基于平稳α-混合左删失数据众数核估计的渐近正态性

文章研究了基于平稳α-混合左删失数据下密度函数一阶、二阶导数的核估计及众数核估计,在一定的条件下获得了导数核估计量的强一致收敛性、收敛速度及众数核估计量的渐近正态性;同时给出了众数估计的置信区间,最后,通过数据模拟显示了主要结论的合理性.     

函数型非参数密度伪估计的一致收敛速度

首先构造函数型非参数随机变量X的密度伪估计~f(x)和众数θ的估计nθ,在比较自然的条件下,得到基于独立同分布函数型数据非参数密度伪估计的几乎完全一致收敛速度,以及基于函数型独立场合下非参数众数估计θn的几乎完全一致收敛速度,并推广了现有文献的相关结论。     

非线性模型的众数回归估计

本文应用众数回归方法来考虑非线性模型的估计时把调整参数当作常数, 在适当的条件下得到了估计量的 √n 收敛速度, 该结果改进了已有的众数回归估计(把调整参数当作变量)的结果. 本文还做了一定的模拟实验来证实众数回归估计的稳健性.     

随机删失情形下回归函数核估计的重对数律

针对二种回归函数核估计,本文研究了其收敛速度,在一定条件下,证明了其收敛速度符合重对数律。     

Linex损失下Pareto分布参数的EB估计：PA样本情形

在Linex损失下,讨论了Pareto分布参数的经验Bayes（EB）估计.利用同分布PA样本下概率密度函数的核估计构造了参数的经验Bayes估计,建立了所提出经验Bayes估计的收敛速度.在一定的条件下该收敛速度可以任意接近于1.     

NA样本下双边截断型分布族参数的EB估计

目的在NA样本下研究双边截断型分布族参数的经验Bayes(EB)估计。方法对密度函数采用核估计的方法构造了参数的EB估计。结果在加权平方损失函数下,获得了该估计的收敛速度。结论在适当的条件下,NA样本双边截断型分布族参数的EB估计的收敛速度任意接近O(n-1/2)。     

固定设计下回归函数局部线性核估计的渐近性质

讨论固定设计下,局部线性核估计内部和外界地区的渐近性质．固定设计下回归函数局部线性核估计具有自适应性,在内部地区和外界地区具有相同的收敛速度．     

密度核估计的随机中心极限定理

密度的核估计在统计中有着重要的应用.文章利用特征函数理论,得到了密度核估计的随机中心极限定理.利用Berry-Esseen估计得到了此中心极限定理的收敛速度.最后,给出了两个例子.     

PA样本下连续型单参指数族参数的EB估计

目的 研究PA样本情形下连续型单参指数族参数的经验Bayes估计.方法 对密度函数及其导函数采用核估计的方法 构造了参数的EB估计.结果 在平方损失函数下,给出PA样本情形参数EB估计的收敛速度.结论 在适当条件下,连续型单参指数族参数的经验Bayes估计,在PA样本下收敛速度可与iid样本及NA样本一样,任意接近D(na-1/2).     

双指数分布族参数EB估计的最优性

讨论双指数分布的位置参数在LINEX损失函数下的Bayes估计.在NA样本情形下,利用概率密度函数的核估计方法,构造边缘分布的概率密度估计,按照参数的Bayes估计形式,提出参数的经验Bayes(EB)估计函数,在一定的条件下可以证明所提出的这个经验Bayes估计函数是渐近最优的,并获得其收敛速度,最后举例说明满足定理...     

L_1核密度估计的弱相合和完全相合性

设x_n的密度函数为f(x),X∈R~d,f_n(x)=(nh~d)~(-1)sum from i-1 to n k((x-x_i)/h)为f的核估计,其中0相似文献   

线性模型中误差分布的相合核估计

线性模型y_i=x′_iθ+e_i,i=1…n,的误差序列{e_i}_i~n=1有未知密度f(x),本文在一定条件下证明了f(x)的核估计的弱相合性,逐点强相合性,一致强相合性,其中(?)为L.S估计的残差.     

条件密度随机窗宽双重核估计的相合

在统计估计及检验中,有时涉及到基于样本(X_1,Y_1),…,(X_n,Y_n)直接估计未知条件密度f(yx)的不少参数方法,而双重核估计就是较常用的一种.许多学者已讨论了f(yx)的双重核估计量f_n(yx)的相合性及收敛速度,但从应用角度来看,此估计量仍有不便之处.在密度估计的情形,Devroye提出了“自动选择窗宽”核估计的概念,即窗宽完全由样本确定.本文推广这种思想于上述估计量,讨论其一致强相合性,并作为应用,顺便得到其“近邻估计”的强相合性.     

洪水频率分析的非参数密度变换模型研究

以非参数统计理论为基础,把变换理论和非参数统计理论结合起来,建立了洪水频率分析的非参数密度变换模型．通过变换,改进了非参数核密度估计方法,避开了窗宽选择问题,提高了小样本的估计精度．     

基于一类SVM的贝叶斯分类算法

提出一种基于一类支持向量机(one-class SVM)的贝叶斯分类算法,该算法用一类SVM对类条件概率密度进行估计以构造贝叶斯分类器. 证明采用高斯核的一类SVM,其解可以归一化为密度函数,并把该密度函数看作类条件概率密度的平滑估计,构造贝叶斯分类器. 实际数据集上的实验结果表明,提出的分类算法测试准确率高于简单贝叶斯分类器与贝叶斯网络分类器,不低于传统二类SVM;比传统二类SVM需要计算的核矩阵规模更小,训练时间更短.     

子样方差估值具有无偏性的理论推证

本文提出了边缘密度函数,证明了在该函数下的极大似然估值具有无偏差性, 从而对文献[1]中子样方差的极大似然估值具有有偏性从理论上得到了根本解决.     

在LINEX损失下指数分布刻度参数EB估计的渐近最优性

在LINEX损失函数下,研究指数分布刻度参数的非参数的经验Bayes(EB)估计问题.在此损失函数下,找出参数的Bayes估计,利用抽到的样本,采用密度函数的核估计方法,构造总体X的边缘密度函数,得到参数的EB估计,指出这种EB估计是渐近最优的,它的收敛速度为0(n-γs(l-2)/(2s+1)l),并且这种EB估计方法可推广到多参数情形,举例说明它的应用.     

非参数核密度估计的L~r收敛

核密度估计是一种具有广泛应用领域的非参数统计方法.有关它独立情况下的大样本性质,在文献[1]中已详细介绍,本文在改进Parzen给出的一个基本引理的基础上得出非参数核密度估计的Lr收敛.     

非参数核密度估计的Lr收敛

核密度估计是一种具有广泛应用领域的非参数统计方法．有关它独立情况下的大样本性质,在文献[1]中已详细介绍,本文在改进Parzen给出的一个基本引理的基础上得出非参数核密度估计的L^τ收敛．     

定向非均衡模型的估计

讨论了样本分割已知的一类非均衡计量经济模型———定向模型的估计问题。文中给出了一种估计方法,并证明了所作的调整满足无偏性要求。