部分线性模型参数分量的M估计的渐近正态性

Engle等人提出了下列部分线性模型Y_i=X_i~tβ_0 g_0(T_i) u_i,1≤i≤n其中(T_1,X_1~t,Y_1),…,(T_n,X_n~t,Y_n)是随机向量(T,X~t,Y)的i.i.d.样本,U_i为随机误差,U_1,…,U_n与(T_1,X_1~t),…,(T_n,X_n~t)相互独立,X∈R~d,T∈[0,1],β_0为未知参数向量,g_n是一光滑未知函数.文献中,有许多学者讨论了关于这个模型的估计问题,包括惩罚函数法、基于分段多项式逼近的最小二乘法和基于核函数近似的最小二乘法.由于上述方法得到的估计不稳健,本文用分段多项式逼近g_0讨论较稳健的M估计.记g_n(t)=(?)(t)~ta为一分段m阶多项式,其段数为M_n,其中(?)(t)是一函数向量,β_0和     

关于线性模型中LS估计相合的条件

考虑线性模型如下: y_i=x′_iβ+e_i,i=1,2,…,(1.1) 其中x′_i=(x_(i1),x_(i2),…,x_(ip))是已知常值向量,β′=(β_1,…,β_p)为未知参数向量,e_i为随机误差。记设计矩阵X_n=(x_1,x_2,…,x_n)′;Y_n=(y_1,y_2,…,y_n)′;S_n~(-1)=(X′_sX_n)~(-1)(S_(ij)~((n)))_(1≤i,j≤n)并且假定当n充分大时S_n满秩,则熟知β的最小二乘(LS)估计(n)有如下表达式:     

协方差改进估计的Pitman优良性

设θ为p×1参数向量,T_1和T_2分别为p×1和q×1统计量,ET_1=0,ET_2=0,它们的协方差矩阵为这里σ~2未知,∑>O(即∑为正定阵).众所周知,当∑_(12)≠0时,T_1不是θ的一致最小方差无偏估计.Rao提出了θ的更好估计θ~*=T_1-∑_(12)∑_(22)~(-1)T_2,称为协方差改进估计.这里所谓“更好”是指:covθ~*=∑ _(11)-∑_(12)∑_(22)~(-1)∑_(21)≤∑_(11)=covT_1,其中A≤B表示B-A≥0.于是,θ~*在均方误差意义下改进了T_1.关于这一方面的进一步结果见文献[2,3].     

部分线性模型中非参数分量的检验

考虑以下部分线性模型 卜X凡 go(T) e;,l引乓。,(l)其中(T,X/,二),l＄1＄。,是随机向量(TX’,Y)的i.iJ样本,X6R‘,TEIO,l],po是未知参数向量,go是一个光滑未知函数,e;是随机误差,它与(T,式),…,(Th人)独立.高集体”基于核估计的两步逼近法得到了一个检验零假设 H。:g。。0的统计量,为了得到其统计量的渐近分布,他要求误差分布具有有限的四阶矩,一些学者I”]在(式,T)为非随机的条件下研究了关于g。的检验问题.文献[3,41等得到了po的估计的渐近分布和go的估计的收敛速度,但用MO的估计来作为检验零假设凡:仇三0的检验统计量.必须得到…     

中位数交叉核实准则

考虑非参数中位数回归模型Y_(ni)=g(x_(ni)) ε_(ni),1≤i≤n,(1)其中g:[0,1]|→R是待估计的连续函数,{x_(ni):1≤i≤n}是区间[0,1]上的非随机设计点列,{ε_(ni):1≤i≤n}是iid随机变量,中位数为零,{Y_(ni):1≤i≤n}是观察值.对x∈[0,1],n≥1,记D_(nj)(x)为x的第j个近邻,j=1,2,…,n,即{D_(n1)(x),D_(n2)(x),…,D_(nn)(x)}为{x_(n1),x_(n2),…,x_(nn)}的一个置换,满足|D_(n1)(x)-x|≤|D_(n2)(x)-x|≤…≤D_(nn)(x)-x|,结按自然顺序消去.令Y_(ni)(x)和ε_(ni)(x)分别表示D_(ni)(x)(1≤i≤n)处的观察值和随机变量.下面的估计g_n(h,x)=(?){Y_(n1)(x),Y_(n2)(x),…,Y_(nh)(x)},(2)(?)表示样本中位数,这个估计称为g(x)的最近邻中位数估计(或者局部中位数估计),其中近邻个数h起着光滑参数作用.h的选择对估计的好坏起着决定性的作用.作者与郑忠     

