相依样本情形时密度的核估计

由样本对总体的分布密度作核估计,在独立情形时已有一系列的结果。但对相依样本,相应的结果尚未见诸文献。本文的目的即是将独立情形时的一些重要定理推广到平稳样本上去。     

部分线性模型参数分量的M估计的渐近正态性

Engle等人提出了下列部分线性模型Y_i=X_i~tβ_0 g_0(T_i) u_i,1≤i≤n其中(T_1,X_1~t,Y_1),…,(T_n,X_n~t,Y_n)是随机向量(T,X~t,Y)的i.i.d.样本,U_i为随机误差,U_1,…,U_n与(T_1,X_1~t),…,(T_n,X_n~t)相互独立,X∈R~d,T∈[0,1],β_0为未知参数向量,g_n是一光滑未知函数.文献中,有许多学者讨论了关于这个模型的估计问题,包括惩罚函数法、基于分段多项式逼近的最小二乘法和基于核函数近似的最小二乘法.由于上述方法得到的估计不稳健,本文用分段多项式逼近g_0讨论较稳健的M估计.记g_n(t)=(?)(t)~ta为一分段m阶多项式,其段数为M_n,其中(?)(t)是一函数向量,β_0和     

部分线性模型中M型回归样条估计的一些新结果

考虑下列部分线性模型Y_1-X′_1β_0+g_0(T_1)+e_i,1≤i≤n,其中(T_1,X_1,Y_1),…,(T_n,X′_n,Y_n)是随机向量(T,X′,Y)的 i.i.d.样本,X∈R~d,T∈[0,1],β_0为未知参数向量,g_0是一光滑未知函数.这个模型在文献[1]中首次被提出,文献中研究过β_0和 g_0(t)的估计,例如,基于惩罚函数法的平滑样条估计;基于核方法的估计;用分段多项式来逼近 g_0,基于最小二乘法的估计.由于上述估计不稳健,文献[8]用分段多     

广义U过程的Bootstrap逼近

Nolan和Pollardl得到了U过程的中心极限定理,本文使用Efron的Bootstrap方法,得到了广义U过程的Bootstrap逼近.假设{X_(i,j):1≤j≤n_i,1≤i≤K}是概率空间(Ω,(?),p)上的d维独立随机向量序列,满足:X_(il,… ,x_(in)_i.i.d.～P_i,假定P(in)_i是X_(il),X(in)_i对应的经验概率测度,1≤i≤k.取整数m_i≥1和l_i,     

关于密度估计的最优收敛速度

设X_1,…,X_n是取自具有密度函数f的m维总体的iid样本。f属于某个密度函数族。我们考虑的问题是用形如γ_n(x_1…x_n,x)(以下简记为γ_n(x))的估计量来估计f(x)。在具有相合性的情况下,种种意义的可能的最佳收敛速度问题。     

m个半相依回归方程组系数的两步估计

考虑m(>2)个半相依回归方程组秩(x_i)=P_i,而 E(ε_i)=0,Cov(ε_i,ε_i)=σ_(ij)I, Σ=(σ_(ij))为正定矩阵。 对于β_i的两步估计及其有限样本性质,当m>2时,只有Kataoka对X_1,…,X_m是互     

关于非参数回归核估计的强相合性

令(X,Y),(X_1,Y_1),…,(X_n,Y_n)为取值R~d×R的i.i.d随机向量,对某个p>2,E(|Y|~p)<∞。我们用x及(X_1,Y_1),…(X_n,Y_n)的函数m_n(x)来估计回归函数m(x)=E(Y|X=x)。m(x)的一类非参数核估计定义为     

部分线性模型中非参数分量的检验

考虑以下部分线性模型 卜X凡 go(T) e;,l引乓。,(l)其中(T,X/,二),l＄1＄。,是随机向量(TX’,Y)的i.iJ样本,X6R‘,TEIO,l],po是未知参数向量,go是一个光滑未知函数,e;是随机误差,它与(T,式),…,(Th人)独立.高集体”基于核估计的两步逼近法得到了一个检验零假设 H。:g。。0的统计量,为了得到其统计量的渐近分布,他要求误差分布具有有限的四阶矩,一些学者I”]在(式,T)为非随机的条件下研究了关于g。的检验问题.文献[3,41等得到了po的估计的渐近分布和go的估计的收敛速度,但用MO的估计来作为检验零假设凡:仇三0的检验统计量.必须得到…     

