm×m) ) ,0 <σ2 ≤ 1 ,即Y服从均值向量为Θ协方差矩阵为σ2 (Vn×n Σm×m)的多元正态分布 ,其中 (Θ ,σ2 )为未知参数 .类似覃红讨论均值矩阵Θ的可估函数SΘ的线性估计AY在线性估计类中的泛容许性 .称Y的分布为矩阵正态分布     

最优回归设计

向量Y是n×1观测向量;X是n×p矩阵,它的第i行为f′(X_i);X_i是预测变量的g×1向量;f＇(X_i)与假定的响应函数形式有关,而且是p×1向量;β是未知参数的p×1向量;ε是具有相同分布的独立随机变量的n×1向量,而且中值为零,方差为σ~2,假设试验区间X是紧致的以及f_i(X_i)在X上是连续的.如果用最小二乘法去估计参数β,则估计值     

正态线性模型中可估函数的极小极大估计(英文)

论述正态线形模型NL(Xβ,δ~2V),其中V为已知k×n正定矩阵,σ~2>0为未知参数,在二次损失|σ~2 β~TX~TV~1Xβ|~1||δ SXβ||下,根据可容许性理论,证明了SXβ的线性估计是其一切估计类中的唯一极小极大估计。     

多元线性模型中系数矩阵的Minimax可容许估计

对于多元线性模型Y=XΘ+ε,E(ε)=0,COV(ε)=σ2(△)(◎)Σ,在该模型中,Θ是未知参数矩阵,此处选取的损失函数是矩阵损失,在齐次线性估计类L={AY:A是k×n的常数矩阵}中给出了多元回归系数矩阵的可估函数SΘ的Minimax容许估计,并且证明了其唯一性.     

方差估计以及两个方差分量同时估计的可容许性

考虑线性模型 EY_(n×i)=X_(n×)β_(n×i) DY=σ~2V,V≥0,σ~2>0未知 (*)以及方差分量模型 EY_(n×i)=X_(n)β_(n×i) DY=σ_1:V_i+σ_2V_2,V_i≥0,V_2≥0,σ_i,σ_2>O未知 (**)其中γ(X_(n×m)=n,对模型(*)令D={d(A)=Y＇AY,A≥0}损失函数为L~(1)(d(A),σ~2)=σ~(-4)(Y＇AY-σ~2)~2,对模型(**)令D~(2)={d(A_i,A_2)=(Y＇A_iY,Y＇A_2Y),A_i≥0,A_2≥0},损失函数为L~(2)(d(A_i,A_2),(σ_i,σ_2))=σ_i(Y＇A_iY-σ_i)~2+σ_2(Y＇A_2Y-σ_2)~2,本文对模型(*)给出了d(A)为σ~2的D~(1)容许估计的充分条件,对模型(**)给出了在V_i+V_2>0的限制下,d(A_i,A_2)为(σ_i~2,σ_2~2)的D~(2)容许估计的充分条件。分别推广了文[3],[5]中的有关结果。     

较弱条件下线性回归系统回归系数协方差改进估计的弱相合性

对于由ｍ个相依的线性回归方程组成的线性回归系统：其中Ｙｉ为ｎ×１观测向量，Ｘｉ为ｎ×Ｐｉ列满秩矩阵，βｉ为Ｐｉ×１的未知回归系数，ｅｉ为ｎ×１随机误差向量，且σｉｊ≠０．［１］的作者分别在已知及未知的情况下给出了β１的协方差改进估计和两步改进估计β１，并在ε＝（ｅ１，…，ｅｍ）的各行相互独立同分布的情况下讨论了β１的弱相合性．本文在较弱条件下讨论β１及Ｂ１的弱相合性，从而推广了［１］中相应的结果．     

关于多元许定理的一个注记

虑线性模型Y=XB+Uε (1)其中 X,U≠0分别是已知的 n×k,n×l 矩阵,Y,ε分别是 n×p,l×p 随机矩阵,B 是 k×p未知参数矩阵。设ε=(ε_(1)     

回归系数的一种有偏估计

在线性回归模型Y=Xβ ε;E(ε)=0;Cov(ε)=σ2V,V＞0下,给出了一种新的有偏估计(β)(F(K))=(X′V-1X TF(K)T′)-1X′V-1Y,讨论了这种有偏估计的优良性,推广了已有的相关结果.     