关于线性模型中回归系数的最小二乘估计的相合性

考虑线性模型Y_1=x_i~′β e_i,i=1,2,…,其中i=1,2,…为已知的试验点列,β=(β_1,…,β_r)′为未知参数,ei,i=1,2,…为随机误差序列。由前n次试验结果算出β的最小二乘估计:     

最小二乘估计相合性的若干结果

(?)≡(x_1,x_2,…)是已知的p维向量序列,e≡(e_1,e_2,…)是随机误差列,β≡(β_1,…,β_i)′是未知的回归系数向量.记S_n=x_1x_1~′…+x_nx_n~′.设当n≥n_0时,S_1~(-1)存在.把p×n矩阵S_n~(-1)(x_1…x_n)的(j,i)元记为u_(nji),则β的最小二乘(LS)估计为     

半参数EV模型的参数估计理论

其中(X,T)为取值于R~p×R~1上的可观测随机向量,T的支撑集为有界闭集,不妨设为[0,1],x为p维不可观测随机向量,β为ρ×1未知参数向量,g是定义于[0,1]上的未知函数.(ε,u~r)~r为p+1维随机误差向量,E(ε,u~r)~r=0,Cov(ε,u~r)~r=σ~2I_(p+1),σ~2>0未知,且(ε,u~r)~r与(X,T)独立.模型(1)属于一类半参数的EV(Erorr-in-Varibles)模型,它表明变量Y关于(x,T)的回归函数E(Y|(X,T))呈偏线性的形式,且变量x不能直接观测到,所能观测到的是受了误差变量μ干扰的变量X.这类模型有着广泛的应用背景,如在经济、林业、建筑、生物、遥感等领     

关于非参数回归核估计的强相合性

令(X,Y),(X_1,Y_1),…,(X_n,Y_n)为取值R~d×R的i.i.d随机向量,对某个p>2,E(|Y|~p)<∞。我们用x及(X_1,Y_1),…(X_n,Y_n)的函数m_n(x)来估计回归函数m(x)=E(Y|X=x)。m(x)的一类非参数核估计定义为     

线性模型中最小二乘估计的强收敛速度

考虑线性模型如下:y_i=x_i~′β+e_i,i=1,2,…, (1)其中x_i~′=(x_(ij),…,x_(ij)为已知常值向量,β′=(β_r,…β_p)为未知参数向量。令设计矩阵X_n=(x_1…,x_n)′;Y_n=(y_1,…,y_n)′;S_n~(-1)=(X_n~′X_n)~(-1)(?)(S_(ij)~n)1≤i,f≤n。熟知β的最小二乘估计(n)有如下表达式     

带约束的线性模型中的可容许线性估计

在Gauss-Markov模型(Y_(n×1),X_(n×p)β_(p×1),σ~2V,V≥0)下,若S_(s×p)β可估,Rao及其他一些作者给出了Sβ的线性估计,在二次型损失函数下是可容许的充要条件。当参数受约束:β′Nβ≤σ~2,N>0时,Hoffmann,Mathew分别就V>0与V≥0的情形,讨论了β的线性估计的可容许性问题。本文将进而给出Sβ的线性估计AY在线性估计类中是可容     

PL过程振动模的收敛速度

设X_1,X_2,…,Y_1,Y_2,…,T_1,T_2,…是三组相互独立的随机变量序列,而且各自为独立同分布的实值随机变量,X_i具有连续分布函数F,Y_i具有普遍分布函数G和T_i具有的分布函数D.在未删失和未截尾下,人们常常考虑基于数据X_i 1≤i≤n对其分布 F(·)的统计推断问题,此时F(·)的非参数极大似然估计是广为使用的经验分布函数F_n(·).     

收敛系统和回归模型中最小二乘估计的强相合性

考虑多元回归模型此处x_(ij)是已知常数,β_1,…,β_p是未知参数,y_i,e_i分别为第i次量测值和量测随机误差。以下,我们记设计矩阵(x_(ij))_(1≤i≤n,1≤j≤p)为X_n,并令Y_n=(y_1,…,y_n)′),β=(β_1,…β_p)′。β的基于前n次量测值Y_n及设计矩阵X_n的最小二乘估计b_n=(b_(n1),…,b_(np))′为     

半局部环上辛群的自同构

本文定出了半局部环(2是单位)上辛群的自同构.定义1 取(β,ν)=(0 1/-1 0),令 T_i(λ)=I~(2n) λE_(osm i)~(2n)),T_(ij)(λ)=I~(2n) λ(E_(isn j)~(2n) E_(isn i)~(2n)),R_(ij)(λ)=I~(2n) λ(E_(ij)~(2n)-E_(n j,n i)~(2n)).T′_i(λ),T′_(ij)(λ)分别表示T_i(λ),T_(ij)(λ)的转置方阵.上面三种形式的阵生成的群记为SP′_(2n)(R).     

