方差分量模型中保G- M估计的线性变换

考虑方差分量模型（Ｙ，Ｘβ，ｔｉ＝１σ２ｉＶｉ），假设Ｘβ的Ｇ－Ｍ估计存在．本文给出了可观测的随机向量Ｙ的线性变换Ｆ为保Ｇ－Ｍ估计的变换（即存在ＦＹ的线性函数为Ｘβ的Ｇ－Ｍ估计）的充要条件，并指出在变换前后的模型中，Ｘβ的Ｇ－Ｍ估计相同．     

不可估参数函数的可容许估计

对于线性模型ＥＹ＝Ｘβ,ＣｏｖＹ－∑＾ＭＩ＝１σＳ＾２Ｖｉ。当Ｓβ不可分别给出了Ｓβ的线性估计在二次损失和矩阵损失下线性可容许的充要条件。当Ｙ－Ｎ（Ｘβ,∑＾ＭＩ＝１σ＾２Ｖｉ）时,还得到了Ｓβ的线性估计在矩阵损失下在一切估计类中可容许的充要条件和在二次损失下在切估计类中可容许的充分条件和必要条件。     

方差方量模型中保G—M估计的线性变换

考虑方差分量模型（Ｙ，Ｘβ，Σ↑ｔ↓ｉ＝１σｉ＾２Ｖｉ），假设Ｘβ的Ｇ－Ｍ估计存在。本文给出了可观测的随机向量Ｙ的线性变换Ｆ为保Ｇ－Ｍ估计的变换（即存在ＦＹ的线性函数为Ｘβ的Ｇ－Ｍ估计）的充要条件，并指出在变换前后的模型中，Ｘβ的Ｇ－Ｍ估计相同。     

线性模型参数估计中的效率

对一般的ＧａｕｓＭａｒｋｏｆ模型：Ｙ＝Ｘβ＋ｅ,Ｅ（ｅ）＝０,Ｃｏｖ（ｅ）＝σ２Ｖ,Ｖ≥０,给出了μ＝Ｘβ的最小二乘估计的３种相对效率和它们的下界．对一般的方差分量模型：Ｙ＝Ｘβ＋ｅ,Ｅ（ｅ）＝０,Ｃｏｖ（ｅ）＝∑ｔｉ＝１θｉＶｉ,θｉ＞０,Ｖｉ≥０,相拟地定义了μ＝Ｘβ的最小二乘估计的３种相对效率并给出了它们的下界．     

向量损失函数下一般期望向量线性估计的可容许性

设Ｙ１，Ｙ２，…，Ｙｎ独立同分布，ＥＹ１＝Ｘβ，ＣｏｖＹ１＝∑＞０，Ｘｍｘｐ，是已知实矩阵，β∈Ｒｐ，∑＞０是未知参数。本文讨论了向量损失函数下一般期望向量估计的可容许条件，并得到了线性估计Ｌ１Ｙ１＋Ｌ２Ｙ２＋…＋ＬｎＹｎ是Ｓβ在线性估计类中客许的充要条件。     

多元线性模型回归参数M－估计的强相合性

讨论多元线性回归模型由极小化问题的解定义的Ｍ－估计β＿ｎ的强相合性，其中Ｘ＿ｉ为ｍ×ｐ矩阵．证明了：无论为随机向量（（ＶｅｃＸ）￣′，Ｙ′）的独立同分布观察向量还是Ｘ＿ｉ为已知的ｍ×ｐ设计阵，在适当的条件下β＿ｎ都是参数真值β＿０的强相合估计．     

二次损失下可估函数的线性MINIMAX估计的性质及其应用

对于线性模型Ｙ～（Ｘβ,σ２Ｖ）中的可估函数Ｓβ,本文在二次损失Ｌ（β,σ２;ｄ）＝（ｄ－Ｓβ）′ｄ－Ｓβ）／（σ２＋β′Ｘ′Ｖ－１Ｘβ）下讨论了线性估计类中的ｍｉｎｉｍａｘ估计的性质,并利用这些性质徐兴忠得到的线性ｍｉｎｉｍａｘ估计及其最大风险的表达式提供了一个相对简短的证明．     

删除一个观测值对估计量的影响

给出在模型Ｍ＝（Ｙ，Ｘβ，σ＾２Ｖ）与删除第ｉ个观测值后得到的模型Ｍｄ＝（Ｙｄ，Ｘｄβ，σ＾２Ｖｄ）下β的最佳线性无偏估计差的表达式，并得到了二者相等的充要条件，还给出了在模型Ｍｄ下β的最小二乘估计是Ｍ下β的最佳线性无偏估计的充要条件。     

有约束的线性模型下的最小二乘估计与最佳线性无？…

研究了无约束的线性模型Ｍ＝（Ｙ，Ｘβ，σ＾２Ｖ）下的Ｘβ最小二估计ＯＬＳＥ（Ｘβ）与在相应的有约束的线性模型Ｍｒ＝（Ｙ，Ｘβ）Ｒ′β＝０，σ＾２Ｖ）下的最佳线性无偏估计ＢＬＵＥ（Ｘβ）的比较问题，建立了Ｍｒ下这两个线性无偏估计量相等的充要条件。     

