方差分量模型中均值参数线性估计的可容许性

考虑模型:{Y=β+ε Eε=0 Eεε′=sum from i=1 to m θ_iv_i }其中 v_i≥0已知;β∈R~k,θ_i>0为未知参数,i=1,2,…,m.对于上述模型,本文得到了在矩阵损失函数下均值参数线性估计可容许性的充要条件.     

两个方差分量线性组合估计的可容许性

考虑方差分量模型 在满秩情形，即ｒａｎｋ（Ｘ）＝ｎ，方差分量的线性组合 的可容 许估计条件．在二次型估计类 中，对给定的损失函数Ｌ ，推导证明了当Ｖ１＝Ｖ２时，　　　是 的可容许估计的充要条件，以及当没有 Ｖ１＝Ｖ２限制时，ｙＡｙ是 的可容许估计的充分条件．     

方差分量模型中均值参数的可容许线性无偏估计类

对（y,Xβ,^k∑i=1θiVi）,Vi〉0,i=1,2,……,k,首先给出了Sβ的线性无偏估计ψr不可容许的充要条件,然后得出了Sβ的线性无偏估ψT可容许的充要条件,从而,在此基础上给出了Sβ的可容许线性无偏估计类。     

方差分量生长曲线模型中回归系数线性估计的泛容许性

讨论了方差分量生长曲线模型： Ｙ＝ Ｘ１ Ｂ Ｘ２′＋ ε Ｅ（ε） ＝ ０ Ｖａｒ（ Ｖｅｃ（ε）） ＝ ＷθΣ＝ ∑ｍｉ＝ １ θｉ Ｖｉ Σ其中 Ｙ、ε为ｎ ×ｐ 的随机矩阵; Ｘ１、 Ｘ２ 分别为ｎ ×ｋ、ｐ ×ｑ 的设计矩阵; Ｖｉ ≥０, ｉ＝１,２,…,ｍ ; Σ≥０已知; Ｂ、θｉ ≥０（或＞ ０）, ｉ＝ １,２,…,ｍ 都是参数。在损失函数（ｄ － Ｋ Ｂ Ｌ）（ｄ － Ｋ Ｂ Ｌ）′下我们给出了可估函数 Ｋ Ｂ Ｌ的线性估计的泛（Φ） 容许性定义, 得到了 Ｍ Ｙ Ｎ（ Ｍ Ｙ Ｎ ＋ Ｃ） Ｋ Ｂ Ｌ的泛容许性估计的充要和充分条件     

方差分量模型非负二次同时估计可容许的必要条件

给出了方差分量模型Ｙ＝Ｘβ＋∑＾ｍｉ＝１Ｕｉεｉ，Ｕ１Ｕ１’＝…＝ＵｍＵｍ’〉０中方差分量（ｏ＾２１，…，ｏ＾２ｍ）的非负二次同时估计（Ｙ’Ａ１Ｙ，…，Ｙ’ＡｍＹ）可容许的一个必要条件。     

两个方差分量的联合二次不变无偏估计的可容许性

该文对ｙ－Ｎ（Ｘβ,θ１Ｖ１＋θ２Ｖ２）,Ｖ１,Ｖ２≥０,给出了（θ１,θ２）的联合二次不变无偏估计在联合二次不变无偏估计类中不可容许的充要条件,并据此给出了具体判别联合二次不变无偏估计的可容许性的方法。     

多元线性模型回归系数的所有可容许线性估计

讨论了多元线性模型中 ,线性估计 AY a在一切估计类中是线性可估函数 SB的 A-可容许性估计、E-可容许性估计及 G-可容许性估计的主要条件 .     

方差分量模型中回归系数的线性Minimax估计

定义了三种不同的Minimax估计．在矩阵损失下得到了方差分量模型的回归系数(分别是在齐次线性估计类和非齐次线性估计类中)的线性Minimax估计．结果表明,Minimax估计是压缩型估计．     

方差分量模型中回归系数估计的可容许性(Ⅱ)

本文考虑方差分量模型Y～N(X β,σ_1~?V_1 σ_2~2V_2)中β的函数g(β)的估计在一般估计类D_1中且在平方损失下的可容许性问题.给出了当X=In时β的估计AY为D_1可容许的充分条件.以及可估函数Sβ的估计AY为D_1可容许的充分条件.同时给出了可估函效Sβ的非齐次线性估计AY a为D_1可容许的充要条件及充分条件.本文还讨论了在矩阵损失下方差分量模型中回归系数估计的可容许性,并得到了估计量为可容许估计的充分条件.     

增长曲线模型误差方差的非齐次二次型可容许估计

对于增长曲线模型Y=ABC+εEε=0,cov(vecε)=σ2(Ip Gn),在二次损失函数下,研究了误差方差的非齐次二次型估计的容许性.在矩阵A行满秩而矩阵C列满秩时,得到了非齐次估计可容许的充要条件.     

一个线性模型残差的方差估计

本文考虑一个线性模型的残差地，给出了一个q的估计量q^，并证明了q^的相合性。     

带有不完全椭球约束的多元回归系数线性估计的泛容许性

 对于带有不完全椭球约束的多指标线性模型Y=XΘ+ε,ε～(0,∑ V),Θ′X′NXΘ≤∑,给出了SΘ的泛容许估计的定义,并在齐次线性估计类(非齐次线性估计类)中给出了SΘ的估计AY(AY+C)泛容许的充要条件,不论SΘ是否可估.     

回归误差方差的区间估计

首先将回归函数限制在一个有限维函数空间中,得到一个近似的线性模型,在此基础上,由Fiducial推断给出了误差方差的区间估计。该区间估计形式简单,易于计算。给出了这个区间估计的真实覆盖率和名义水平差异的一个上界,该上界由回归函数与其近似的线性函数的距离界定,并且对所给区间估计的真实覆盖率进行了数值模拟。     

未知方差下回归系数常用估计的可容许性

假设一个”维随机向量Y服从正态分布N(β，σ^2In)。在二次损失下，当n≥3和σ^2已知时，Stein在1956年指出Y不是β的容许估计，这是统计判决理论中一个著名的结果，成平在1982年对Stein结果给出了一个有趣的补充，他证明了当σ^2未知时，Y是β的容许估计。这篇文章是成平结果的一般化，即在一个宽广的分布类中，证明了当方差未知时，回归系数最小二乘估计是容许的。这表明当方差未知时，回归系数最小二乘估计是一个适合的估计。     

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．     

Bayes线性无偏最小方差估计相对于岭估计的优良性

在均方误差矩阵准则下研究了未知参数的Bayes线性无偏最小方差(BLUMV)估计相对于岭估计的优良性,在平衡损失风险函数准则下研究了未知参数的BLUMV估计相对于岭估计的优良性,并导出了在一定条件下BLUMV估计与最小二乘估计趋于一致.     

一类非线性回归估计量的性质与抽样误差

对有限总体在不放回抽样的方法下,构造了一类非线性回归估计量,讨论了它的性质及其有关抽样误差．