具相关观测值模型未知参数的BLUE的性质

<正> 一、引言 A.E.Hoerl和R.W.Kennard 1979年在[1]中对独立观测值线性模型(Y,Xβ,σ~2I_u)参数β的LSE(Least Squares Estimators)提出了一个猜测,这一猜测在1984年由P.S.S.N.V.P.Rao和M.Precht在[2]中给出了证明。本文在他们工作的基础上,用[3]中的方法,把[2]中这一结果推广到对具相关观测值线性模型(Y,Xβ,σ~2G),|G|(?)0的未知参     

不等式约束下线性模型中回归系数的所有可容许估计

对于线性模型Y=Xβ+ε, ε~N(0,V]), V>0已知, 给出了在不等式约束RXβ≥0下[WTHX]β[WT]的线性估计在二次损失下及一切估计类中为可容许的充要条件.     

线性模型中参数估计的相对效率

对于一个线性模型,如果最小二乘估计(LSE)与最佳线性无偏估计(BLUE)相等,就可以放心地用LSE代替BLUE;反之,用LSE代替BLUE就要蒙受一些损失,有时,这种损失可能是很大的,因而研究这种损失的大小就显得颇为重要.考虑一般线性模型y=Xβ+ε,E(ε)=0,cov(e)=σ2∑,定义了LSE相对于BLUE的两个新的相对效率,并给出了它们的上界.     

非线性自回归模型误差密度估计的Berry-Esseen界

考虑非线性自回归模型Xi=rθ(Xi-1,…,Xi-s)+εi,其中:θ为q维未知参数;{εi}为独立同分布的随机误差,且均值为0、方差为σ2.在适当的假设条件下,给出非线性自回归模型误差密度估计的Berry-Esseen界.     

多维广义线性模型拟似然估计的渐近正态性

对多维自适应设计广义线性模型中形如sum from i=1 to n xi(yi-μ(x′iβ))=0的拟似然方程,在limn→∞■~(3/4)/■=0和其他一些正则性的假定之下,论文证明了上述拟似然方程的解,即极大拟似然估计的渐近正态性,此结果推广和改善了文[4]中的相关结果,其中■和■分别为sum from i=1 to n xix′i的最小特征根和最大特征根,x是有界的p×q阶设计矩阵.     

一种加权对称损失函数下一类指数分布模型参数的估计

对刻度参数指数分布模型c(x,n)θ-v e-T(x)/θ提出了一种新的损失函数——加权p,q对称熵损失函数L(θ,δ)=θp/pδp +δq/qθq -2(p,q＞O,q＜v),并用它研究了刻度参数θ的估计.得到了参数θ的最小风险同变估计与Bayes估计的一般形式与精确形式,这两种估计形式比已有文献中相应形式更为简捷...     

一类多元线性模型的一致最小方差无偏估计的推广

文 [1 ]讨论一类多元线性模型 :　　Y=SBT′+ E当 E=Qε,Q=I(单位阵 )且 Cov(ε) =P Φ(随机阵ε准正态分布 ) ,n阶方阵 P≥ 0为已知非零矩阵 .E( ε( i) ε′( i) ) =Φ≥ 0时的一定意义下的情形 .本文讨论线性模型上述式中 Q≠ 0为任意已知矩阵 ,且随机阵 ε只满足某些较弱条件的更一般多元线性模型 .得到包含 [1 ]的 tr( DΦ1)为 tr( DΦ ) ( D=D′)一致对 (Φ ,k)的最小方差无偏估计 ( UMVUE)的若干更一般的充要条件 .     

部分线性模型中非参数估计的强相合性

考虑部分线性模型:y_i=x_iβ+g(t_i)+σ_ie_i,1≤i≤n,其中σ_i~2=f(u_i),(x_i,t_i,u_i)是固定非随机设计点列,f(·)和 g(·)是未知函数,β是待估参数,e_i 是随机误差。我们研究了基于β的最小二乘估计β_n 和加权最小二乘估计_n 的非参数 g(·)的估计,并证明了他们的强相合性。     

线性估计在矩阵损失下的可容许性

研究了多元线性模型Y～N(XΘ，σ     

对称损失下一类刻度分布族参数的估计

q对称熵损失函数L(θ,δ)=θ_q/δ_q+δ_q/θ_q-2(0-νe_-T(x)/θ参数θ的估计, 得到 了θ的最小风险同变(MRE)估计及Bayes估计的一般与精确形式, 并讨论了θ的形如cT(X)+d的一类线性估计的可容许性和不可容许性以及θ的MRE估计的最小最大性.