泛优良性和均值矩阵线性估计的泛容许性

本文仅以多元线性模型: 中均值参数矩阵的可估函数的估计为例,来引入泛优良性概念,而一般情况下矩阵参数估计的泛优良性可仿此引入。上面的X,S,U≥0和V≥0(但V≠0)是已知矩阵;和σ~2>0是未知参数,ε是ε按行的拉直;UV是U与V的Kronecker乘积;μ(X′)是X′所张成的线性空间。     

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     

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     

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     

放回的PPS抽样方案在放回抽样方案类中的可容许性

我们知道,一般而言,不放回抽样的效率要比放回抽样高些.但由于放回抽样实施起来简便易行,特别是其方差的计算十分简单,所以它往往更受抽样调查工作者的欢迎.在放回抽样中,最常用的是采用与单元大小成比例的概率来抽选各个单元(即PPS抽样).这产生了一个理论问题,即PPS抽样方案是否就是最好的放回抽样方案,还有没有比PPS抽样方案更好的方案呢?本文的目的就是解决这个问题.我们获得了充要条件.所得结果表明:通常使用     

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}     

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     

矩阵损失下回归系数的线性估计的可容许性

设有线性模型 这里V>0和X都已知,n≥p;β∈R~p,0<σ~2<∞均为未知参数。欲估计可估线性函数Sβ,此处S为已知的常数矩阵。1976年,Rao给出了在平方损失(d—Sβ)'(d—Sβ)下LY在线性估计类(?)={MY:M为常数矩阵}中是Sβ的可容许估计的充要条件。他还提出了矩阵     

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