NA样本回归函数估计的强相合性

在非参数回归模型Yi=g(xi)+εi,1≤i≤n中,研究了当{εi,1≤i≤n}为一致可积的平稳NA相依序列时,未知函数g(x)的权函数估计gn(x)=∑ni=1wni(x)Yi的强相合性。     

PA序列下半参数回归函数估计的强相合性

对于半参数回归模型Yni=β.tni＋g（xni）＋εni,（1≤i≤n）,在误差{εni,1≤i≤n}为平稳PA相依序列条件下,得到未知函数g（x）的权函数估计和未知参数β估计的强相合性.     

ρ-混合相依下回归函数小波估计的相合性

考虑非参数回归模型：Yi = g（ti） ＋ ei （ 1≤ i ≤ n）。其中{ti}是固定设计点列,g（＊）是未知回归函数。令{ei}是ρ-混合相依平稳序列,在比较一般的条件下,研究了未知回归函数g（＊）小波估计的r阶平均相合性以及强相合性。     

NQD样本下部分线性模型中估计的强相合性

考虑回归模型：yi=xβ g(ti) σei≤i≤n,其中δ^1 i=f(ui),(xi,ti,ui)是固定非随机设计点列,β是未知待估参数,g和f是未知函数,随机误差序列{ei}为同分布的NQD序列．在一定的条件下,得到了β的最小二乘估计β、加权最小二乘估计β^-和最终加权最小二乘估计β^-的强相合性．     

(ψ)-混合误差下半参数回归模型小波估计的γ阶矩收敛速度

考虑一类固定设计下的半参数回归模型yi=xiβ+ g(ti)+ei,i=1,2,…,n,对于模型中的未知参数β和未知函数g(t)的小波估计(∧β)n和(∧g)n(t).,在{ei,1≤i≤n)是(ψ)-混合随机误差时,研究了(∧β)n和(∧g)n(t)的γ阶矩一致收敛速度.     

正相协误差半参数回归模型小波估计的强相合性

研究半参数回归模型yi=xiβ+ g(ti)+ei(1≤i≤n),｛ei,1≤i≤n｝为正相协序列的未知参数β和未知函数g(t)小波估计的强相合性,得到它们的强收敛速度.     

PA样本回归函数估计的强相合性

针对非参数回归模型Y1=g(x1)+ε1,1≤i≤n,在{εi,1≤i≤n}为一致可积的平稳PA相依序列条件下,得到未知函数g(x)的权函数估计gn(x)=nΣi=1wni(x)Yi的强相合性.     

LNQD序列回归函数小波估计的渐近正态性

本文考虑非参数固定设计回归模型Yi=g(ti)+εi,1in,其中{ti}是非随机固定设计点,g(t)是回归函数,{εi}为平稳LNQD序列随机误差.在适当的条件下,用异于文献[5]的估计方法,讨论了函数g(t)的小波估计量的渐近正态性,得到了与文献[5]相同的结论.     

EV线性模型参数的经验似然比置信区域

考虑EV(error in variables) }线性模型 Yi =xτiβ0 +εi,Xi =xi+ μi,　i=1,2 ,… ,n ,其中εi 是i.i.d .的具有均值 0和连续可导的分布函数的误差 ,Xi 为 p维可观测随机向量 ,xi 为 p维不可观测随机向量 ,β0 为 p× 1未知参数向量 ,μi 是 p维i.i.d .的不可观测随机误差 .记 ei =(εi,μτi) τ,且Eei=0 ,Σee=σ2 Ip+ 1.设xj与ei对所有的i,j都是独立的 .在一般的条件下证明了非参数形式的Wilks theorem在EV线性模型中的正确性 ,并利用它构造出了 β0 的置信区域 ,然后在小样本下给出了模拟结果 .     

