误差方差的非齐次二次型容许估计——具有共同均值的增长曲线模型

在二次损失函数下，研究了增长曲线模型误差方差的非齐次二次型估计的可容许性问题。并得到了一类非齐次二次型估计可容许的充要条件。     

增长曲线模型非齐次线性估计的可容许性

本文讨论了增长曲线模型中回归矩阵的函数的估计，在矩阵损失下，作者得到了非齐次线性估计在非齐次线性估计类中可容许的充要条件。     

两类增长曲线模型误差方差估计——二次型容许估计

研究两类增长曲线模型误差方差的二次型估计的容许性，在损失函数为（d-σ^2)/σ^4时，对这两类模型分别给出一个二次型估计在二次型估计类中可容许的充要条件。     

二次损失下增长曲线模型回归系数非齐次线性估计的可容许性特征

讨论了增长曲线模型回归系数非齐次线性估计在六种不同形式容许性定义下的可容许性，得到了在估计类中KBL的非齐次线性估计在这六种容许定义下可容许的充要条件。     

方差分量模型非负二次同时估计可容许的必要条件

给出了方差分量模型Ｙ＝Ｘβ＋∑＾ｍｉ＝１Ｕｉεｉ，Ｕ１Ｕ１’＝…＝ＵｍＵｍ’〉０中方差分量（ｏ＾２１，…，ｏ＾２ｍ）的非负二次同时估计（Ｙ’Ａ１Ｙ，…，Ｙ’ＡｍＹ）可容许的一个必要条件。     

正态线性模型中误差方差的一类不可容许的二次型估计

设y_1,y_2,…y_n是均值为β,方差为σ~2的相互独立的随机变量,β∈R~1,σ~2>0均是未知参数.本文证明了:当α>1/(n+2)时,在损失函数(d-σ~2)~2/σ~4下,aS~2+bY~2不是σ~2的可容许估计,其中S~2=??(y_i-y)~2,y=1/n??y_i.     

生长曲线模型中协方差矩阵的齐次和非齐次估计的可容许性

讨论了生长曲线模型（１．１）中协差矩阵的二次型估计在齐次和非齐次估计类中的可容许性问题, 并得到了相应的充要条件     

正态线性模型中误差方差的一类不可容许的二次型估计

设 y_1,y_2,…y_n 是均值为β,方差为σ~2的相互独立的随机变量,β∈R~1,σ~2>0均是未知参数。本文证明了:当α>1/(n+2) 时,在损失函数(d-σ~2)~2/σ~4下,αS~2+b(?)~2不是σ~2的可容许估计,其中 S~2=(?)(y_i-(?))~2,(?)=1/2(?)y_i.     

约束增长曲线模型的Minimax可容许估计

讨论在矩阵损失函数下约束增长曲线模型中回归系数的Minimax可容许估计问题,给出在某些线性估计类中Minimax可容许估计的充要条件.     

一般的增长曲线模型均值矩阵线性估计的泛容许性

在两种矩阵损失函数下讨论了一般的增长曲线模型中均值矩阵线性估计的泛容许性,并在某些线性估计类中分别得到了泛容许估计的充要条件。     

含有随机效应的增长曲线模型协差阵的最小二乘估计

利用矩阵的谱分解和投影理论,给出了增长曲线模型均值结构中存在随机效应时,随机效应和随机误差两种不同性质的随机变量的协差阵Г,∑及其线性函数tr(C∑ DГ)的最小二乘估计,并讨论了估计tr(C∑^* DГ^*)的一些优良性。     

方差分量模型中线性估计的最优性及可容许性

将随机效应线性模型和方差分量模型合并为一种模型,即具有随机回归系数的方差分量模型;给出了随机回归系数和参数的线性可估函数的最优线性无偏估计以及在矩阵损失函数下的可容许性;在正态假设下,讨论了线性估计在一切估计类中的可容许性.     

增长曲线模型的两步估计及其优良性

讨论了增长曲线模型回归参数阵的两步估计问题,给出了回归参数阵的可估函数的两步估计具有无偏性的一个基本结论,并验证了两种常见两步估计均具有无偏性．     

生长曲线模型中线性估计的可容许性

讨论带约束生长曲线模型中的可容许性问题,并在矩阵损失下,给出了回归系数的线性估计是可容许估计的充要条件。     

二阶矩的最优二次无偏估计

在假定X1与N（θ,σ^2）有相同的前四阶矩的条件下给出了参数τ的最小方差二次无偏估计,并统一和推广了一些已有结果。     

方差传递公式估计式的无偏性

推广正态样本的均值与样本方差相互独立之定理,证明正态样本(x1,x2)与其协方差也是相互独立的.如果假定在直接测量中样本独立同正态分布并且随机误差是小量,那么间接测量的方差传递公式的估计式是方差传递公式的无偏估计式.     

方差传递公式估计式的无偏性

推广正态样本的均值与样本方差相互独立之定理,证明正态样本（ , ）与其协方差也是相互独立的.如果假定在直接测量中样本独立同正态分布并且随机误差是小量,那么间接测量的方差传递公式的估计式是方差传递公式的无偏估计式。     

一般生长曲线模型中的简单投影预测

考虑一般生长曲线模型Y=XBZ+ε(其中,E(Vec(ε))=0,V(Vec(ε))=σ2ΔΣ),该模型的预测问题就是利用已观察值矩阵Y预测未观察值矩阵Y0=X0BZ0+ε0.作者研究了预测的最优性,对任一线性可预测变量θ=tr(A′Y0),它的简单预测被定义为∧θSPP=Vec(′A)(Z0′X0)[(Z X′)T-(Z′X)]-(Z X′)T-Vec(Y)(其中T=ΔΣ+(ZZ′XX)′);得到了∧θSPP为θ的最优线性无偏预测的充要条件,并研究了∧θSPP关于协方差阵的稳健性,推广了Bolfarine H等的有关结果.