L统计量的Bootstrap逼近

设X_1,X_2,…,X_n是从分布为F(未知)的总体中抽出的n个i.i.d.样本。记X=(X_1,X_2,…,X_n),R(X,F)为我们所感兴趣的一个与分布F有关的随机变量。我们经常需要考虑与R(X,F)的分布有关的问题,如估计R(X,F)的均值E_FR(X,F),方差     

Weibull分布的形状参数估计

设X_1,X_2,…,X_n是i.i.d.,其共同分布是Weibull分布W(x)=1-exp(-λχ~β),其中λ>0是刻度参数,β>0是形状参数。如何估计形状参数在寿命分析中有重要地位,极大似然估计是众所周知的,方开泰给出了利用矩性质的估计。本文利用指数分布的矩性质给出了估计形状参数的新方法。令Y=X~β,则Y服从参数为λ的指数分布。众所周知,EY~2/(EY)~2=EX~(2β)/(EX~β)~2=2,在该式中用样本矩代替总体矩 (Sum from i=1 to n(X_i~(2β)))/(Sum from i=1 to n(X_i~β))~2=2/n,(1) 若(?)_n是方程(1)的解,它可作为β的估计。这一思想可推广到一般情况。令g=g(x_1,x_2,…,x_k)是变量x_1,x_2,…,x_k的函数,且满足     

关于U-统计量的Marcinkiewicz大数律

设x_1,…,x_n…为一串i.i.d.随机变量序列,m≥1固定,h(a_1,…,a_m)为其m个变元的对称函数,以h(a_1,…,a_m)为核的U-统计量定义为假定: E|h(x_1,…,x_m)|~r<∞,0相似文献   

非线性半参数EV四归模型的估计理论

对于带有变量误差的非线性半参数回归模型:Y=H(x,θ) g(T) v,X=x u,给出了参数θ和函数g(·)的估计(?)_n,(?)_n(·).在一定条件下证明了(?)_n的强相合性和渐近正态性;(?)_n(·)具有强相合性且有几乎最优的强收敛速度,同时还给出了v的方差的强相合估计.     

中位数交叉核实准则

考虑非参数中位数回归模型Y_(ni)=g(x_(ni)) ε_(ni),1≤i≤n,(1)其中g:[0,1]|→R是待估计的连续函数,{x_(ni):1≤i≤n}是区间[0,1]上的非随机设计点列,{ε_(ni):1≤i≤n}是iid随机变量,中位数为零,{Y_(ni):1≤i≤n}是观察值.对x∈[0,1],n≥1,记D_(nj)(x)为x的第j个近邻,j=1,2,…,n,即{D_(n1)(x),D_(n2)(x),…,D_(nn)(x)}为{x_(n1),x_(n2),…,x_(nn)}的一个置换,满足|D_(n1)(x)-x|≤|D_(n2)(x)-x|≤…≤D_(nn)(x)-x|,结按自然顺序消去.令Y_(ni)(x)和ε_(ni)(x)分别表示D_(ni)(x)(1≤i≤n)处的观察值和随机变量.下面的估计g_n(h,x)=(?){Y_(n1)(x),Y_(n2)(x),…,Y_(nh)(x)},(2)(?)表示样本中位数,这个估计称为g(x)的最近邻中位数估计(或者局部中位数估计),其中近邻个数h起着光滑参数作用.h的选择对估计的好坏起着决定性的作用.作者与郑忠     

