一类回归方程系统的两步估计

一、前言 考虑两个回归方程的系统y_i=X_iβ_i ε_i(i=1,2),其中y_i是n×1的随机观察值向量,X_i是秩为P_i的n×P_i阶已知矩阵,β_i是P_i×1的未知参数向量,而ε_i是n×1随机误差向量。假定(ε1,ε2)的n个行是互相独立地服从二维正态分布N(O,Σ),其中Σ=(σ_(ij))是     

二维乘积限估计的一些渐近性质

设(X_i~O,Y_i~O),i=1,2,…,n是独立同分布,表示n对个体寿命的随机向量,它们有共同的生存分布函数S(s,t)=P(X~O>s,Y~O>t).又设(C_i,D_i)是一对表示删失时间的随机向量,且(C_i,D_i),i=1,2,…,n独立同分布,其生存分布函数为G(s,t)=P(C>s,D>t).在二元随机删失模型中,人们仅能观察到(X_i,δ_i,Y_i,△_i),i=1,2,…,n,其中X=min(X_i~O,C_i),δ_i;=I[X_i~O≤C_i],Y_i=min(Y_i~O,D_i),△_i=I[Y_i~O≤D_i],     

m个半相依回归方程组系数的两步估计

考虑m(>2)个半相依回归方程组秩(x_i)=P_i,而 E(ε_i)=0,Cov(ε_i,ε_i)=σ_(ij)I, Σ=(σ_(ij))为正定矩阵。 对于β_i的两步估计及其有限样本性质,当m>2时,只有Kataoka对X_1,…,X_m是互     

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:     

半局部环上辛群的自同构

本文定出了半局部环(2是单位)上辛群的自同构.定义1 取(β,ν)=(0 1/-1 0),令 T_i(λ)=I~(2n) λE_(osm i)~(2n)),T_(ij)(λ)=I~(2n) λ(E_(isn j)~(2n) E_(isn i)~(2n)),R_(ij)(λ)=I~(2n) λ(E_(ij)~(2n)-E_(n j,n i)~(2n)).T′_i(λ),T′_(ij)(λ)分别表示T_i(λ),T_(ij)(λ)的转置方阵.上面三种形式的阵生成的群记为SP′_(2n)(R).     

区间对称矩阵渐近稳定的充要条件和充分条件

对区间对称矩阵G[B,C]={A|A=(a_(ij))_(n×n)=A~T,b_(ij)≤a_(ij)≤a_(ij)},(1)B=(b_(ij))_(n×n)=B~T,C=(C_(ij))_(n×n)=C~T∈R~(n×n),Bialas研究了G[B,C]渐近稳定的充要条件.后经有关文献(略)得到结论:G[B,C]渐近稳定当且仅当其子集H[B,C]={A|A=(a_(ij))_(n×n)∈G[B,C],a_(ij)=b_(ij)或C_i}(2)渐近稳定.我们进一步构造K[B,C]如下:     

回归函数核估计L_1收敛的必要条件

设(X_i,Y_i),i=1,2,…是从(X,Y)的分布中抽取的(d 1)维随机向量。回归函数m(x)=E(Y|X=x)(如果它存在)的核估计是     

有限型子移位的Chaos集

用∑_n表示n个符号的双向符号序列全体组成的集合,σ表示移位映射。(∑_n,σ)称符号动力系统。设A为n×n矩阵,其中每个元素A_(ij)=A(i,j)都是0或1。     

凸多边形导体柱对TE平面波的散射的新高频近似解

凸N边形导体柱各角点、外角、边长分别为N_i(φ_i,φ_i)、n_iπ和w_i(i=1,2,…,N),被单位振幅TE平面波照射(入射角为(?)),柱表面电流J_s=J_u+J_(nu),J_u为物理光学电流,J_(nu)=n×H_(?)~d,n为表面单位外法向     

