广义G-M模型参数估计的一种新的相对效率.docxVIP

前言 前 言 在线性模型参数估计理论与方法中，最小二乘估计方法占有中心基础的地位【22】． 在通常情况下，最佳线性无偏估计很难计算出来，当用最小二乘估计来代替最佳线性 无偏估计时，估计的精度就要蒙受一些损失【21】．为了度量这种损失，—些作者研 究了最小二乘估计相对于最佳线性无偏估计的相对效率【1 7】，【191，【20】，常用的几 种方式有 e舻)=跚， 洳)=器trcov(∥l， 以耻糕掰， 此处I A I表示矩阵A的行列式，tr(A)表示矩阵A的迹，0 A Il表示矩阵A的 欧氏模． 本文定义了—种新的相对效率 琊，=[篙器一Ⅲ． 并给出了相对效率的上下界以及与广义相关系数的联系． 本文共四章，第一章是基础知识，由三部分组成．第一节介绍线性模型的概念以 及—般线性模型的形式；第二节介绍线性模型中的最小二乘估计与最佳线性无偏估 计；第三节介绍广义G-M模型的概念．第二章介绍线性模型相对效率的概念，以及 相对效率几种常用的表示方法．第三章是全文的主体，给出了广义G．M模型相对效 率的概念，相对效率常用的几种表示方法，这—部分定义了—种新的相对效率，并给 出了相对效率的上下界以及与广义相关系数的联系．最后第四章是结论部分． 第一章基础知识 2 第一章基础知识 一引言 研究—个(或—组)变量与另—个(或另—组)变量之间的关系，在几乎所有的科学分支中都是非常重要的．而变量之间的关系大体上可分为两类，一类是确定性关系，即数学上的函数关系；另—类是非确定性关系，又叫统计相关关系．例如某种 农作物在单位面积上的产量y与施肥量Xl、浇水量扔、种籽％(定性变量)就 有着非常密切的关系，但对给定的XI=zl，)白=X2，Xs=z3来说，y还是不确 定的．事实上，y是一随机变量，其概率分布与自变量(Xl，魁，托)T：=X所取的 值(Xl，z2，x3)T：=X密切相关．作为自变量的X可以是—维的，也可以是多维的； 可以是定量变量，也可以是定性变量；可以是非随机变量，也可以是随机变量(甚至 —部分分量随机，另—部分分量不随机)．因变量(又叫响应变量)y与自变量(又 叫预测变量或预报变量)X=(XI，恐， ，．磁一1)T(在上面的例子中P=4)之间的 这种统计相关关系可表示为 Y=弘(zI，X2， ，酃一1)+￡， 其中弘@l，X2， ，绵一1)是在给定X：=(XI，X2， ，茸一1)T=0l，X2， ，即一I) 的条件下，因变量y的平均值(条件数学期望)，即 弘(zl，X2， ，zp_1)=E(YIX,一Xl，．磁=X2， ，叉-p—l=zp—1)， 且p(zl，X2， ，酃一1)中含有若干个(比如说P个)未知参数岛，历， ，伟一1，丽 E为随机误差，满足Ee=0． 第一章基础知识 3 特别，当肛(zl，X2， ，％一1)为未知参数岛，历， ，伟一1的线性关系，即p(zl，X2， ，X,p一1)=∑岛易(zI，X,2， ，X,p一1)时，称因变量y与自变量X=(Xl，魁， ， ．砗一1)T之间的统计相关关系为线陛统计模型，简称为线性模型．这样，—个线陛模 型是因变量y与自变量X=(Xl，X2， ，墨一1)T之间如下类型的一种统计相关 关系 Y=∑pjfj(xl，％ ，绵一1)+6 j=o 其中岛为未知参数，fax,，X2， ，Xp—1)0=0，l， ，p-1)为(zl，z2， ，唧一I)丁 ：=z的某种已知函数(不含未知参数)，e为随机误差，满足Ee=0，通常还假定 DE：仃20． 二线性回归模型 线性模型是—类统计模型的总称，它包括了线性回归模型、方差分析模型、协方差分析模型和线性混合效应模型(或称方差分量模型)等． 定义若 肛(zl，2：2， ，Xp一1)=E(Y]XI=Xl，X2=X,2， ，墨一1=％一1) =岛+仇zI十 +岛一1％一1， 其中岛，历， ，岛一1为未知参数，则称模型 Y=肛(zl，X,2， ，X,p一1)+e， 欧=0， De=仃2 为线性回归模型． 易见，线性回归模型是一种特殊的线性模型，即y关于X的理论回归函数是 关于未知参数阮，风， ，岛一1的线性函数，且岛的系数为1． 第一章基础知识 4 若在第i次实验(观测)中，自变量Xl=靓l，尥=z蹈 ，墨一1=鼢，p．-I，因 变量Y的观测值为M，i=1，2， ，佗，独立，则应有 K=岛+pl以l+ +伟一lXi，p一1+∈i， i=1，2， ，礼 独立． 用矩阵的形式记这些方程，有 Y=Xp+e， 其中 M l 研 Zl-P一1 岛 ％ 1 如 X2，p一1 pl Y= 、X= ，p= ； K l ％ Xn,p——1 岛一1  e2 en 且E满足Ee=0，De=盯2厶，盯20，我们称此矩阵形式的回归模型为线性回归模 型． §1．2 LS估计与BLU估计 一L