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．     

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。     

一般线性模型下删除观测值的影响

在一般情形下，给出了在模Ｍ＝（Ｙ，Ｘβ，σ＾２Ｖ）与删除第ｉ个观测值后得到的模型Ｍｄ＝（Ｙｄ，Ｘｄβ，σ＾２Ｖｄ）下Ｘｄβ的最佳线性无偏估计的表达式，得到了二者相等的充要条件，给出了在模型Ｍｄ下Ｘｄβ的最小二乘估计是Ｍ下Ｘｄβ的最佳线性无偏估计的充要条件，以及Ｍｄ下σ＾２的最小范数二次无偏估计是Ｍ下σ＾２的最小范数二次无偏估计的充要条件。     

多元相依线性模型的M－估计

讨论多元线性模型Ｙ＿ｉ＝ｘ＇＿ｉβ＋Ｅ＿ｉ，ｉ＝１，２，…中凸偏差函数最小问题的解定义的多元线性回归系数β的Ｍ－估计的相合性及渐近分布，其中｛Ｅ＿ｉ，ｉ≥１｝为严平稳α－混合ｐ维随机误差序列，在十分一般的条件下，建立了β的Ｍ－估计的相合性，并基于过程收敛得到了Ｍ－估计的渐近分布。     

半参数模型误差分布小波估计的渐近理论

考虑半参数模型Ｙ＝ＸＴβ＋ｇ（Ｔ）＋ε,其误差是ｉ．ｉ．ｄ随机变量,具有公共未知密度ｆ（ｔ）。基于残差构造ｆ（ｔ）的小波估计＾ｆｍ（ｔ）,在适当条件下,证明了该估计的弱相合、强相合、渐近正态性和收敛速度。     

线性模型M—估计下误差密度估计的相合性

线性模型Ｙｉ＝ｘ′ｉβ＋ｅｉ,ｉ＝１,２,…,其中ｅｉ｛｝∞ｉ＝１ｉｄ．,有未知密度ｆ（ｘ）．讨论了在对β作一般估计后,基于残差作出的误差密度核估计的相合性．在比文献［７,８］弱的条件下,证明了误差密度核估计的逐点弱相合,逐点强相合和一致强相合．     

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     

伴随的最大值和最大值的伴随的联合分布

设（Ｘ,Ｙ）表示一个绝对连续的二维总体,从中抽取容量的ｎ的样本,用Ｘｉ：ｎ表示,Ｘ样本的第ｉ个顺序统计量,同Ｘｉ,ｎ相对应的Ｙ样本值用Ｙ（ｉ：ｎ）表示,Ｙ（ｉ：ｎ）被称为第ｉ个顺序统计量的伴随,对１≤ｋ≤ｎ,设Ｖｋ,ｎ＝ｍａｘ（Ｙ（ｎ－ｋ＋１：ｎ）＾．．．,Ｙ（ｎ：ｎ）给出了（Ｖｋ,ｎ,Ｙ（ｎ：ｎ）有限样本的联合分布,并且在线性模型下,研究了它的渐近分布,进而可以得到Ｙ（ｎ：ｎ）／Ｖｋ,ｎ这一统计     

两个尺度参数估计的线性容许性

设Ｙ＝（ｙ１,ｙ２）′,ｙ１,ｙ２≥０;ＥＹ＝β＝（β１,β２）′,ＣｏｖＹ＝ｋｄｉａｇ（β２１,β２２）,β∈（Ｒ＋）２为参数,其中Ｒ＋＝（０,＋∞）,ｋ＞０为常数,我们估计β．估计类为Ｌ＝ＡＹ∶Ａ＝ａｂｃｄ为常数方阵,ａ,ｂ,ｃ,ｄ≥０｛｝．我们研究ＡＹ在Ｌ中的容许性,分别得到了二次损失函数、矩阵损失函数下,ＡＹ在Ｌ中是β的容许估计的充要条件和充分条件．     

降秩相依回归系统的泛岭改进估计

对于二个相依回归系统ｙｉ＝Ｘｉβｉ＋ｅｉ,Ｅ（ｅｉ）＝０,Ｃｏｖ（ｅｉ,ｅｊ）＝σｉｊＩ（ｉ,ｊ＝１,２）,当设计阵Ｘｉ（ｉ＝１,２）为ｎ×ｐｉ的列满秩阵时,其参数的估计已为许多学者所研究．在Ｘｉ（ｉ＝１,２）不是列满秩阵的情况,提出一种新的估计——降秩泛岭改进估计,并且探讨了这种估计及其相应的两步估计的各种性质．     

m（n）相依样本回归函数改良核估计的强相合性

ｍ（ｎ）相依样本回归函数改良核估计的强相合性杜斌秦更生（数学系）１引言设（Ｘ，Ｙ），（Ｘ１，Ｙ１）……是Ｒｄ×Ｒ１上的同分布随机向量序列，Ｅ｜Ｙ｜＜∞．回归函数ｍ（ｘ）＝Ｅ（Ｙ｜Ｘ＝ｘ）为未知实函数．Ｗａｔｓｏｎ［１］和Ｎａｄａｒａｙａ［２］首先建议...