随机回归系数和参数的G—M估计同时关于设计阵和散布阵的稳健性

考虑随机效应线性模型:y=Xβ+ε,Eβ=Aα,Eε=0,VAR(β′,ε′)′=σ~2 diag(I_p,I_n)针对线性可估函数ω′_1α,ω′_2β和ω′_1α+ω′_2β,我们分别给出了其G-M估计同时关于设计阵和散布阵是稳健的充要条件。     

Banach空间中分数阶微分方程Robin边值问题解的存在性

讨论了Banach空间E中分数阶微分方程边值问题：-D₀₊^β u(t)=f(t,u(t)), 0≤t≤1,u(0)=u′(1)=θ解的存在性,其中1<β≤2,D₀₊^β是标准的Riemann-Liouville分数阶导数,f:[0,1]×E→E连续.通过非紧性测度的估计技巧,在非线性项f满足较弱增长条件下利用凝聚映射的不动点定理获得了该边值问题解的存在性结果.     

分数布朗运动下的可分离债券定价

假定股票价格服从分数布朗运动,且无风险利率为时间的确定性函数,股票价格的波动率为常数。利用分数布朗运动随机分析理论与方法,建立股票价格服从分数布朗运动的金融市场数学模型,并得到了可分离债券的定价公式。     

广义测度空间上函数的平均值

对于广义测度,除了有类似有界变差函数的 Jordan 分解外,也有类似于全连续函数的 Newton—Leibniz 公式,这就是著名的 Radon—Nikodym 定理,本文利用 R—N定理,证明了广义测度空间上可积函数平均值的若干有趣的性质。设(X,R,μ)是广义测度空间,μ(E)≠0。则所谓 E 上可积函数 f 的平均值,指的是     

关于Lebesgue积分中几个定理的简明证法

设E是n维空间中的可测点集,即0≤mE≤ ∞。本文对Lebesgue积分中几个含积分性质(E上的可积函数的和也是E上的可积函数,且和的积分等于积分的和;E上的可积函数乘以常数也是E上的可积函数,且常数可以提到积分符号之外等等)都给出了既简明又严格的证明。     

最小二乘解的非正规方程刻划

本文证明了:一个解是线性方程的最小二乘解当且仅当它满足相应的非正规方程。把这结果用于统计模型(Y,xβ,σ~2I)我们得到参数函数c’β,在约束H’β=0下可估的两个充要条件:(1)对非正规方程的一切解■、c’■唯一。(2)对非正规方程的一切解■,Ec’■=c’β。     

Heisenberg 群上与薛定谔算子相关的谱乘子的有界性

证明了当函数F满足Mihlin条件时,谱乘子F(L)=integral from n=0 to ∞(F(λ)dEL(λ))在Lp(Hn)(1p∞)及Hardy空间H1L(Hn)上有界.     

随机效应线性模型中 BLUE 关于设计阵的稳健性

对随机效应线性模型(y,X_0β,Aα,σ~2V):y=x_0β+ε,E(_ε~β)=(A_α/0),Cov(_ε~β)(?)给出了下列问题的解:当且仅当 X 满足什么条件时,才能使(y,X_0β,Aα,σ~2V)下任一可估函数ω′_1α(或ω′_2β或ω′_1α+ω′_2β)的所有 BLUE 都是(1)(y,xβ,Aα,σ~2V)下ω′_1α(或ω′_2β或ω′_1α+ω′_2β)的线性无偏估计(LUE)或 BLUE(2)(y,Xβ,Aα,σ~2V)下ω′_1α(或ω′_2β或ω′_1α+ω′_2β)的线性最小偏差估计(LIMBE)或最佳线性最小偏差估计(BLIMBE)     

一类非退化半导体方程弱解渐近性的探讨

探讨了在初值u0,v0∈L2 (Ω)的条件下,一类非退化半导体方程其混和初边值问题弱解的渐近性.在L2 (Ω)空间上构造了一个熵函数,利用带ε的Cauchy不等式和Poincare不等式及弱解的定义,推导出了此函数满足的一个微分方程不等式,通过求解微分方程,证明了弱解的渐近性问题.主要结论是:在满足一定的假设条件下,在L2 (Ω)空间上当t→∞时,非退化半导体方程的解收敛到热平衡方程的解.     

奇异线性模型中最小二乘估计效率的一个注记

考虑奇异线性模型:Yn×1=Xn×pβp×1+εn×1,E(ε)=0,cov(ε)=∑,设β*=(X＇∑+X)+X＇∑+Y,β=(X＇X)+X＇Y。当∑≥0和rank(X)=p时,定义最小二乘估计β与最佳线性无偏估计β*相对效率为e4(β*/β)=||cov(β*)||／||cov(β)||。当∑≥0和rank(X)＜p时,对可估函数c＇β自然考虑两种估计的方差之比的下界,提出的相对效率为e5(β*/β)=var(c＇β*)／var(c＇β)。在μ(X)(?)μ(∑)条件下,给出了它们的下界。关于相对效率的讨论通常有∑＞0的假定,利用矩阵分析的方法将协方差矩阵∑＞0推广至∑≥0的情形,从而包含了Bloomfield-Watson的结果以及推广了Kantorovich不等式。     

一类近于凸函数子族的研究

C.Selvaraj研究了单叶解析函数的一个子族K',在此基础上引进了新的函数族K'β{f(z):f(0)=f'(0)-1=0,其中f(z)在E内解析,g(z)∈C,且zf'(z)/g(z)∈P{β},它是近于凸函数的一个子集,是单叶的.探讨此类函数族的系数估计和半径问题,K'β在积分运算下的一些性质.     

