分布自由的回归函数核估计的收敛速度

设(X1,Y1)、(X2,Y2)、…是取值于Rp×R上的随机向量(X,Y)的一列i.i.d样本,回归函数m(x)=E(Y|X=x)的核估计为mn(x)=n∑i=1 YiK(x-Xi/hn)/n∑i=1 K(x-Xi/hn)在不要求X具有密度函数f(x),对分布自由,即对所有X的分布μ和在核函数改进为包括无界支撑的,甚至不可积的情形下得出了回归函数m(x)=E(Y|X=x)的核估计及在删失情形下的收敛速度.     

φ—混合序列下回归函数估计的相合性

本文在样本序列{(X_n,Y_n),n≥1}为φ-混合的,平稳的情形下讨论了回归函数m(x)的最近邻估计m_n(x)的L_p相合性和强相合性,并给出了它在非参数k_n-NN判别中的一个应用。     

φ-混合下回归函数改良核估计的一致强相合速度

考虑非参数回归模型Yi=r(Xi) εi,1≤i≤n ,(Xi,Yi)是 φ -混合的随机变量 ,取值于R×R ,且 (Xi,Yi)d=(X ,Y) ,考虑回归函数r(x) = (Yi｜Xi=x)的改良核估计的一致强相合速度 .在与独立随机变量情形Nadaraya -Watson估计的结论相近的条件下 ,达到了回归函数估计的一致最优速度     

φ—混合下回归函数改良核估计的一致强相合速度

考虑非参数回归模型Yi=r(Xi)+εt,1≤i≤n,(Xi,Yi)是ψ-混合的随机变量,取值于R×R,且(Xi,Yi)d＝(X,Y),考虑回归函数r(x)=E(Yi|Xi=x)的改良核估计的一致强相合速度.在与独立随机变量情形Nadaraya-Watson估计的结论相近的条件下,达到了回归函数估计的一致最优速度.     

非参数回归函数核估计的一致强收敛速度

设(X,Y)为d×1随机向量,f(x,y)为其概率密度函数,(X_i,Y_i) i=1,2,…,n为抽自f的i. i. d. 样本,m(x)(?)E(Y|X=x)称Y对X的回归函数。Watson (1964),Nagaraya (1964)提出用m_n(x)=sum from i=1 to n (Y_iK(?))/sum from i=1 to n (K((x-X_i)/h_n))估计m(x),其中K(x)为R~d上的概率密度,h_n>0,h_n→0(n→∞),这种估计称核估计。引入记号:ω(x)(?) integral from R~1 to ∞(yf(x,y)dy),g(x)(?) integral from R~1 to ∞(f(x,y)dy),又ω_n(x)(?)1/(nh_n~d) sum from i=1 to n (Y_iK)((x-X_i)/h_n),g_n(x)(?)1/(nh_n~d) sum from i=1 to n (K((x-X_i)/h_n)),它们分别是ω(x)和g(x)的估计。则m(x)=ω(x)/g(x),m_n(x)=ω_n(x)/g_n(x)(约定0/0=0)。当d=1时,E. Schuster和S. Yakowitz(1979)证明了在一组条件下,存在常数c>0,他对(?)ε>0,当n充分大时,其中,     

NA样本回归函数递归型估计的强相合性

本文在NA相依样本下给出了非参数回归函数加权递归核估计gn(x)=n∑(i=1)yi(xi-xi-1)/hi K(x-xi/hi)的渐近无偏性和相合性的充分条件。其中这里得到的充分条件与一般加权回归函数核估计的相合性几乎完全一致。     

Directly—Rieman积分的中值定理

本文在研究Directly—Rieman积分〔1〕,〔2〕的基础上,得到了Directly—Rieman积分的中值定理。 1 引言 定义1.设f(x)是定义在[0, ∞)是的函数,对每一个正数h及履n=1,2,3……,记sup{f(x)|(n-1)h≤x≤nh}为(?)(f)或(?)(h)或(?) inf{f(x)|(n-1)h≤x≤nh}为m_n(f)或m_n(h)或m_n或对于每一个正数h>0,级数     

强混合删失数据密度函数估计的r阶相合性

在α-混合序列下,研究了基于删失数据的密度函数f(x)核估计的r(r>2)阶相合性,并给出了失效率函数λ(x)的估计,且证明了其r(r>2)阶相合性.     

