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:     

关于多元样条空间的维数

设D是矩形域D=[a,b](?)[c,d]。连接竖直和水平线x=x_i和y=y_i,i=1,…,m-1;j=1,…,n-1将D剖分成m·n个胞腔D_(ij)=[x_i,x_(i+1)](?)[y_j,y_(j+1)],其中x_0=a,x_m=b,y_0=c,y_n=d。于每个     

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∑,     

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     

关于广义U、统计量的Jackknife与Bootstrap

设{X_j}_(j=1)~(n_1)、{Y_k)_(k=1)~(n_2) 分别为来自总体F_1与F_2的独立样本,{X_j}与{Y_k}相互独立。且设φ(x_1, …, x_(m_1); y_1,…, y_(m_2))为分别关于各x变元和各y变元对称的Borel可测函数。关于θ=Eφ的无偏估计可取以为核的广义U统计量     

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;     

有限总体的自适应岭型预测

假设我们所感兴趣的总体由N个可识别的个体组成,它们分别标以1,2,…,N。对于第i个个体,有一已知的p维向量x_i和未知量y_i,i=1,2,…,N。记y′=(y_1,…,y_N),X′=(x_1,…,x_N)。假设所考虑的变量之间关系满足线性模型     

环Z/(2e)上本原序列最高权位的0,1分布(Ⅱ)

设f(x)=x~n c_(n-1)x~(n-1) … C_0是Z/(2~e)上首一多项式,适合关系式a_(i n)=-(c_0a_i c_1a_(i 1) … c_(n-1)a_(i n-1)),i=0,1,2,…(1)的Z/(2~e)上序列a=(a_0,a_1,…)称由f(x)生成的线性递归序列,由f(x)生成的Z/(2~e)上的所有序列的集合记为G(f(x))_e,并记G’(f(x))_e={a∈G(f(x))_e│a≠0 mod 2}.递归式(1)等价于关系式f(x)a=0=(0,0,…),其中x表示移位算子,即xa=(a_1,a_2,a_3,…).Z/(2~e)上序列a有唯一权位分解a=a_0 a_12 … a_(e-1)2~(e-1),其中a_i=(a_(i0),a_(i1),…)是0,1序列,并称a_i是a的第i权位序列,称a_(e-1)为a的最高权位序列.对Z/(2~e)上首一n次多项式f(x),若f(0)(即c_0)是可逆元,则由文献[1],f(x)的周期per(f(x))_e≤2~(e-1)(2~n-1).当per(f(x))=2~(e-1)(2~n-1)时,称f(x)是Z/(2~e)上n次本原多项式,并称G’(f(x))_e中序列为f(x)生成的本原序列.文献[2]给出了本原多项式的系数     

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:     

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     

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     

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     

NN判别中错判概率的指数收敛速度

设(X_1,θ_1),…,(X_n,θ_n)是由总体(X,θ)中抽取的iid样本,通常称为训练样本,其中(X,θ)是取值于R~d×{1,…,S)的随机向量。又设ρ是R~d中与欧氏距离等价的一个距离函数。对于X=x,我们可以按照ρ(X_j,x)的递增次序把(X_j,θ_j),j=1,2,…,n,重新排列(当“结”出现时,用比较下标方式消除之),我们便得到一个随机向量(R_1,…,R_n),其中X_(R_i)(x),对所有i,是x的第i个近邻。于是我们可取θ_(R_1)(x)作为目的对于X=x的NN判别。一般言     

丢番图逼近论与近似分析

1.命r=(r_(11),…,r_(t1),…,r_(1s),…,r_(ts))表示st维欧氏空间R_(st)中的点,引入记号r_i=(r_(1i)…,r_(ti))(1≤i≤s),(?)_j=(r_(j1),…,r_(js))(1≤j≤t);q=(q_1,…,q_t)k=(k_1,…,k_s)与m=(m_1,…,m_s)为整系数矢量;(x,y)=sum from i=1 to s (x_iy_i)表示矢量x与y的     

关于非参数回归核估计的强相合性

令(X,Y),(X_1,Y_1),…,(X_n,Y_n)为取值R~d×R的i.i.d随机向量,对某个p>2,E(|Y|~p)<∞。我们用x及(X_1,Y_1),…(X_n,Y_n)的函数m_n(x)来估计回归函数m(x)=E(Y|X=x)。m(x)的一类非参数核估计定义为     

一般情况下的最小二乘法

用理论曲线y=f(x;c)拟合观测值x_i~(*)、y_i~(*)(i=1,…,n),若x的测量误差也不能忽略,则拟合过程中变量x的地位同y没有实质的差别,可以统一地用z表示全部被观测量。n对观测值x_i~(*)、y_i~(*)(i=1,…,n)可以表示成为N=2n     

符号空间中子位移的测度熵与维数

1 定义与结论随着分形几何和动力系统的深入发展,符号动力学已成为研究浑沌和分形的一个有力工具,进一步讨论符号空间的有关分形特征是有用的.本文将给出符号空间中子位移的测度熵与维数的关系,证明Bowen的维数公式在非Markov结构下成立,从而得到关于维数的不变原理.设E={1,…,N},其中N≥2,赋与E以离散拓扑,设积空间∑_N=∏_i~∞=_1E,称∑_N为 n个符号组成的符号空间,它是一个紧致的可度量化空间.设P=(P_1,P_2,…,P_N)满足0相似文献   

非线性波动方程的柯西问题

考察n维非线性波动方程的柯西问题:【二习u=F(u,Du,D二Du)/一9,9,9,\、~gx吕gx全刁x盖/’t一。:u~s中(x),u:一。诱(X)(x=(xi,…,人)),(l)(2)其,护Du一(u二.,u二:,…,u二.),D二Du~(u二,二,i,j=0,l,…,n,i+j)l),切(x)及中(x)为具紧支集的适当光滑函数. 令元一(入;(入‘),i=o,i,…,。:(入‘户,i,j一。,1,…,n,i+j)l),假设F一F(扔在久=0的一个邻域中适当光滑,并成立 尸(元)=o(1久!‘+‘)(a>l,整数).(3) 在F不显含。的情形,5.Klainerman〔;〕利用波动算子巨习的Lorentz不变性证明了:若满足条件 n>i+兰,(4)只要常数6>0适当小,柯西间题(l)、(…     

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     

关于一类缺插值样条的一般结果

设△:0=x_0相似文献