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     

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     

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:     

关于U-统计量列完全收敛的一个不等式

对任意实数a_1,…,a_n,n=1,2,…设 a_n~*=max|a_i|. i≤n {x,x_n:n=1,2,…}为定义于同一完备概率空间(Ω,(P),取值于R的r.v.列。 S_o=O。S_n=sum from i=1 to n X_i, T_n=sum from 1≤i≤j≤n X_iX_j,n=1,2,…周元燊于1991年提出定理A 设{X,X_n:n=1,2,…}     

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:     

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     

一类泛函方程逐步逼近法的控制收敛定理

本文用矩阵谱半径这个重要数据建立一类泛函B_i(i=1,2,…,n)的乘积空间,x=col(x_1,x_2,…x_n)方程逐步逼近法的两个控制收敛性定理。∈B,意指x_i∈B_i(i=1,2,…n)可仿n维欧氏空间 设B(?)B_1×B_2…×B_n为n个Banach空间的三种赋范方式对B赋范。     

一类二阶常微分方程的稳定性

本文考虑二阶常微分方程■的稳定性,其中r(t),a_i(t),f_i(y)(i=1,2,…,n)皆为纯量连续函数,h(t,y,u)为三元连续函数且满足h(t,0,0)=f_i(0)=0,i=1,2,…,n。此外,假定方程(1)的解满足存在唯一性。     

水平2的标准A_(n-1)~((1))模的结构

本文给出水平2的标准A_3~((1))模,A_5~((1))模和A_6~((1))模的具体结构。 设L是一个伴有典型生成元e_i,f_i,h_i,i=0,1,…,n—1的复数域C上的仿射型(或欧氏)李代数(参见文献[1,2]).由条件dege_i=1=—degf_i,degh_i=0,i=0,1,…,n—1定义了L的主分次。设z扩张成L的中心和是带有基{z,p_i,q_i|i=1,2,…}     

半相依回归方程的一种优于BLUE的估计

一、引言 考虑半相依回归方程Y_i=X_iβ_i+ε_i(i=1,2),其中Y_i是n×1的随机观测向量,X_i是n×p_i阶列满秩矩阵,β_i是p_i×1的未知回归系数,ε_i是n×1的随机误差向量,且满足E(ε_i)=0,cov(ε_i,ε_j)=σ_(ij)I (i,j=1,2),其中σ_(12)≠0,I是n阶单位阵,Σ=(σ_(ij))是2×2阶正定阵。这样的方程可以写为如下线性模型:     

多组变量的典型相关系数和典型相关变量

1 相关性度量 设有K组变量Y_i=(y_(i1),y_(i2),…,y_(ip_i),)′,i=1,2,…,K,Y=(Y′_1,Y′_2,…,Y′_K)′,Y的协差阵存在记为∑,     

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     

Vandermonde方程解的复杂性

一、引言 设V(a_1,a_2,…,a_n)=(a_(j+1)~i)_(i,j=0)~(n-1)为复数域上的n阶Vandermonde矩阵,简记V.若V可逆,即a_i≠a_j(i≠j,i,j,=1,2,…,n)时,用Causs消元容易给出方程 Vx=c (1.1)     

广义线性差分方程及其反问题

我们首先求出广义线性差分方程满足初始条件y_i(j=0,1,…,m—1)的解。特别当b_i=0(i=1,2,…)时即为广义齐次线性差分方程。当a_m≠0而a_(m+i)=0,(i=1,2,…)时即为通常的线性差分方程。进而,上述二条件同时满足时即为通常的齐次线性差分方程。 显然,由于无法写出有限次特征方程,所以无论对于广义线性差分方程或广义齐次线性差     

有限总体的自适应岭型预测

假设我们所感兴趣的总体由N个可识别的个体组成,它们分别标以1,2,…,N。对于第i个个体,有一已知的p维向量x_i和未知量y_i,i=1,2,…,N。记y′=(y_1,…,y_N),X′=(x_1,…,x_N)。假设所考虑的变量之间关系满足线性模型     

Weibull分布的形状参数估计

设X_1,X_2,…,X_n是i.i.d.,其共同分布是Weibull分布W(x)=1-exp(-λχ~β),其中λ>0是刻度参数,β>0是形状参数。如何估计形状参数在寿命分析中有重要地位,极大似然估计是众所周知的,方开泰给出了利用矩性质的估计。本文利用指数分布的矩性质给出了估计形状参数的新方法。令Y=X~β,则Y服从参数为λ的指数分布。众所周知,EY~2/(EY)~2=EX~(2β)/(EX~β)~2=2,在该式中用样本矩代替总体矩 (Sum from i=1 to n(X_i~(2β)))/(Sum from i=1 to n(X_i~β))~2=2/n,(1) 若(?)_n是方程(1)的解,它可作为β的估计。这一思想可推广到一般情况。令g=g(x_1,x_2,…,x_k)是变量x_1,x_2,…,x_k的函数,且满足     

中医专家系统设计的一个具有启发性的数学模型

设X=(x_1,x_2,…,x_n)为n 个症状(或体征,为方便计,以下统称为症状)的向量.各分量用0或1赋值,即x_j={1,若第j 个症状出现, 0,其他情况,j=1,2,…,n.又设U={X}是症状向量的集合,它一共有2~n 小元素.令S_(?)(i=1,2,…,m)表示m 个证     

随机线性方程组的一个极限性质

考虑随机线性方程组这儿W_n=(w_(ij))_(nxn),w_(ij),i,j=1,2,…为一列iid随机变量序列且EW_(ij)=0。V_n=(α_1,…,α_n)′为n×1列向量,{α_n},n=1,2,…为一列常数序列。这类方程组在一些物理大系统中起着十分重要的作用.Geman和Hwang(参见Z.wahrsch.     

关于用相似性法鉴别双生儿类型的准确率

关于用相似性法鉴别双生儿类型,本文给出较一般的准确率公式,并指出文[1]中存在的问题.设双生儿有n 个指标x_1,x_2,…,x_n 一致,其中第i(i=1,2,…,n)个指标x_i 来自婚配型A_(ij) 的概率为P_(ij),并且sum j=1 to n_i p_(ij)=1,而婚配型A_(ij)中出现这第i 个指标x_i 的概率为q_(ij)(j=1,2,…,n_i).又设一对双生儿为二卵性起源(即一对双生儿为双合子双生儿(二卵双生儿或异卵双生儿))的概率为p,而且上述事件都互相独立,那末上述n 个指标一致的一对双生儿为双合子双生儿的概率为     

中介逻辑的谓词演算系统(Ⅰ)

本文根据中介原则构造中介逻辑的谓词演算系统MF,其符号系统有逻辑词(?),→,～,(?),(?),个体词a,b,c,a_i,b_i,c_i(i=1,2,…),谓词F,G,H,F_i,G_i,H_i(i=1,2,…),