基于平稳遍历函数型数据改良核回归估计渐近正态性

文章基于解释变量X具有函数特征而响应变量Y取值于实数空间R的条件下,研究了基于平稳遍历函数型数据改良核回归估计的渐近性质。利用经典的N-W核估计的方法构造了回归函数r(x)的改良核估计,在一定的条件下,应用鞅差中心极限定理建立了基于平稳遍历函数型数据改良核回归估计的渐近正态性,从而推广了现有文献中的相关结果。     

回归函数的混合型核估计的一致强收敛速度

设(X,Y)为取值于R~d×R~1的随机变量,(X_i,Y_i) i=1,2,…,n是取自(X,Y)的i·i·d·的样本,E|Y|<∞.用m(x)=E(Y|X=x)表示回归函数。m(x)的一种重要的核估计是Stone(1977)提出了一种把经典的最小二乘估计与非参数的权函数估计结合起来去估计m(x)的方法。在这篇文章里,讨论了把上述核估计与最小二乘估计结合起来所得的m(x)的混合型核估计的强一致收敛速度。     

α混合下非参数回归函数基于分割估计的强相合性

文章在样本序列(X1,Y1),(X2,Y2),…,(Xn,Yn)取值于Rd×d1上同分布的α混合随机向量序列的情形下,研究了非参数回归函数m(x)=E(Y|X=x)基于分割估计的强相合性。     

连续时间下非参数回归模型的回归函数核估计量的一致均方收敛速度

研究了连续时间下非参数回归的回归函数核估计量的收敛速度，给出了一定条件下回归函数估计量rt(x)的一致均方收敛速度，详细证明了两组条件下rT(X)分别满足：E(supx∈S|rT(X)-r(x)|)^2=0(T^-1/2)和E(supx∈S|rT(x)-r(x)|)^2=0(lnT)^2/S T^-1/2),其中r(x)表示未知的回归函数。     

相依样本条件t-分位数核估计的强收敛速度

在一定条件下,得到了φ混合样本条件t分位数的核估计强收敛速度,即定理　对同分布的φ混合样本(X1,Y1),…,(Xn,Yn)∈Rd×R1,若 X1具有边际密度函数f; 条件分布函数F(y｜x)在(x,θx(t))的邻域内具有连续的密度函数f(y｜x); ∑nφ(n)<∞; h=(n-12logn)1d 1,0相似文献   

一种加权对称损失函数下一类指数分布模型参数的估计

对刻度参数指数分布模型c(x,n)θ-v e-T(x)/θ提出了一种新的损失函数——加权p,q对称熵损失函数L(θ,δ)=θp/pδp +δq/qθq -2(p,q＞O,q＜v),并用它研究了刻度参数θ的估计.得到了参数θ的最小风险同变估计与Bayes估计的一般形式与精确形式,这两种估计形式比已有文献中相应形式更为简捷...     

条件函数逐点估计的最优收敛速度

基于严平稳α-混合样本,本文获得了条件函数γ_t(x)-E(β_t(Y_1)|X_1=x)核估计的逐点最优收敛速度|γ_(tN)-γ_t(x)|=O_p(n~(-1(2+d))).     

ND样本加权回归函数估计的强相合速度

设{ε_i,1≤i≤n}为ND随机误差序列, 利用ND序列的Bernstein不等式, 在非参数回归模型Y_i=g(x_i)+ε_i(1≤i≤n)下, 研究未知函数g(x)加权核估计g_n(x)的强相合速度,
从而将加权回归函数估计的相合性推广到ND样本.     

m-WOD序列密度函数和失效率函数核估计的强相合性

设{Xn, n≥1}为一同分布的m 宽象限相依(m-WOD)序列, f_n(x),r_n(x)分别为密度函数f(x)基于样本X₁,X₂,…,X_n的核估计和失效率函数核估计. 在适当的假设条件下, 利用m-WOD序列的矩不等式和Borel Cantell 引理, 证明核密度估计及失效率函数核估计的强相合性和一致强相合性.     

m-WOD序列密度函数和失效率函数核估计的强相合性

设{Xn, n≥1}为一同分布的m 宽象限相依(m-WOD)序列, f_n(x),r_n(x)分别为密度函数f(x)基于样本X₁,X₂,…,X_n的核估计和失效率函数核估计. 在适当的假设条件下, 利用m-WOD序列的矩不等式和Borel Cantell 引理, 证明核密度估计及失效率函数核估计的强相合性和一致强相合性.     

一类粗糙核奇异积分算子与Lipschitz函数生成的交换子的有界性估计

引入了一类粗糙核奇异积分算子与Lipschitz函数生成的交换子Tb=b(x)Tf(x) - T(bf)(x),T表示具有粗糙核Ω∈n/L(n-a) (Log(Sn-1))的奇异积分算子,b是Lipschitz函数,并研究了此交换子的LP(Rn)到L2(Rn),1/2=(1/p)-(α/n)有界性.     

相依样本条件t-分位数核估计的强相合性

对φ-混合样本下条件t-分位数θx(t)的核估计θx,n(t)，取消核函数的支撑为紧集的限制，同时放宽对混合系数的要求，研究了其强收敛性，该结果拓宽了核估计θx,n(t)的适用范围。