一类半参数回归模型二阶段估计的渐近理论

考虑回归模型yi＝xiβ＋g（ti）＋ei，1≤i≤n，g为R1上未知函数，β为p×1维待估参数向量．基于近邻权函数利用文献[1]中给出的方法建立了β和g的估计量βn，gn，并且证明了它们具有很好的大样本性质     

基于混合样本的污染线性模型的非参数估计

研究污染线性模型 :yi=(1 -ε)xTiβ zi,1≤i≤n .设误差序列 {zi}是平稳的α 混合序列 ,fε(x)为其公共的未知密度函数 ,在假定Ez2 i<∞的情况下 ,讨论了基于残差的 fε(x)核估计的相合性及其收敛速度 .并构造了污染系数ε及回归参数 β的非参数估计 ,建立了估计量的强相合性及强收敛速度 .     

纵向数据线性混合效应模型的统计分析

考虑纵向数据的一般线性混合效应模型.在不设定误差和随机效应分布类型已知的情况下,给出了随机效应本身,回归系数和误差方程的估计量.并在一般设计点列和一般矩条件下,建立了估计量的强相合性和渐近正态性.     

φ-混合样本的核密度估计的强一致相合性

一、引言设{X_n}是乎稳、φ混合随机变量序列(例如见文献[1]),X_1的未知概率密度为f(x)。对每一n≥1,基于X_1,X_2,…,X_n,定义f(x)的核估计为     

一般核下最近邻估计的一致收敛速度

§1.引言及主要结果 设X_1,…,X_n是来自某个具有分布F和密度f的一维总体的iid样本。为估计f,Loftsgarden和Quesenberry提出了如下方法:选定一个与n有关的自然数走k_n找最小的     

半参数模型误差分布小波估计的渐近理论

考虑半参数模型Ｙ＝ＸＴβ＋ｇ（Ｔ）＋ε,其误差是ｉ．ｉ．ｄ随机变量,具有公共未知密度ｆ（ｔ）。基于残差构造ｆ（ｔ）的小波估计＾ｆｍ（ｔ）,在适当条件下,证明了该估计的弱相合、强相合、渐近正态性和收敛速度。     

Bayes判别的小波方法

在非参数Ｂａｙｅｓ参数判别问题结全小波方法,给出了Ｂａｙｅｓ规则的小波估计,并在此基础上,建立了后验错判概率Ｌｎ与Ｂａｙｅｓ风险Ｒ的收敛关系及收敛速度。     

半参数回归模型局部多项式估计的渐近性质

利用最小二乘局部多项式方法建立了半参数回归模型参数分量、非参数分量和误差方差的局部多项式估计,在适当的条件下,得到它们的渐近正态性和最优收敛速度。     

纵向数据的混合效应模型

考虑如下的线性混合效应模型:.其中αi为随机效应部分,{εik}对同一i而言是平稳的α-混合序列.使用特征函数的方法估计了随机效应的密度函数以及模型的参数β,并研究了估计量的大样本性质.     

基于截断数据分布函数的核估计

讨论了一类截断数据，分析了以往截断数据分布函数估计的主要结果．在此基础上，提出了一个核估计方法，建立了分布函数的核估计量表达式，并在紧支撑等一定条件下，研究了估计量的渐近性质，并分别证明了估计量的强相合性及收敛速度．最后，给出了一个模拟计算的例子．结果显示，这种核估计方法是可行有效的．