Nonnegative Minimum Biased Invariant Estimation in Variance Component Models
方差分量模型中的非负最小偏差不变估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论一般方差分量估计，双向嵌套随机模型不足以直接确认为面板数据研究。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
方差分量模型中的非负最小偏差不变估计
- 研究问题
- 在一般方差分量模型中，如何构造对均值平移不变、始终非负且偏差最小的二次估计量，并选择其中最小范数的估计？
- 方法与思路
- 作者先利用不变性约化模型，再在半正定矩阵锥上最小化偏差，通过充要条件及非线性锥约束广义逆刻画最小范数解。
- 材料陈述的贡献
- 摘要称，此类估计量总是存在；特定协方差子空间下可化为普通凸二次优化，并在能够无偏非负估计时得到非负 MINQUE。
- 阅读关注点
- 应核对偏差与范数的定义、锥约束广义逆的计算方式，以及化为凸二次优化和得到非负 MINQUE 各自需要的条件。
- 阅读边界
- 仅据版本未注明的索引摘要；摘要未给出具体优化问题及条件细节，存在性与最小偏差不等同于有限样本均方误差最优。
原文摘要
In a general variance component model, nonnegative quadratic estimators of the components of variance are considered which are invariant with respect to mean value translations and have minimum bias, analogously to estimation theory of mean value parameters. Here the minimum is taken over an appropriate cone of positive semidefinite matrices, after having made a reduction by invariance. Among these estimators, which always exist, the one of minimum norm is characterized. This characterization is achieved by systems of necessary and sufficient conditions, and by a nonlinear cone-restricted pseudoinverse. A representation of this pseudoinverse is given, that allows computation without consideration of the boundary. In models where the decomposing covariance matrices span a commutative quadratic subspace, a representation of the considered estimator is derived that requires merely to solve an ordinary convex quadratic optimization problem. As an example, we present the two-way nested classification random model. In the case that unbiased nonnegative quadratic estimation is possible, this estimator automatically becomes the "nonnegative MINQUE". Besides this, a general representation of the MINQUE is given, that involves just one matrix pseudoinversion in the reduced model.