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Hopfield型神经网络的全局指数稳定性

具有全局指数稳定性的Hopfield型连续神经网络对于实时求解各种最优化问题以及特殊的A/D转换器设计问题非常重要。在这个意义下,要求神经网络具有唯一的平衡点,且它是全局指数稳定的。 考虑如下Hopfield型连续动态反馈神经网络模型: C_i((du_i)/dt)=Sum from i=1 to n(Ti_JVi)-u_i/R_i+I_i,v_i=g_i(u_i),i=1,2,…,n, (1) 其中C_i>0,R_i>0和I_i分别称为第i个神经元的电容常数、电阻常数和网络外部输入。这里,不假定T=(T_(ij))_(n×n)对称和所有g_i(·)都相同。     

区间参数矩阵的稳定性

一、引言 区间矩阵的稳定性问题的研究,最近取得了一些较好的结果。所谓区间矩阵的稳定性,即考虑n×n实矩阵P=(p_(ij))、Q=(q_(ij)),其中p_(ij)≤q_(ij), i, j=1, 2, …, n,记 N[P,Q]={A=(a_(ij)∈R~(n×n)|p_(ij)≤a_(ij)≤q_(ij), i,j=1,2,…,n},若对任意A∈N[P, Q]均有A稳定(即A的所有特征根的实部均小于零),则称区间矩阵     

非线性周期大系统的平稳振荡

本文利用方阵A(t)=(a_(ij)(t))_(n×n)的测度:■的性质，给出了具有如下分解：=g_i(x_i,t)+h_i(x,t)(i=1,2,…,r)     

渐近Bayes判别

设(θ,X),(θ_1,X_1),…,(θ_n,X_n)是取值于{0,1}×R~d的iid随机向量,P(θ=0)=P_0,P(θ=1)=P_1=1—p_0,而X在给定θ=i时的条件密度是f_i(x),i=0,1.记D(x)=P_1f_1(x)—P_0f_0(X),则I{D(x)≥0}(X)是θ的Bayes判别函     

广义Kac-Moody代数模的权链与权集

广义Kac-Moody代数的概念是由Borcherds首先引入的,普通Kac-Moody代数的许多结果都可推广到其上去(详见文献[1]和[2]中§11.13),本文讨论了广义Kac-Moody代数模L(A)的权链和权集的某些性质.设A=(a_(ij))_(n×n)为一实矩阵且满足(Cl)a_(li)=2或a_(ii)≤0,(C2)a_(ij)≤O,如果i≠j;a_(ij)∈Z,如果a_(ii)=2,(C3)a_(ij)=O当且仅当a_(ji)=0,     

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     

伴有边界摄动的非线性Robin边值问题的奇摄动

的奇摄动。其中ε、μ是两个正的小参数,a_i、b_i、φ_i(i=1,2)为ε,μ的充分光滑的函数,且a_i~2+b_i~2≠0.为方便起见,设a_i>0,b_i>0,b_2(0,0)=0.当a_i=1,b_i=0(i=1,2)时,章国华和林宗池曾研究了由外解展开到任意项和内解(即边界层校正函数)只展开     

Bieberbach函数族和Grunsky函数族的另一种充要条件和偏差定理

1.引言 设f(ζ)是单位圆U={ζ|:|ζ|<1}上的正则的单叶函数,f(0)=0,当|ζ_i|<1,i-1,2时f(ζ_1)·f(ζ_2)≠1,记这种函数的全体为B_1,称为Bieberbach函数族。设f(ζ)是单位圆U上的正则的单叶函数,f(0)=0,当|ζ_i|<1,i=1,2时,     

部分线性模型参数分量的M估计的渐近正态性

Engle等人提出了下列部分线性模型Y_i=X_i~tβ_0 g_0(T_i) u_i,1≤i≤n其中(T_1,X_1~t,Y_1),…,(T_n,X_n~t,Y_n)是随机向量(T,X~t,Y)的i.i.d.样本,U_i为随机误差,U_1,…,U_n与(T_1,X_1~t),…,(T_n,X_n~t)相互独立,X∈R~d,T∈[0,1],β_0为未知参数向量,g_n是一光滑未知函数.文献中,有许多学者讨论了关于这个模型的估计问题,包括惩罚函数法、基于分段多项式逼近的最小二乘法和基于核函数近似的最小二乘法.由于上述方法得到的估计不稳健,本文用分段多项式逼近g_0讨论较稳健的M估计.记g_n(t)=(?)(t)~ta为一分段m阶多项式,其段数为M_n,其中(?)(t)是一函数向量,β_0和