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     

随机回归模型中的一致相合估计

考虑多元线性回归模型,其中(?)为p维随机向量.y=(?) ε对来自(y,(?))的样本(y_1,(?)_1~τ),…,(y_n,(?)_n~τ),类似的回归关系如下:y=(?) ε_t,t=1,…,n.     

纵向数据部分线性模型的估计

文章讨论了纵向数据下的部分线性回归模型的估计方法,给出了参数分量和非参数分量的profile最小二乘估计,并研究了这些估计的渐近正态性。     

纵向数据部分线性模型的估计

文章讨论了纵向数据下的部分线性回归模型的估计方法,给出了参数分量和非参数分量的profile最小二乘估计,并研究了这些估计的渐近正态性.     

部分线性模型中估计的渐近正态性

考虑回归模型 y_i-x_iβ+g(t_i)+σ_ie_(is)i-1,2…,n, (1) 其中σ_i~2-f(u_i)>0,(x_i,t_i,u_i)是固定非随机设计点列,β是未知待估参数,g(·)和     

带约束的线性模型中的可容许线性估计

在Gauss-Markov模型(Y_(n×1),X_(n×p)β_(p×1),σ~2V,V≥0)下,若S_(s×p)β可估,Rao及其他一些作者给出了Sβ的线性估计,在二次型损失函数下是可容许的充要条件。当参数受约束:β′Nβ≤σ~2,N>0时,Hoffmann,Mathew分别就V>0与V≥0的情形,讨论了β的线性估计的可容许性问题。本文将进而给出Sβ的线性估计AY在线性估计类中是可容     

回归函数递归核估计相合的充要条件

设(X_1,Y_1),(X_2,Y_2),……为(X,Y)的样本,(X,Y)在R~d×R中取值,μ为X的概率分布,m(x)=E(Y|X=x)的核估计,递归核估计分别为     

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     

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     

多元回归系数线性估计的可容许性

其中X是已知矩阵;(?)和σ~2>0是未知参数;V>0是已知矩阵。简记上述模型为H。 损失函数取为:(d—S(?))’(d-S(?))。在线性模型下(m=1),此时风险函数是实函数,因此,有关风险大小的比较就自然地按数的大小来进行,而在多元线性模型下,这时的风险     

带有先验信息的线性模型参数估计的一些结果

考虑线性模型: Y~X夕+e;。~N(0,。,I),(l)其中X是已知的,xp矩阵,rankX~p<‘口〔R户和a>O是参数.假定夕的先验信息可描述为 U~H夕+。.(2)这里H是已知的天xp矩阵,H笋0;6~N(0,评),平是已知正定对称矩阵.假定‘和已独立.基于模型(l)的尽的最小二乘估计为b~(X’X)一lX’Y.样本信息(模型(1))和夕的先验信息可组合为、、.,/、、11了(二卜(霭)“+(:)‘(:)一N(0,(百‘(3)众所周知,在模型(3)和二次损失下,当护已知时,万~(a一之丫X+仔W一’H)一l(二一’X’y+H’w一,U)是夕的一致最小风险无偏估计.由于砂一般是未知的,Theilt刃提出如下估计类:…     

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:     

非线性半参数EV四归模型的估计理论

对于带有变量误差的非线性半参数回归模型:Y=H(x,θ) g(T) v,X=x u,给出了参数θ和函数g(·)的估计(?)_n,(?)_n(·).在一定条件下证明了(?)_n的强相合性和渐近正态性;(?)_n(·)具有强相合性且有几乎最优的强收敛速度,同时还给出了v的方差的强相合估计.     

数量遗传学研究中的方差分量模型及估计方法

由于受数理统计发展水平的限制，目前在数量遗传学研究中的各种数学模型都是线性模型。其中，方差分量模型占有相当重要的地位。本文综合评述了该领域的各种方差分量模型和估计方法以及最近的新发展。并对今后的进一步研究作了讨论。     

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:     

线性模型中回归系数最小二乘估计的相合性

这里介绍我们最近关于线性模型中回归系数的相合性问题所获得的若干结果。详细证明将另文发表。     

半参数变量含误差回归模型的小波估计

最近我们利用小波方法研究了半参数变量含误差函数关系模型:     

线性模型误差方差估计的强相合性

线性模型是数理统计中最重要的模型之一。在样本容量确定和误差服从独立的正态分布的条件下,该模型的误差方差的最小二乘法估计具有周知的良好性。但在误差不一定服从正态分布时,迄今为止对这种估计的性质知道不多。1966年Gleser在样本容量无限和误差服从独立同分布的条件下获得了关于这种估计的重要结果。本文的结果则是在误差分布不一定相同这一更广泛的情况下给出的。     

增长曲线模型中存在UMRU估计的充要条件

本文采用下列记号.对于矩阵 A 和 B,A>B 表示 A—B 是正定对称阵;AB 表示A 和 B 的 Kronecker 乘积;R(A),A′和 A~-分别表示 A 的列空间、转置和广义逆;P_A=A(A′A)~-A′;对于 s×t 矩阵 B=(b_1…6b),用 vec(B)表示 st 维向量(6_1~′…6_~′)′.trA 表示方阵 A 的迹.由 Potthoff 和 Roy 提出的增长曲线模型定义为     

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