相依样本下非参数回归函数的经验似然置信区间

构造了固定设计且误差为鞅差序列的相依样本情形非参数回归函数的经验似然比统计量,证明了统计量的极限分布为21χ,在此基础上构造了非参数回归函数的经验似然置信区间.     

非参数回归函数的经验似然置信区间

经验似然是由Owen引入的一种非参数推断方法，主要讨论了相依样本下非参数回归函数的经验似然置信区间。     

函数型数据下条件分位数的经验似然推断

针对函数型数据下条件分位数的区间估计问题提出应用经验似然方法来构造条件分位数的置信区间,并在适当的条件下得到了经验似然比统计量渐近服从χ~2(1).     

φ混合样本下的经验似然估计

在强平稳ψ混合相信样本下讨论一般参数的经验似然比估计的求法及其相应的性质，得到了类似独立同分布（i.i.d.)时的结果。     

m-相依样本下条件密度的经验似然置信区间

在m-相依样本情形下基于条件密度的双重核估计构造了条件密度的经验似然置信区间。     

m相依样本下参数及分布函数的经验似然估计

在强平稳ｍ相依样本下讨论一般参数和分布函数的经验似然估计的求法及性质，推广了ＱｉｎａｎｄＬａｗｌｅｓｓ在独立同分布情况下的结果。     

缺失数据下强混合样本情形的经验似然

在强混合样本完全随机缺失情形,本文利用随机补足后得到的完全样本对总体均值进行经验似然推断,证明了经验似然比统计量的极限分布为卡方分布。     

截断情况下回归函数的经验似然推断

讨论在数据截断情况下回归函数的经验似然比置信区间的统计推断．其中，响应变量的估计采用class k估计，响应随机变量和删失随机变量的分布函数用其对应的K-M函数替代，得到调整的对数似然比统计量渐近x1^2分布的结果．     

M-泛函的经验似然置信区间

利用经验似然思想，分别讨论不含附加信息和含附加信息时，M-泛函的经验似然置信区间，并推广Zhang Biao (1997) 在独立同分布下的结果。     

一类双函数系数ARCH-M模型的经验似然估计

针对一类双函数系数自回归条件异方差-均值(ARCH-M)模型的估计问题,提出一种基于经验似然的估计方法;在该估计方法中,所提出的模型允许金融时间序列的风险效应和收益效应同时为某一变量的函数结构,可以有效地刻画金融时间序列的风险和平均收益之间的关系,具有较广的适应性;同时,与经典矩估计法和极大似然估计法相比,基于经验似然的估计方法具有独特的优势,可以充分考虑金融序列的异方差性,并且所构造的置信区间不涉及任何渐近方差的估计,因此具有较好的稳健性和有效性;在一些正则条件下,对所构造的经验对数似然比统计量及函数系数估计量的渐近分布进行了理论分析;结果表明：关于风险效应函数系数和收益效应函数系数的经验对数似然比统计量均渐近收敛于中心卡方分布,同时函数系数估计量渐近收敛于正态分布;进而对风险效应函数系数和收益效应函数系数分别构造了相应函数系数的逐点置信区间。     

基于改进经验特征函数的一种混合分布参数估计法

以冲击性噪声中的对称α stable(sas)与高斯分布的参数估计为研究对象,在现有的一种基于经验特征函数的矩-型方法的基础上,提出了一种对经验特征函数进行加窗处理和基于经验特征函数进行参数估计的方法.加窗处理后的经验特征函数更加逼近特征函数的真实值,这使得经验特征函数以后在各领域将得到更为广泛地应用.新的参数估计方法克服了矩-型方法中只能利用自变量t=1附近的经验特征函数的限制,从而可以利用更逼近特征函数真实值的经验特征函数来做参数估计,参数估计的结果将更为准确;同时新方法不需要解复杂的方程,这是矩-型方法所无法比拟的.大量的仿真结果表明,这种新方法是鲁棒的,估计结果是无偏的.对基于加窗前后的经验特征函数所得的结果做了对比,再次说明对经验特征函数所做的加窗处理是有效的.     

同分布负相协情形下威布尔分布族参数的经验贝叶斯检验问题

在同分布负相协样本情形下研究了威布尔分布族参数的经验贝叶斯检验.利用密度函数核估计方法构造了参数的经验贝叶斯检验函数,在加权线性损失下获得了该估计的收敛速度,在适当条件下证明了经验贝叶斯检验函数的渐近最优性.     

广义次序统计量的任意维边际密度函数

广义次序统计量包括许多用以描述有序变量的随机模型,研究广义次序统计量使人们能够采用统一的观点去看待这些具体的模型,揭示其内在的性质。本文用数学归纳法给出了广义次序统计量的任意维边际密度函数的显示表达式,这对进一步探讨广义次序统计量性质具有十分重要的意义。     

负相关随机序列的收敛性质

讨论同分布负相关随机（ＮＡ）序列的完全收敛性,所得结果改进和加强了Ｋａｔｚ和Ｂａｕｍ在文献（１）的著名结果。     

密度演化方法在概率分布估计中的应用研究

利用密度演化方法，提出了随机变量概率分布估计的一个新方法．在此方法中，构造一个与基本随机变量相关的虚拟随机过程，使得基本随机变量成为该随机过程的截口随机变量．利用独立随机抽样的样本值，即可获取虚拟随机过程的瞬时概率密度函数，进而获得随机变量的概率密度函数估计．以约束混凝土极限应变的试验与理论预测值之比值为例，进行了概率密度函数估计．     

负相伴样本指数分布参数的经验Bayes检验

讨论了负相伴样本情形指数分布中寿命参数θ的经验Bayes单侧检验问题:H0:θ≤θ0 H1:θ>θ0,利用概率密度函数的核估计构造了参数的经验Bayes单侧检验函数,在适当的条件下证明了所提出的经验Bayes检验函数的渐近最优性,并获得了其收敛速度.     

一类空间面板数据模型的经验似然推断

本文研究含空间自回归和空间误差自回归的时变系数空间面板数据模型的经验似然推断.利用鞅差序列将估计方程中的二次型转化为线性形式,构造模型参数的经验似然比统计量,并在一定条件下证明统计量的极限分布为卡方分布.     

NA行列阵的完全收敛性

在前人研究的基础上,证明了NA随机变量序列阵满足一定条件下的完全收敛性.根据这个定理得出两个推论,即NA随机变量序列阵在EXni1+λn□?,1≤i≤bn,n≥1条件下和NA随机变量序列阵由随机变量X控制的Toeplitz阵情形下的完全收敛性.