矩阵损失下非齐次线性估计关于不等式约束的可容许性

对于一般的Ｇａｕｓｓ－Ｍａｒｋｏｆｆ模型,给出了当回归系数受一个不等式约束时,在矩阵损失下,非齐次线性估计保容许的充要条件。     

不等式约束下多元线性模型中线性估计的可容许性

研究多元线性模型在不等式约束下齐次线性估计和非齐次线性估计的可容许性, 刻画了二者之间的关系, 得到了齐次线性估计(非齐次线性估计)在齐次线性估计类(非齐次线性估计类)中是可容许的充要条件.     

二次损失下齐次线性估计类中关于不等式约束的可容许估计

刻划了线性模型(Y,Xβ,σ2V)在不等式约束r'β≥0条件下的线性估计的可容许性,在二次损失下,给出了在齐次线性估计类中可容许的一个充要条件。     

不等式约束下线性模型中回归系数的所有可容许估计

对于线性模型Y=Xβ+ε, ε~N(0,V]), V>0已知, 给出了在不等式约束RXβ≥0下[WTHX]β[WT]的线性估计在二次损失下及一切估计类中为可容许的充要条件.     

不等式约束下的生长曲线模型中线性估计的可容许性

对于带有不等式约束的生长曲线模型：Y=XBZ＋ε,ε~（0,σ2V⊙I）,trNBL≥0,本文在二次损失函数tr（d-KBL）′（d-KBL）下给出了KBL在齐次线性估计类LH和非齐次线性估计类LI中可容许的充要条件.     

线性估计在矩阵损失下的可容许性

研究了多元线性模型Ｙ－Ｎ中参数ＳＸＯ的线性估计ＬＹ＋Ｄ的可容许性问题,在一般条件下得到了线性估计ＬＹ＋Ｄ在矩阵损失下的可容许的充要条件。从而将现有文献中的结果推广到Σ≥０,Ｖ≥０的情形,解决了这一模型中的可估参数的线性估计在矩阵损失下的可容许性问题。     

线性估计在矩阵损失下的可容许性

研究了多元线性模型Y～N(XΘ，σ     

约束条件下的非齐次线性估计的可容许性

刻划了线性模型在不等式约束ｌ’β≥０条件下的线性估计的可容许性,给出了非齐次线性估计可容许的一个充分条件和一个必要条件。     

不等式约束多元线性模型中线性预测的可容许性

在两个不同的不等式约束下,给出多元线性模型中非齐次线性预测的可容许与齐次线性预测可容许性之间的关系.     

矩阵损失下线性预测关于不等式约束的容许性

本文研究了有限总体模型中参数受到不等式r'β≥0约束时的容许性问题,在矩阵损失下得到了线性预测是可容许的充要条件,所给条件易于验证,便于应用.     

矩阵损失下等式约束线性模型的可容许性

对线性等式约束的共同均值线性模型,利用无约束单总体模型的现有结果,通过适当变换,把等式约束模型向无约束转换,并把多总体转换为单总体,在矩阵损失下找到了均值参数β的条件可估函数Sβ的线性估计∑i=1^mAiyi a。在非齐次线性估计类中可容许的充要条件,填补了等式约束的共同均值线性模型可容许性方面的空白．     

带约束的增长曲线模型中的可容许线性估计

 对于带约束的增长曲线模型Y=X₁ΘX₂+ε,ε~(0,σ²V I_q),tr(X′₂Θ′X′1NX₁ΘX₂)≤σ²,讨论了可估函数KΘL的可容许性在矩阵损失函数(d-KΘL)(d-KΘL)′下得到了DYF+C线性可容许的充要条件.     

多元线性模型回归系数的所有可容许线性估计

讨论了多元线性模型中 ,线性估计 AY a在一切估计类中是线性可估函数 SB的 A-可容许性估计、E-可容许性估计及 G-可容许性估计的主要条件 .     

共同均值参数的线性估计的可容许性

讨论了对于一般共同均值线性模型，共同均值参数的可估函数SXβ的线性估计在线性估计类和一切估计类中的可容许性问题，分别得到了它们的充要条件．     

二次损失下正态线性模型中可估函数的一切可容许估计(英文)

研究二次损失函数下正态线性模型中可估函数的齐次线性估计在一切估计类中的可容许性.对于非负定协方差矩阵和设计矩阵具有一定关系的正态线性模型,得到可估函数的约束齐次线性估计在一切估计类中可容许性的充分条件,并证明了在进一步的条件下,该充分条件也是此估计在一切估计类中可容许的必要条件.     

矩阵正态分布均值矩阵的可估函数的线性估计在线性估计类中的泛容许性

考虑以下问题 :设n×m随机矩阵Y有分布N(Θn×m ,σ2 (Vn×n Σm×m) ) ,0 <σ2 ≤ 1 ,即Y服从均值向量为Θ协方差矩阵为σ2 (Vn×n Σm×m)的多元正态分布 ,其中 (Θ ,σ2 )为未知参数 .类似覃红讨论均值矩阵Θ的可估函数SΘ的线性估计AY在线性估计类中的泛容许性 .称Y的分布为矩阵正态分布     

回归系数的线性估计在平衡损失下的可容许性

针对多元正态线性模型,根据Zellner提出的平衡损失函数,对其进行变形,定义了更一般的平衡损失函数。研究了在该损失下,多元正态线性模型回归系数矩阵的线性估计在一切估计类中的可容许性,并给出了充要条件。该方法同样适用于线性估计类中的可容许性以及其他的可容许性的研究。