退化矩阵β分布

作为与正态样本有关的分布,矩阵β分布(也称多元β分布)在文献中有大量的研究.令A～W_m(n_1,Σ)和B～W_m(n_2,Σ)为两个独立的维希特分布矩阵,Σ为一正定矩阵. 令C=A B.分解C=T′T,其中T为一具正对角元的上三角阵 令U=(T′)~(-1)·AT~(-1).则U的分布称为矩阵β分布并记为B_m((n_1)/2,(n_2)/2)其中n_1 n_2>m-1. 如果n_i是实数,则还要求n_i>m-1(i=1及/或2).如果n_1,n_2都大于m一1,则U是非退化的并具有在m×m正定矩阵空间上的密度.本文采用文献[2]中的记号,并记A(S)=diag(λ_1(S),…,λ_n(S)),其中λ_i(S)为S的第i大(非零)特征根,S∈_(m,n)~1·S_(m,n)~(?)上的微分形式定义为(dS)=2~(-n)|L|~(m-n)×     

回归函数递归核估计相合的充要条件

设(X_1,Y_1),(X_2,Y_2),……为(X,Y)的样本,(X,Y)在R~d×R中取值,μ为X的概率分布,m(x)=E(Y|X=x)的核估计,递归核估计分别为     

t区间估计的Minimax最优性质

(I)设(二i,·出的独立样本,丸)为自N(e,护)中取艺间一1劣-— ,一招寸艺(x, 刀—l滚=1O的最常用的区间估计是“区间”则在这一度量下,使关系式 supf(a,[刀呈,刀旦]) 一tD:怂{。,。5沙f(二,[。:,。2]) ([D坚,刀皇]‘丁。)成立的〔川,川〕,将是最优的.本文的主要结果是,通常的君区间估计一{全遗 扩百了,牙+刁}牙-‘生兰鱼 甲百 、一兰王壁月‘’‘’/一‘! 丫n- 一劣一l二wees其置信系数为1一a(0相似文献   

量子点的水相合成及其生物成像分析研究进展

半导体量子点具有宽的激发光谱、窄而对称的发射光谱、高的量子产率以及良好的光稳定性, 因而受到物理、化学、材料科学、生命科学等多个领域研究者的广泛关注. 与有机相合成法相比, 量子点的水相合成方法简单, 合成后不需要将量子点进行相转移, 是有机相合成的重要补充, 已经成为半导体量子点的重要合成方法之一. 本文介绍了量子点常用的一些水相合成方法, 如溶胶法、水热法、微波辅助法及微生物合成法. 在此基础上, 阐述了量子点在细胞成像分析及活体成像分析中的应用, 并对基于量子点的磁性荧光双功能纳米材料在成像分析中的应用及量子点生物毒理效应研究进行了简要的评述.     

线性模型误差方差估计的强相合性

线性模型是数理统计中最重要的模型之一。在样本容量确定和误差服从独立的正态分布的条件下,该模型的误差方差的最小二乘法估计具有周知的良好性。但在误差不一定服从正态分布时,迄今为止对这种估计的性质知道不多。1966年Gleser在样本容量无限和误差服从独立同分布的条件下获得了关于这种估计的重要结果。本文的结果则是在误差分布不一定相同这一更广泛的情况下给出的。     

可单位分解多个交换算子的摄动

设x是Banach空间,(X)是X上有界线性算子全体,a=(a_1,…,a_n)(X)为交换组,sp(a,x)记J.L.Taylor意义下的联合谱。a称为m可单位分解的(m≥2为固定自然数):若对C~n的任意m开覆盖{G_j}_(j=i)~m,存在与a可换的算子{V_j}_(j=i)~m(V_j称为a的局部投影算子)和a的不变子空间{X_j}_(j=i)~m满足:若对任意自然数m≥2,a是m可单位分解的,则a称为可单位分解的。     

m相依随机场渐近正态的一致收敛速度

称定义于同一概率空间(Q,J,P)上的随机变量族{X(Z),Z∈Z~p}为p维随机场。对VZ~p,记由{X(Z),Z∈V}产生的自然σ域为μ(V)。如果对任何V_1,V_2Z~p,d(V_1,V_2)>m,有μ(V_1)与μ(V_2)独立,则该随机场称作m相依的。