方差分量模型中回归系数的线性估计的可容许性

考虑方差分量模型EY=Xβ,COV(Y)=∑mi=1θiVi,其中n×p 矩阵X和非负定矩阵Vi(i=1,2,...,m)都是已知的,β∈Rp,θi0或θi＞0(i=1,2,...,m) 均为参数.在本文中,我们在二次损失下, 当μ(V1∶V2∶…∶Vm∶X)=Rn时,给出了关于可估函数Sβ的线性估计在线性估计类中可容许性的充要条件.     

方差分量模型中回归系数的非线性估计的可容许性

本文的主要结果如下:方差分量模型:其中:都未知,X已知,v_1≥0,v_2≥0都已知。若S是S×P阵,当Sβ可估时,则在二次型损失函数(Ly-Sβ)′(Ly-Sβ)下得到Ly a在非齐次线性估计类中是Sβ的可容许估计的充要条件。     

一般方差分量模型中参数的联立Bayes估计

1 引言考虑N维随机向量y,它有如下的一般方差分量结构y=Xβ+ε,E(ε)=0,E(εε’)=sub from i=1 to p θ_iV_i=S_1 (1)其中X为已知N×k阵,V_i(i=1、2、…,p)为已知N阶对角矩阵;β∈R~k,θ=(θ_1,…,θ_p)’∈H={θ:sub from i=1 to p θ_iV_i≥0}cR~p为未知参数,H是R~p中有内点的集合。设ε的分量ε_1满足     

Bloch型函数的切向增长性

研究了Cn 中复超球上全纯函数的切向增长率 ,利用全纯函数的切向导数和切向梯度刻划了α Bloch函数空间 ,证明了对f∈H(B) ,当z∈B ,y∈S满足〈z,y〉 =0且α>1 /2时 ,f∈B α 当且仅当supz∈B｜ Tf(z) ｜ ( 1 - ｜z｜2 ) α- 1 2 <∞ ;当且仅当supz∈B｜Tyf(z) ｜ ( 1 - ｜z｜2 ) α- 1 2 <∞。最后通过两个例子说明结论中关于α >1 /2的限制是无法去掉的 ,因而结果是无法改进的。关于小α Bloch函数也得到了类似的结果     

统计模型中广义均方误差的区间估计

研究了带约束条件的线性统计模型( )Y =Xβ+eHβ =γe～N(0 ,σ2 V)中可估函数Cβ的估计Cβ∧H 广义均方误差GMSED(Cβ∧H) ,其中σ2 >0 ,V >0且V已知 ,X为n× p阶已知矩阵 ,且满足R(X) R(V) (R(V) )表示由V的列向量张成的线性子空间 ,H为n× p阶矩阵 ,且R(H′) R(X′) .给出了 1-α其置信区间 ,发展了文 [1],[2 ]中的结果 .     

一般方差分量模型中回归系数的线性估计的可容许性

考虑方差分量模型EY=Xβ,COV(Y)=∑mi=1θiVi,其中n×p 矩阵X和非负定矩阵 Vi(i=1,2,…,m)都是已知的,β∈Rp ,θi0或θi＞0(i=1,2,…,m) 均为参数.在本文中,我们在二次损失下,当V＝∑mi=1Vi≥0时,给出了关于可估函数Sβ的线性估计在线性估计类中可容许性的充要条件,从而有效地把文[5]的主要结果推广为最一般情形.     

毕达哥拉斯正交的齐次方向和相关不等式

研究赋范线性空间中毕达哥拉斯正交的齐次性,并且在毕达哥拉斯正交具有齐次性的条件下证明毕达哥拉斯正交具有唯一性.同时,研究毕达哥拉斯正交的齐次方向与等距反射向量和L2-可和向量的关系,并且证明一个Banach空间X是一个Hilbert空间当且仅当毕达哥拉斯正交的齐次方向关于单位球面的相对内部非空.此外,引入毕达哥拉斯正交的非齐次度量NPx,并且证明NPx=0当且仅当X是一个Hilbert空间.     

与Laguerre展式相关的Hardy空间

研究了关于算子L的Hardy空间H1L.在一定条件下,用算子L的LittlewoodPaleyg一函数刻画Hardy空间H1L,得出定理1.给出与Hermite展式相关的Hardy空间的一些基本结论.得到了与Hermite展式相关的Riesz变换在Hardy空间上的有界性定理,同时证明与Laguerre展式相关的Riesz变换在Hardy空间H1L上的有界性.     

奥伦斯坦——乌伦贝克过程的非线性予测问题

设 U(t)是数学期望为0、协方差函数为 e~-|τ|的奥伦斯坦——乌伦贝克过程。我们将从随机过程 X(t)=f(U(t))着手,其中 f 是满足某些条件的Borel 可测函数。本文将根据观测值 X(s),s≤t,来求得 X(t τ),τ>0的最佳非线性予测量 (t,τ),并给出确定 U(t)值的算法规则。最佳非线性予测量由下式给出: (t,τ)=E{x(t τ)|B_t(x)},其中 B_t(x)是由{X(s):s≤t}所产生的最小σ—代数,并定义 U(t)的半群{Tτ:τ≥0}如下:(Tτf)(x)=∫f(y)[2π(1-e~(-2τ))] exp{- 于是,由 U(t)的 Markov 性,得 (t,τ)=E{(Tτf)(U(t))|B_t(X)}。此外,把迭对数定律应用于布朗运动过程(即 Wiener 过程)并注意到 U(t)的强 Markov 性,可引出如下结果:O(T,ω)= |(f′U(T))|,其中 T 是 U(t)的一个停止时间。我们的讨论要局限于几种特殊情形,同时给出最佳非线性予测量 (t,τ)的显式表达式。