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   

对称损失下一类刻度分布族参数的估计

q对称熵损失函数L(θ,δ)=θ_q/δ_q+δ_q/θ_q-2(0-νe_-T(x)/θ参数θ的估计, 得到 了θ的最小风险同变(MRE)估计及Bayes估计的一般与精确形式, 并讨论了θ的形如cT(X)+d的一类线性估计的可容许性和不可容许性以及θ的MRE估计的最小最大性.     

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.     

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...     

关于一些Hermite-Fejer算子逼近度的注记

本文研究以Jacobi多项式的J_n(x)=sin(2n+1)/2θ/sinθ/2(x=cosθ,0≤θ≤π)的零点为基点的Hermite-Fejer插值过程H_(2n-1)(f,x).对于Lipα(0<α<1)类中函数,改进了[1]的结果:得到了H_(2n-1)(f,x)逼近有界变差函数的阶估计. 设函数f(x)∈C〔-1,1〕,x=cosθ(0≤θ≤π),J_n(x)是n阶Jacobi多项式,x_k=x_k~(n)=cosθk=cos(2kπ)/(2n+1)(k=1,2,…,n)是J_n(x)的零点,以{x_1,x_2,…,x_n}为基点的Hermite-Fejer插值算子是(见文〔1〕(4))     

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.     

M-估计的强相合性

本文在x1，x2，…，xn，…为非随机变量的情况下讨论了模型y1=f（xi，θ）＋εi i=1，2，…，n下的M-估计θn的强相合性，其中θn满足∑^ni=1p（yi-f（xi,θn））=minθ∈⊙ ∑^ni=1p（yi-f（xi,θ））给出了M-估计具有强相合性的一个充分条件。     

用参数和非参数估计的凸组合去估计密度函数

对于参数密度函数 h(x,θ),可首先用极大似然法估计θ,然后用 h(x,)去估计 h(x,θ);而对于参数模型不成立的密度函数 h(x),常常用核估计(x)去作非参数估计。一般地,可用参数估计和非参数估计的一个凸组合去估计密度函数。本文将证明,在一定条件下此凸组合按一定速率收敛于密度函数。     

NA样本下艾拉姆咖分布参数的经验Bayes检验

【目的】研究NA样本下艾拉姆咖分布参数的经验Bayes检验问题。【方法】在同分布负相协(NA)随机列{X1,X2,…,Xn}下,利用概率密度函数的变窗核估计方法,讨论了艾拉姆咖分布参数θ的经验Bayes检验问题。【结果】首先得到了经验Bayes检验函数δn(x),然后证明了δn(x)的渐近最优性。【结论】在适当的条件下,利用相关引理和不等式,可获得参数θ的经验Bayes检验函数δn(x)的收敛速度为Ο(n~(-1/2))。     

论用Fejér型核的奇异积分近迫p幂可求和函数

本文研究Fejr型核的奇异积分f_n(x)=n integral from n=-∞ to ∞ f(t)K(n(t-x))dt在空间Lp(-∞,∞)(P≥1)内近迫p冪可求和函数f(x)的階的估计问题.在这里,我们假定函数K(t)满足下列条件:1) K(t)>0,2)K(-t)=K(t),3)integral from n=-∞ to ∞ K(t)dt=1,