Cox偏似然函数的不完全样本效率

1972年,Cox提出一种比例危险率回归模型,假定连续寿命T的危险率函数是 λ(t; Z)=λ_0(t)exp(βz), (1)其中λ_0(t)是未知的基准危险率函数,Z是可以观测的p维列向量(称为协变量),β是未知的p维参数行向量。对β的推断可利用Cox定义的偏似然函数     

一类非线性波动方程组差分格式的理论分析

的初边值问题和周期初值问题的差分计算中的理论问题。其中向量φ=(ψ_1,ψ_2,…,ψ_L)~T为复值函数向量,未知函数X(x,t)为实值函数;μ,δ,ν均为实常数;在文献[1,2]中研究了该类三维非线性波动方程组的三维孤立子问题。在文献[3]中证明了这类非线性波动方程组光滑解的存在唯一性。本文对一维非线性波动方程组的初边值问题给出隐式差分格式,证明了该格式依C~1模的收敛性和稳定性,并由差分解的高阶差商的一致性估计得到了微分方程组广义解的存在性。对多维非线性波动方程组的周期     

实轴上光滑函数类的多重取样的最优恢复

1 引言设自然数r≥2,1≤P,q≤∞。置L_(pq)(R)={f:f在全实轴R上可测且‖f‖_(pq)<∞}。用W′_(pq)(R)表示所有满足如下条件的函数f的集合: (i)f在R上局部r—1次绝对连续; (ii)f∈L_q(R),‖f~(r)‖_(pq)≤1。这里范数‖·‖_(pq)按文献[1]定义为     

相关模型中的Edgeworth展开与随机加权逼近

考虑如下线性相关模型Y=X’β e, (1)其中X=(x_1,…,x_p)’是R~p上的随机向量,Y是R~1上的随机变量,β=(β_1,…,β_p)’是R~p中未知参数向量,e是R~1上的随机误差变量.这里,只有(X’,Y)’是可观测的.我们假定(A.1)E(e\X)(?)0,E(e~2\X)(?)σ~2,0<σ<∞,0相似文献   

条件中位数的核估计

设(X,Y)为取值于R~d×R~1的随机变量。在给定X=x∈R~d的条件下,Y的条件分布函数记为F_x(y)。条件中位数ζ_x定义为ζ_x=inf{y:F_x(y)≥1/2}、设(X_1,Y_1),(X_2,Y_2),…,(X_n,Y_n)为(X,Y)的i.i.d.观察值。我们的目的是利用核函数方法构造ζ_x基于上述观察值的一种估计。令     

无穷维Teichmller空间中测地线的唯一性问题

设[μ]是Teichm(?)ller空间T(Γ)中的一点,且[μ]≠[0].当T(Γ)是有限维时,[μ]中的极值Beltrami微分唯一,并且测地线段α:[tμ_0](0≤t≤1)是连接[0]与[μ]的唯一测地线段,这里的μo是[μ]中唯一的极值Beltrami微分.但是,当T(Γ)是无限维时,[μ]中的极值Beltrami微分不一定唯一.第一个反例由Strebel给出,该反例被称为Strebel烟囱.由此,Gardiner于1988年提出下面的基本问题:Gardiner问题 设[μ]是无穷维Teichm(?)ller空间 T(Γ)中的一点,且[μ]中有两个极值Beltrami微分μ_1和μ_2.那么连接[O]与[μ]的测地线段α_1:[tμ_1](0≤t≤1)与测地线段α_2:[tμ_2](0≤t≤1)是否相同?对于Gardiner问题,Li Zhong首先给出万有Teichm(?)ller空间中α_1与α_2不同的例子.之后,Tanigawa与Li Zhong分别给出了一般的无穷维Teichm(?)ller空间中α_1与α_2不同的例子,从而给予Gardiner问题否定的回答.进一步,人们自然会问:Gardiner问题中的α_1与α_2在什么条件下相同?在什么条件下不同?Tanigawa,Li Zhong以及沈玉良分别给出一些无穷维(或万有)Teichm(?)ller空间中α_1与α_2不同的充分必要条件.本文找出了无究维Teichm(?)ller空间中α_1与α_2相同的充分必要条件.