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     

误差有界时回归系数的一种估计法

设有线性模型y_i=x_i′β+e_i,i=,2,…,这里{x_i}是p维欧氏空间R~p中已知的试验点列,β是未知的p维回归系数向量,{e_i}是一串独立同分布的ⅱd序列.假定e_1具有有     

线性回归模型中误差方差估计的贝里-埃森界限

考虑线性回归模型Y_i=x_i'β e_i, i=1,…,n,…,(1)这里试验点列{x_i}是一串已知的p维向量,β是未知的回归系数向量,{e_i}是一串独立的试验误差,满足条件     

误差方差估计的强不变原理

考察线性模型y_i=x′_iβ e_i i=1,…,n,…, (1)其中y_i是第i次试验结果,x_i是p维的试验点列,β是未知的p维回归系数向量,e_i是第i次试验的随机误差。假定1) e_1,e_2,…是相互独立同分布的;     

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:     

相依样本情形误差方差估计的强逼近

考察线性模型其中{y_i},{x_i},β及e_i的意义如文献[1]。现设{e_i}是强平稳序列,满足     

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     

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:     

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     

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     

最小二乘估计相合性的若干结果

(?)≡(x_1,x_2,…)是已知的p维向量序列,e≡(e_1,e_2,…)是随机误差列,β≡(β_1,…,β_i)′是未知的回归系数向量.记S_n=x_1x_1~′…+x_nx_n~′.设当n≥n_0时,S_1~(-1)存在.把p×n矩阵S_n~(-1)(x_1…x_n)的(j,i)元记为u_(nji),则β的最小二乘(LS)估计为     

关于线性模型中回归系数的最小二乘估计的相合性

考虑线性模型Y_1=x_i~′β e_i,i=1,2,…,其中i=1,2,…为已知的试验点列,β=(β_1,…,β_r)′为未知参数,ei,i=1,2,…为随机误差序列。由前n次试验结果算出β的最小二乘估计:     

关于多重共轭Fourier积分的Riesz球平均

设E_k为k维欧氏空间(k≥2),Q_k={x∈E_k,-π≤x_i≤π≤,i=1,2,…,k}。B(x_0,r)={x∈E_k,|x-x_0|≤r},Ω={x∈E_k,|x|=1},P(x)为n次     

EV模型中参数M估计的渐近正态性

其中X为取值于R~P上的可观测随机向量,X为p维不可观测随机向量β_0为p×1未知参数向量,(ε,u~r)~r为p+1维球对称误差向量,即(ε,u~r)~r(?)RU_(p+1)(其中,R为非负随机变量,U_(p+1)为Ω_p={a:a∈R~(p+1),||a||=1}.上的均匀随机向量,R与U_(p+1)独立),σ~2=ER~2/p+1>0未知,且(ε,u~r)~r与x独立.模型(1)为线性EV(Error-in-Variables)模型,有着广泛的应用背景,如在经济、林业、建筑、生物、遥感等领域,见文献[1～5],目前对模型(1)的研究,主要是利用极大似然     

线性估计弱相合性的一个问题

设给定了线性回归模型Y_i=x_i~'β+e_i,i=1,…,n,…,而当n充分大时,线性函数c′(n)可估,其Gauss-Markov估计(GME)记为c′(n),其中(n)为基于Y_1…,Y_m的,β的任一最小二乘估     

可估子空间上线性模型的比较

1.引言我们考虑线性模型y=Xβ e,E(e)=0,cov(e)=σ~2I_n,(1.1)这里y是n×1观测向量,x是n×p的设计矩阵,β为p×1未知参数向量,e为n×1随机误差向量,σ~2是已知的误差方差。我们记该模型为l=L(Xβ,σ~2I_n)。     

有限维单Lie代数的拟有理自同构

本文所用述语及符号与文献[1]中所用一致。 以下总假定g是一个X_N型的单有限维复Lie代数,n是取定的一个CSA,△′是相应的根系,{a′_1,…,a′_N}是取定的一个素根系,e_i,f_i,h_i(i=1,2,…N)是取定的一组标准生成元.如文献[1]中§8.2所述,对于g的k阶自同构u,引入记号E_i,F_i,H_i(i=0,1,…,l),那么 E_0,…,E_1生成g.令     

关于岭回归分析的一个注记

考虑线性回归模型Y和e都是n维随机矢量,且Ee=0,Eee~τ=σ~2I;X是(n×p)阶系数矩阵,β是p维参数矢量。依据Y对β所做的最小二乘估计为     

收敛系统和回归模型中最小二乘估计的强相合性

考虑多元回归模型此处x_(ij)是已知常数,β_1,…,β_p是未知参数,y_i,e_i分别为第i次量测值和量测随机误差。以下,我们记设计矩阵(x_(ij))_(1≤i≤n,1≤j≤p)为X_n,并令Y_n=(y_1,…,y_n)′),β=(β_1,…β_p)′。β的基于前n次量测值Y_n及设计矩阵X_n的最小二乘估计b_n=(b_(n1),…,b_(np))′为     

二端相关信源检测理论与信息论——组合学解法

一、二端相关源的检测 讨论函1的检测模型。{s_(1i)}、{s_(2i)}是源输出符号序列,联合分布为p(s_1s_2);w_1、W_2是信道的加性噪声,它们与源独立,且彼此独立;{x_i}、{y_i}是输入检测器的信号序列。设φ=[X(?)Y,p(xy)]是无记忆源的输出符号表,X、Y是两有限集,p(xy)是直积空间X(?)y上的概率分布。空间X(?)Y的n维扩展为X~n(?)Y~n。序对(x~n、y~n)的概率为