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     

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     

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     

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;     

可压缩的Navier-Stokes方程解的存在性

本文考虑如下形式的n维可压缩流体的Navier-Stokes方程(n≥2): (?)_tρ+sum from j=1 to n((?)_j(ρu_j))=0, (?)_tu_i-sum from j=1 to n(ρ~(-1)[μ(?)_j((?)_ju_j+(?)_iu_j)+μ′(?)_i(?)_ju_j])=-sum from j=1 to n(u_j(?)_ju_i-ρ~(-1)(?)_iP(ρ),(1) ρ|_(t=0)=(?)+(?)_0(x),u|_(t=0)=u_0(x),其中t≥0,x=(x_1,…,x_n),ρ为密度,u=(u_1,…,u_n)为速度,μ,μ′为粘性系数,P(ρ)为压力,为一常数,用|·|_s表示Sobolev空间范数。有如下结论:     

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∑,     

中位数交叉核实准则

考虑非参数中位数回归模型Y_(ni)=g(x_(ni)) ε_(ni),1≤i≤n,(1)其中g:[0,1]|→R是待估计的连续函数,{x_(ni):1≤i≤n}是区间[0,1]上的非随机设计点列,{ε_(ni):1≤i≤n}是iid随机变量,中位数为零,{Y_(ni):1≤i≤n}是观察值.对x∈[0,1],n≥1,记D_(nj)(x)为x的第j个近邻,j=1,2,…,n,即{D_(n1)(x),D_(n2)(x),…,D_(nn)(x)}为{x_(n1),x_(n2),…,x_(nn)}的一个置换,满足|D_(n1)(x)-x|≤|D_(n2)(x)-x|≤…≤D_(nn)(x)-x|,结按自然顺序消去.令Y_(ni)(x)和ε_(ni)(x)分别表示D_(ni)(x)(1≤i≤n)处的观察值和随机变量.下面的估计g_n(h,x)=(?){Y_(n1)(x),Y_(n2)(x),…,Y_(nh)(x)},(2)(?)表示样本中位数,这个估计称为g(x)的最近邻中位数估计(或者局部中位数估计),其中近邻个数h起着光滑参数作用.h的选择对估计的好坏起着决定性的作用.作者与郑忠     

t可约m×n 二部分竞赛图的得分表偶

设(X,Y)是m×n 二部分竞赛图T_(m,n)的顶点集合V(T_(m,n))的有序分划,其中X=(x_1,x_2,…,x_m},Y={y_1,y_2,…,y_n},x_i、y_j 在T_(m,n)中的得分分别为a_i、b_j,l≤i≤m,l≤j≤(?),且a_1≤a_2≤…≤a_m,b_1≤b_2≤…≤b_n.记A=(a_1,a_2,…,a_m),B=(b_1,b_2,…,b_n),则T_(m,n)     

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:     

一有限自动机的误差传播有界弱逆的结构

定义 设M=和M′=是两个有限自动机。任何s∈S和s′∈S′,若对任何x_0,x_1,…∈X都存在x_(_t),…,x_(-1)∈X使得λ′(s′,λ(s,x_0x_1…))=x_(-t)…x_(-1)x_0x_1…成立,且对任何l≥n≥0,任何x_0,…,x_l∈X和任何y_0~′,…,y_(n_1)~′,y_0,y_1,…,y_l∈y,都可由y_0…y_l=λ(s,x_0…x_l)推出λ′(s′,y_0 … y_l)=_(n+c)λ′(s′,y_0~′…y_(n-1)~′y_n…y_l),则称(s,s′)为延迟t步误差传播长度不大于e的匹配对,其中e是一非负整数,a_0a_1…a_l=_tb_0b_1…b_l表示a_t…a_l=b_t…b_l。对任何     

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     

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U-统计量理论的一些结果

设x_1,x_2,…为一串独立同分布(iid)变量,而φ(x_1,…,x_m)为x_1,…,x_m的对称函数,则U_n=(n/m)~(-1) sum from to 1≤α_1<…<α_m≤nφ(x_(α_1),…,x_(α_m),n≥m称为以φ为核的U-统计量。设对某个r≥1有E[|φ(x_1,…,x_m)|~r]<∞.(1)迄今为止,文献中对U-统计量的研究,多限于r=1和r=2的情况,最近我们研究了一般的r≥1的情况,主要结果如下:     

论一致分布与近似分析(Ⅱ)(数论方法)

命f(x)=f(x_1, …,x_s)为G_s上对每一变数都有周期1的函数。命α=(α_1,…,α_s)为一个有非负支量的矢量。当α_k=0时,置ρ_k=β_k=0,当α_k>0时,则置α_k=ρ_k+β_k,此处ρ_k为非负整数,0≤β_k<1。定义δ_h~kf(x)=(2i)~(-1)[f(x_1,…,x_k+h,…,x_s)-f(x_1,…,x_k-h,…,x_s)]。假定导数     

多重Fourier级数及其共轭Fourier积分的球形求和

设E_K为K维欧氏空间,E_K中的点x记为x=(x_1,x_2,…,x_k),Q_k{x∈E_k;-π≤x_i<π,1≤i≤K},B(x_0,r)={x∈E_k;|x-x_0|≤r},Q={x∈E_k;|x|=1},K(x)=P(x/|x|)|x|~(-k)为球调和核,此处P(t)为n次齐次调和多项式。     

部分线性模型中M型回归样条估计的一些新结果

考虑下列部分线性模型Y_1-X′_1β_0+g_0(T_1)+e_i,1≤i≤n,其中(T_1,X_1,Y_1),…,(T_n,X′_n,Y_n)是随机向量(T,X′,Y)的 i.i.d.样本,X∈R~d,T∈[0,1],β_0为未知参数向量,g_0是一光滑未知函数.这个模型在文献[1]中首次被提出,文献中研究过β_0和 g_0(t)的估计,例如,基于惩罚函数法的平滑样条估计;基于核方法的估计;用分段多项式来逼近 g_0,基于最小二乘法的估计.由于上述估计不稳健,文献[8]用分段多     

泛可积模的可约性

设是A=(α_(ij))_(i,j=1)~n是一个可对称化的广义Cartan矩阵,(η,π,π~v)是A的一个实现,其中π={α_1,…,α_n};π~v={α_1~v,…,α_n~v}。设(A)是结合于A的Kac-Moody代数,{e_i,f_i|1≤i≤n}是(A)的Chevalley生成员的集合。P={λ∈η~*|<λ,α_i~v>∈Z,1≤i≤n}     

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     

镶成右凸语言并、交、连结的超码与右凸语言幺半群的自由性

设X为有限字母表,X~*为X生成的自由幺半群。X~*的子集称为X上的语言,X~*的元素称为X上的字,X~*的恒等元1称为X上的空字,X~+=X~*-{1}。很多作者认为X~*上的嵌入序≤是一个十分重要的偏序: x≤y当且仅当x=x_1x_2…x_n,y=y_1x_1y_2x_2…y_nx_ny_(n+1)。围绕嵌入序定义了若干类语言:     

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).