带有线性约束的指数族非线性回归模型

给出了带有线性约束的指数族非线性回归模型的最大似然估计量的随机展开,所得到的随机展开式由相互独立的正态变量以及曲率立体阵表示,使用简洁方便.     

非线性回归模型M估计的信息损失

首先考虑非线性回归模型中参数向量θ的M估计的用曲率表示的一阶随机展开式.在此基础上,求出θ的Huber形式的M估计的信息损失.     

半参数回归模型随机加权估计的渐近展开

指出对简单的半参数回归模型y=xβ＋g（t）＋ε,在进行参数估计时,为避免利用BOOtstrap法需进行重新抽样,应用随机加权法构造了涉及参数β的最小二乘随机加权估计量λ,并且在适当的条件下获得了λn分布的Edgcworth展开,其收敛速度可达到O（n^-1/2）。     

指数族非线性模型ML估计的渐近性质

在指数族非线性模型中，给出了相合估计存在的必要条件，并指出λｍｉｎ（Ｊｎ（β））趋于正无穷作为主要条件的必要性。同时，给出了指数族非线性模型ＭＬ估计相合性成立的一般条件。最后，在相对简单的正则条件下，证明了随机回归变量条件下ＭＬ估计的相合性和渐近正态性。     

随机删失半参数回归模型参数估计的渐近性质

考虑半参数回归模型Yi=Xiβ+g(Ti)+ei,i=1,2…,n,β∈Rd为未知回归参数,g(·)为[0,1]上的未知Borel函数.利用偏残差法并综合最小二乘法,定义了右删失数据情形下参数β、g(T)的核估计^β 、^g (T),在一定条件下,证明了^β 的渐近正态性,同时得到了^g (T)的最优收敛速度.     

指数自回归模型的辨识的研究

本文讨论了指数自回归模型的辨识问题，证明了该模型的最小二乘问题的非凸性，并给出其保证凸性的条件，最后运用混合算法，辨识了该模型，并用数值算例加以说明。     

指数族非线性模型置信域的曲率表示

利用微分几何方法，建立了批数族大线性模型下参数的置信域与统计模工率之间的一般联系，获得参数和子集参数置信域的３种曲率表示式，发展和推广了许多相关的结果。     

自回归加噪声模型参数估计及其渐近性质

本文给出了自回归加噪声模型参数的一种估计,并证明了这种估许是强相容的且具有渐近正态性。     

指数族非线性模型MLE的渐近性质

指数族非线性模型包括施工常见的模型，诸如线性与非线性回归模型、广义线性模型等。Ｆａｈｒｍｅｉｒ和Ｋａｕｆｍａｎｎ等研究了广义线性模型ＭＬＥ的渐近性质，本文在类似于他们的正则条件下，证明了指数族非线性模型ＭＬＥ的存在性、弱相合性、强相合性及渐近正态性。从而进一步推广和发展了他们的结果。     

线性回归模型的一类新约束型LIU估计

针对带线性约束型的回归模型复共线性问题,提出了一种新估计,称之为修正约束型LIU估计,给出了新估计的性质.在均方误差准则基础上证明了在一定条件下,修正约束型LIU估计优于最小二乘估计、岭估计、修正岭估计和约束型LIU估计,最后讨论了新估计的可容许性.     

B类指数型亚纯函数的一些性质

本文从B类指数型亚纯函数的定义出发,利用文献[1]、[3]中的一些结果,得到此类函数的一些重要性质。     

线性统计模型中回归分位点的强相合性及渐近正态性(英文)

论证了线性模型中回归分位点估计量的强相合性及渐近正态性等大样本性质 ,这些结果推广了陈希孺等 ( 1 990 ,1 992 )的有关定理 ,改进了Koenker与Basstee( 1 978) ,Gutenburnner与Jurec∨kova( 1 992 ) ,以及Jurec∨kovo与Prochazka( 1 994)等人的有关成果。     

非线性回归参数LS估计量性质的模拟研究

本文在非线性回归模型 y=f(x,θ)+ε的参数θ的最小二乘(L S)估计的基础上,使用随机模拟的方法来讨论所得估计量的性质.     

两类新的区间值线性回归模型

一般的区间值线性回归模型都是输入为实向量(元素为实数)。文章提出了二种范围更为广泛的模型,即输入可以是模糊向量(元素为L—R型模糊数)或输入为区间值向量(元素为区间)的回归模型,并利用线性规划的方法给出了区间系数的估计方法。     

关于回归函数的最近邻估计的渐近性态

讨论了回归函数的最近邻估计的渐近性质。证明了回归函数的最近邻估计量是渐近正态的。     

半参数ZI负二项回归模型的全局影响分析

基于数据删除方法研究了半参数ZI（zero-inflated）负二项回归模型的全局影响问题.得到了数据删除下参数估计的一阶近似,同时得到了广义Cook距离、WK统计量、似然距离及其一阶近似.最后通过随机模拟说明了所得诊断统计量的有效性.     

关于二值回归模型的两点注记

本文对二值回归模型中自变量误差的处理作了两种推广。相合Ｍ－估计的渐近正态性，最优Ｍ－方程及求解并得到最优解的计算方法，都得到相应的推广。     

双变量线性回归的解算

对于工程实践中较多存在自变量为随机变量的情形,应考虑双变量的线性回归,在总体最小二乘原则下,即n∑i=1（vxi^2＋vyi^2）=min,推导了在此准则下的具体解算方法,得到了相应的公式,最后并以算例加以验证与分析讨论,此方法对于工程实践的数据分析具有较大的参考价值。