一类含随机效应生长曲线模型的谱分解估计-OK.docVIP

一类含随机效应生长曲线模型的谱分解估计 崔伦建 （华北水利水电大学 数学系,河南 郑州 450000） 摘要:对于含随机效应的生长曲线模型,当随机效应阵D和误差阵R为数乘单位矩阵时,利用向量化算法把模型转化为含两个方差分量的混合效应模型,利用谱分解法能够同时得到模型的固定效应和随机效应的谱分解估计并且给出了估计的性质. 关键词:随机效应; 谱分解; 方差分量 中图分类号：O212 文献标识码：A 0 引言 生长曲线模型(简称GCM)是1938年Wishart在研究不同组间动植物的生长情况时引入的,该模型在计量经济,生物育种,医药研究以及流行病学等领域有着极为广泛的应用．由于研究的目的和样品取法不同,有时效应不能看成是固定的,而应该看成是随机的,即含随机效应的生长曲线模型．其定义如下: ， (1) 其中Y为观察矩阵,X、A为已知设计矩阵,为随机效应矩阵,,为误差阵,,从而,进一步假定,,均服从多元正态分布,即,,. 对于含随机效应的生长曲线模型而言,由于其的未知性和结构的特殊性使得回归参数估计以及协方差估计计算量大且复杂,处理过程中受到诸多因素限制.因此,需要对模型（1）作变形处理,把它化为一般的混合效应模型,利用向量化运算和Kroneker乘积把模型（1）转化为模型（2）， . （2）的一些常见重要估计:MLE,BLUE产生了影响,文[1]给出了的BLU估.文[2-3]研究了模型（1）在观察阵X,W, Y及,已知时, 回归参数阵的可估函数在非负定意义下的最佳线性无偏估计,同时给出了模型中随机效应和随机误差两种不同性质的随机变量的协方差阵,及其线性函数的最小二乘估计,并讨论了估计的一些优良性.文[4-5]在此基础上给出了回归参数的MLE,BLUE与LSE相等的条件以及两步估计及其无偏性. 对于模型(2),文[6] 给出限制极大似然估计(REML).文[7]给出了非负的最小二乘估计[LS].文 [8]在一元混合模型下提出的谱分解估计[SD].文[9]年给出了一种确定互异特征根个数和协方差阵谱分解结构的简单方法.文[10]得到非负改进的SD估计,并且较SD估计具有一致小的均方误差.文[11]在2009年给出了含两个方差分量的多元混合效应模型方差分量矩阵的估计.文[12]给出了多元线性混合模型方差分量矩阵的非负估计.文[13]给出了具有异方差的线性和混合效应模型参数的谱分解估计. 1 谱分解估计基础 SD估计的基本思想是对协方差进行谱分解,对原模型进行适当变换,就可以获得若干个新的奇异模型,这些模型的协方差除了一个标量外,不含未知的方差分量,利用最小二乘统一理论,由每个模型都可以得到固定效应和特征值的一个估计,然后由这些特征值的估计便可推导出方差分量的估计. 引理1 设,为n阶实对称阵,那么当任意的和（）可交换,即=（）时,可同时对角化. 引理2 对于任意非负实数和非负定矩阵,,矩阵的特征值皆为的线性组合的充要条件为可同时对角化. 引理3 对于线性模型,可估函数的一个无偏估计为BLU估计,当且仅当它满足 , 这里为零的任一无偏估计,即. 对于模型（2）,把其按照随机效应的各分量的不相关性进行分块总可以化为.其中是随机效应,是对应于的已知设计阵, 互不相关,且,. 令,,此时模型进一步变为如下形式， . （3） 易知的协差阵为. 对于的协差阵中的和（）,,又知和（）为实对称矩阵,易知, ,即, 可交换.由引理2可知特征值皆为方差分量的线性组合,其谱分解有如下表达式， . 其中,,()分别为的全部互不相等的特征值及其相应的特征向量矩阵, 由引理1知存在一个正交矩阵,使得,即,,则=,=0（）,==,=,其中和皆与未知的方差分量无关. 用左乘模型（3）,并记,,,则得到变换后的新模型 ,,. (4) 易知,是奇异阵,所以该模型是个奇异线性模型.注意到,有最小二乘统一理论[14]可知,模型的任一可估函数的BLU估计以及的无偏估计分别为 ， ， ,这里,称这些估计为和的SD估计. 从中任意选k个非零的.为简单记,记,.相应地记,,其中.容易验证.将代入中对应的分量,记之为.令.由于可逆,故,称为的一个SD估计.因此, SD估计不一定是唯一的.只有中非零的个数恰好等于未知的方差分量的个数时,方差分量的SD估计才唯一. 2 含随机效应生长曲线模型的谱分解估计 含随机效