固定设计下鞅序列回归函数的小波估计

对于非参数回归模型Yni=g(tni) εni(i=1,2,…,n),其中{tni}为固定设计点列,{εni}为鞅差序列或Lq-混合鞅下的平稳序列,该文建立了回归函数g(t)的小波估计并研究了其相合性、强相合性。     

相依样本下误差密度核估计的相合性

对于线性模型Yi=xiTβ+ei,i=1,2,…,n,{ei,i≥1}是φ-混合的,且有公共的未知分布密度f(x).基于φ-混合样本,去掉了对设计点列{xi}的限制,在比现有文献条件弱的情况下,得到了f(x)的核估计■n(x)=1nan∑ni=1K■-x/an的逐点弱、强相合性,其中■为β的M-估计所得到的残差,推广了已有文献的结论.关键词:线性模型,M-估计,φ-混合     

拟双曲轨道的强跟踪性

设M是一个紧致n维C^∞黎曼流形，f∈Diff（M），∧是f的闭不变集合，并且∧具有连续不变分解T∧M=E F，则对任意的ε〉o和λ∈（0，1），存在δ〉0，使得对f的任意λ-拟双曲强δ-伪轨{xi,ni}i=-∞^＋∞都存在一点x∈M，强ε-跟踪{xi,ni}i=-∞^＋∞。     

独立模糊随机变量的强大数律

设{xn,n≥1}是一模糊随机变量序列且{an,n≥1}是一列常数,且满足0〈an↑∞.设函数满足于φ（x）↑,φ（x）x↑,φx（2x）↓,如果有n∞=1Σni=1ΣE（φ（‖xi‖ρp））φ（an）〈∞,∞n=1Σ（ni=1ΣE（‖xi‖ρ2p）an2）s〈∞,则E‖xi‖ρ2p/an→0等价ni=1ΣXi/an→C 0-等价ni=1ΣXi/an→a.s.0-等价ni=1ΣXi/an→p 0-.     

限制弧连通有向图的充分条件

互联网络常以有向图或无向图作为模型,有向图的限制弧连通性能精确度量网络的容错性和可靠性.称有向图D的一个弧子集S是D的限制弧割,如果D-S中存在一个非平凡的强连通分支D1使得D-V(D1)包含至少一条弧.若强连通的有向图D存在限制弧割,则称D是λ′-连通的.λ′-连通图D的最小限制弧割所含的弧数称为D的限制弧连通度,记λ′(D).设D的围长为g,任取长度为g的有向圈Cg=u1u2…ugu1,令ξ(Cg)=min{(sum from i=1 to g)d+(ui)-g,(sum from i=1 to g)d-(ui)-g}且ξ(D)=min{ξ(Cg)}.本文给出了强连通有向图D是λ′(D)≤ξ(D)的一个充分条件.     

B值适应可积序列加权和的强收敛性

设{Xn,Fn,n≥1}是B值适应可积序列（或B值鞅差序列）,{an,n≥1}和{bn,n≥1}是两个正常数列,本文中研究了形如1/bn∑ni=1ai（Xi-E（Xi｜Fi-1））或（1/bn∑ni=1aiXi）加权和的强收敛性,得到了一些适当条件下加权和的强收敛性的结果.     

误差ei为ρ混合序列在非线性模型下M估计的强相合性

对于非线性模型yi=f(xi,θ)+ei,i=1,2,…,n,当{ei,i=1,2,…,n}为ρ混合序列时,创造合适的条件,在此条件下证明了θ的M估计的强相合性.     

广义复合泊松风险模型的大偏差与破产时刻

进一步研究广义复合泊松风险模型的大偏差问题,其中{N（t）;t≥0}是一强度为λ〉0的泊松分布,{Xn;n≥1}是独立同分布的随机变量序列,具有共同分布F,（其中0〈μ=EX1〈∞．）{M（t）;t≥0}是一强δ〉0的泊松分布,{N（t）;t≥0},{Xn;n≥1}和{M（t）;t≥0}是相互独立的．理赔剩余过程S（t）∑i=1^N（t）Xi-cM（t）,t≥0．在F∈C上得到了一系列大偏差和破产时刻的结果,这些结果可以应用在某些金融与保险问题中．