论文部分内容阅读
线性混合模型是既包含固定效应又包含随机效应的一类线性模型,它被频繁应用于生物、医学、经济、抽样设计和质量控制等过程.作为线性混合模型的一个重要研究方向,该文研究的含有两个方差分量的混合效应模型颇受统计学家关注.但很多现有的研究成果都是针对平衡模型得到的,对非平衡模型参数估计的研究并不多.对于实际中经常遇到的非平衡模型如果忽略模型的非平衡性,会带来估计精度下降等一系列问题.该文研究了一类比较一般的含两个方差分量的非平衡混合效应模型.在充分考虑了模型非平衡性和设计阵特殊结构的基础上,提出了模型参数的新估计.众所周知,当方差分量已知时广义最小二乘估计(Generalized Least Square Estimate,GLSE)是对于固定效应的最佳线性无偏估计(Best Linear Unbiased Estimate,BLUE).但方差分量通常是未知的,GLSE不可行.因此在实际中一般使用最小二乘(Least Square,LS)估计或两步广义最小二乘(Estimated Generalized Least Square,EGLS)估计.但是这两种方法存在估计精度低或需要迭代、计算比较复杂的问题.该文研究了固定效应的一个无偏估计类,在均方误差标准下,利用约束非线性最优化方法找到了一种均方误差(Mean Square Error,MSE)意义下最优且计算比较简单的新估计——最佳组合估计(Best Compound Estimate,BCE).在均方误差标准下,我们从理论上证明了其一致优于Yang等(2001)<[43]>提出的估计,并给出了BCE优于最小二乘(LS)估计的充分条件.同时对于混合效应,我们也给出了一种计算相对简便的非迭代估计.最后我们通过模拟方法将我们给出的估计与两步广义最小二乘(EGLS)估计等现有研究成果作了比较.模拟结果表明,BCE在估计精度上与两步广义最小二乘(EGLS)估计相当,但计算上比其简单;同时与最小二乘(LS)估计不同,BCE对非平衡程度较大的模型也具有很好的稳健性.