摘要：对平衡线性混合模型,随机效应的设计阵具有一定结构,定义了一种新的矩阵序,借助于这种新序,提出了协方差阵谱分解的一种新方法,与现有的两种方法相比较,新方法的突出的特点是能够给出协方差阵不同特征值的精确个数,以及谱分解中不同特征值对应的投影阵与随机效应的设计阵之间的关系,基于新的谱分解结果,(1)证明了平衡随机模型的方差分析估计为最小方差无偏估计;(2)证明了在一定条件下,一般平衡线性混合模型的方差分析估计也具有最小方差无偏性;(3)给出了一般混合模型的极大似然方程显示解存在的一个较易验证的判定定理,并给出了显示解存在时解的一般形式;(4)清晰地显示了谱分解估计的构造原理,并找到了谱分解估计与方差分析估计相等的充要条件,

摘要：对于含有两个方差分量的随机效应设计阵为任意阵的线性混合模型的方差分量单边检验问题给出了精确的F检验和基于广义p值的检验.对于给出的精确的F检验给出检验存在条件以及是一致最优无偏检验的条件.通过数值模拟,基于广义p值检验的功效和犯第一类错误的概率被讨论,由模拟结果可以看出基于广义p值的检验很好地控制了犯第一类错误的概率.

摘要：【目的】提出针对无重复试验数据进行分析的方法,并演示用SAS提供的Proc mixed程序分析无重复试验数据的过程。【方法】基于国际标准统计分析软件(SAS)的Proc mixed过程和实际试验设计,应用线性混合模型对作物育种中的无重复试验数据进行分析,在分析植物育种无重复试验数据特点和传统方差分析法应用缺陷的基础上,将线性混合模型分析法中利用协方差结构反映试验误差特征的原理,用于植物育种无重复试验数据的统计与分析中,采用模型拟合信息量准则选择最优的试验误差协方差结构模型,最后进行实证分析。【结果】线性混合模型分析法给出了植物育种无重复试验品系产量效应估计及其差异显著性测验的结果;采用效应估计值得到的品系效应排序及入选优良系,与直接采用品系产量观测值法所得的结果存在较大差异;误差协方差结构模型的选择,对无重复试验分析结果的影响较大。【结论】利用线性混合模型原理和SAS软件的Proc mixed程序,可实现对植物育种无重复试验数据的分析,能解决植物育种无重复试验品系间可比性差及不能进行效应差异显著性统计测验的问题。

摘要：对于随机效应部分为一般平衡多项分类的线性模型,将王松桂等[1]提出的一种称之为谱分解估计(SDE)的参数估计新方法推广到具有病态设计阵的线性模型,提出了部分岭型谱分解估计,通过类似于主成分估计的降维模型变换,可以很方便的研究它的抗干扰性和其它重要性质.本文的结果可以很方便的应用于Panel模型.

摘要：为了实现高光谱图像的有效压缩采样与重构,对分布式压缩采样的高光谱数据应用线性混合模型进行重构。首先,在图像采集阶段,针对高光谱图像的空谱特性,应用分布式压缩采样策略对高光谱数据进行采集;在数据重构阶段,应用高光谱图像的线性混合模型假设,先对压缩数据进行端元数目的估计,再利用估计的端元数来估计丰度矩阵,根据端元特征信号的稀疏性质提取端元矩阵,从而重构出原始的高光谱数据,抛弃了压缩感知重构算法中高计算复杂性的欠定问题求解。实验结果表明:在压缩采样数据为总数据的20%时,重构的平均信噪比比压缩投影主成分分析算法提高了15dB以上,同时该方法还便于获得端元和丰度信息。所设计的压缩感知方案采样方式简单,重构速度快、精度高,可应用于星载或机载的高光谱压缩感知成像。

摘要：大量采集航空像片冠幅x与地面树木直径y的相关资料,指出一群由树冠"亮点集"组成的航空像片图像是"冠幅"检测的必要条件,并从专业的角度论证航片冠幅x与树木直径y应满足带截距的线性相关关系。由于树冠密度的随机干扰,使得冠幅x与直径y不满足等方差条件,所以必须在原来固定参数线性模型的基础上引入随机效应参数。本文采用"样地"作为随机效应的构造变量,"树冠类型"为组变量,它们的叉积构造"随机效应"参数的设计矩阵,从而构造出航空像片冠幅x与树木直径y的线性混合模型,由此获得总体y的最优无偏估计,线性混合模型的相关系数由一元线性模型的0.57平均提高到0.72。线性混合模型的实质是在固定参数方程上迭加随机"噪声"。由于数据经过标准化处理,带有随机挠动的预测方程参数与航空像片比例尺无关。

摘要：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．它在生物、医学、经济、金融、环境保护、工业设计等领域都具有广泛应用．近年来关于这个模型的理论和应用研究都有了长足的发展．本文将概述它在参数估计，假设检验和模型分析等方面的一些重要新结果．

摘要：【目的】考虑湖南杉木人工林的立地条件、林分密度和林分年龄,基于混合效应构建最适宜的林分平均高与优势木平均高相关关系模型,为湖南杉木人工林的立地质量评价与可持续经营提供理论依据。【方法】以湖南省内设置的512块杉木样地数据为基础,基于基础线性模型,利用数量化方法Ⅰ、k-means聚类和线性混合效应回归建模方法,构建基于混合效应的湖南杉木林分平均高和优势木平均高相关关系模型。【结果】1)采用数量化方法Ⅰ筛选出坡位、坡形、土壤类型、土壤厚度、株数密度和土壤松紧度是对高比值(林分优势木平均高和林分平均高之比)影响显著的因子;2)构建线性混合效应模型可以显著提高建模精度,立地类型作为随机效应加在参数b上时确定系数最高,相对于基础线性模型,其确定系数从0.790158提高到0.914348。3)构建基于聚类的线性混合效应模型可以进一步提高建模精度,立地类型组作为随机效应加在参数b上时确定系数最高,确定系数达到了0.9435128,相对于基础线性模型,确定系数提高了19.41%,平均绝对误差降低了53.89%,均方根误差降低了48.11%;4)添加株数密度和林分年龄作为固定效应对模型精度提升不明显。【结论】林分密度和林分年龄对林分平均高与优势木平均高相关关系无显著影响;基于立地效应的混合模型可以反映平均高与优势木平均高相关关系变化的整体趋势,也可以体现立地条件差异对两者相关关系的影响,模型精度更高,适用性更好。

摘要：研究提出了一个同时含有主效基因和微效多基因的混合模型连锁分析方法。首先应用LASSO方法快速估计线性混合模型(LMM)非零的主效位点,并将这些位点效应视为固定效应;而后把基于约束极大似然法(REML)估计得到的微效多基因效应再放入LMM中作为随机效应;从而最终实现QTL遗传参数估计和基因定位连锁分析。针对系谱群体的定位分析,该模型,即LASSO-LMM法,不仅很好地继承了单独LASSO法的计算速度,而且还具有比单独LMM法更好的遗传参数估计稳健性。为了具体比较这3种定位方法,采用计算机模拟数据验证。结果表明,相比于单独LASSO法和单独LMM法,LASSO-LMM法在QTL遗传参数估计和统计效力上总体表现出更高的估计精确度和检测效率。

摘要：线性混合效应模型在统计领域应用广泛,但多响应线性混合效应模型的设计问题很少被关注。研究了多响应线性混合效应模型的A最优设计,以随机效应的精准预测为目标定义最优准则,推导出相应的等价性定理来刻画最优设计。以一个具体模型为例,求解了具体的A最优设计。