一类非线性随机微分方程的参数估计

利用极大似然估计方法,考虑一类具有小扰动的非线性随机微分方程的参数估计问题.讨论小扰动项ε→0或时间T→∞时估计量的性质,证明了:当ε→0时,未知参数的估计量具有无偏性及渐近一致性;当ε取固定值和ε→0时,分别给出了估计量α~ε在T→∞时的渐近分布.最后给出数值模拟结果,验证了估计量的无偏性及其渐近正态性.     

部分可观测耦合随机抛物方程组的参数估计

本文研究加性时空白噪声驱动下的部分可观测耦合随机抛物方程组的参数极大似然估计量.在观测时间和噪声强度不变的条件下，本文证明了估计量的强相合性和渐近正态性.数值算例验证了理论结果.     

扩散模型复合分位回归估计的渐近正态性

主要研究扩散模型中漂移函数的复合分位回归估计的渐近正态性.基于离散观测样本,利用复合分位回归的方法得到了漂移参数函数的局部估计量,并证明了估计量的渐近正态性.     

时变扩散模型中收益参数向量的局部复合分位回归估计

主要研究多维时变扩散模型中收益参数向量的估计问题.基于离散观测样本,利用局部线性拟合的方法,得到了时变漂移参数向量的局部复合分位回归估计,并证明了估计量的渐近正态性.同时,给出了估计量的渐近偏差和渐近方差.     

基于分块的重尾指数估计量的推广

采用分块的方法提出了一种新的重尾估计量,并讨论了这种新的估计量在正则变化条件下的相合性和渐近正态性.     

带扰动的随机微分方程的贝叶斯估计及其渐近性

利用Girsanov定理得到在平方损失下带扰动的随机微分方程的贝叶斯估计.证明了小扰动参数趋向0,时间T趋向无穷时,未知参数的贝叶斯估计量的渐近正态性;以及小扰动参数趋向0时,未知参数的估计量具有渐近一致性.     

基于广义排序集样本的分位数估计

为提高总体分位数的估计效率,提出基于广义排序集抽样的非参数加权估计量.根据估计量的强相合性和渐近正态性,给出了在任意给定的抽样方案下使渐近方差达到最小的权数.再利用最优权数的适应任意分布性,证明出使估计效率达到最大的抽样方案是从所有排序小组中挑选具有同一次序的观测值.通过对渐近相对效率的数值计算和一组真实数据的实际应用,表明最优加权估计功效高于无权估计,最优排序集抽样效率高于标准排序集抽样和简单随机抽样.      

一类周期均值回复过程的最小二乘估计

考虑一类周期均值回复过程的参数估计问题.基于连续样本轨道,应用最小二乘技巧构造了漂移项中未知参数的估计量。并利用多重随机积分的中心极限定理,证明了当观察的周期数趋向无穷大时该最小二乘估计量具有渐近正态性.     

一类非线性回归模型在NA样本下的估计问题

考虑固定设计下的非线性回归模型Yni=g(xni) εni，1≤i≤n，当误差为NA序列时，在适当条件下，获得了估计量的r阶平均相合性和渐近正态性。     

多元非线性回归模型GLS估计的渐近性质

文章给出了多元非线性回归模型的广义最小二乘法(GLS)估计,并运用Klimko-Nelson定理关于随机过程的OLS估计量是强相合和渐近正态的结果,证明了多元非线性回归模型的GLS估计量的强相合性、渐近正态性和渐近有效性.     

正态总体方差几类估计量的比较

对正态总体下方差σ2的三类常用估计量在无偏性、有效性、一致性等准则下进行了分析与比较,以便在实际应用中较准确选取估计量.     

纵向数据分析中一种压缩经验似然估计方法的大样本性质证明

在一些纵向研究中,协变量往往依赖于观测时间,此时流行的广义估计方程方法在任意的工作相关矩阵下不再保持估计的无偏性和稳健性,若仅使用独立工作相关矩阵则会造成效率低下,而使用不合适的工作相关矩阵可能会错误地包含有偏估计函数,最终导致估计有偏.为此,Leung等提出一种压缩的经验似然估计方法,将大量的无偏估计函数和其他辅助估计函数综合起来,模拟研究表明所提方法相比传统方法是有效的.但他们对其理论性质并未研究.这里对这种压缩经验似然估计量的大样本性质进行了研究,证明了在合适的条件下,压缩经验似然估计量具有相合性和渐近正态性,并给出了经验似然比的渐近分布.     

一种随机树度分布的解析方法（英文）

主要讨论了随机平面根树的度分布.对任意d≥1,证明了在含有n条边的随机平面根树中,当n→∞时,度数为d的顶点数目在合适的正则化条件下具有渐近正态性,还给出了该数目期望和方差的渐近表达式.在证明过程中主要使用了一种解析的方法.     

正态情形下两类熵风险度量的估计

研究了正态情形下两类熵风险度量估计量的相合性,估计大偏差,估计渐近正态性.由估计的渐近正态性给出这两类熵风险度量的区间估计,且用相应的图像模拟验证区间估计的结果.     

极值指数的分布式矩率估计量

基于分治算法和矩率估计量构造了分布式矩率估计量并证明其相合性和渐近正态性.     

分布函数上尾端点估计量的渐近性质

给出了当极值指标小于0时,分布函数F(x)的上尾端点估计量,并证明了该估计量的强相合性和弱相合性,给出了其强收敛速度,证明了渐近正态性,进而获得了分布函数F(x)的上尾端点的渐近置信区间.     

刀切广义岭估计的渐近性质

经典的大样本理论研究了当自变量数 p固定(或p→∞ ),并且样本容量 n→∞时估计量的性质,但 n固定并且 p→∞这种情况几乎没有被讨论过.后者对髙维数据的研究具有重要意义,本文研究了刀切广义岭估计在 n固定 p→∞时的渐近性质,建立了刀切广义岭估计在一定条件下的均方误差相合性,提供了一个剔除次要变量的变量筛选方法,并证明了这个筛选程序的强相合性.     

缺失数据下线性EV模型的稳健参数估计

给出了多元线性EV模型下协变量具有随机缺失(MAR)时参数的稳健估计方法,并证明了估计的渐近正态性.模拟研究表明估计量在有限样本下具有很好的效果.     

重尾分布中二阶参数的渐近无偏估计

基于统计量T_(n,k)(K),先提出二阶参数的有偏估计量,再通过2个有偏估计量的线性组合构造了一类二阶参数的渐近无偏估计.在二阶正则条件下,研究了估计量的相合性;在三阶正则条件下,研究了估计量的渐近正态性.最后通过模拟,在特定条件下,将此无偏估计量ρn,k(K~(1,2),α,t*(ρ,β))与Goegebeur提出的估计量ρ_(n,k)(K~(1,2),α_1,α_2,l)的均值和方差进行模拟比较,结果表明,提出的无偏估计量表现更好.     

加权平衡熵损失函数下Poisson分布参数的Bayes估计

首先, 基于平衡损失函数的形式, 给出一个加权平衡熵损失函数, 并将其应用到Poisson分布中, 得到了该损失函数下参数的Bayes估计. 其次, 在先验分布为Gamma分布的条件下, 给出估计量的显式表达式, 证明估计量的相合性, 并利用QQ图的方法检验估计量的渐近正态性.