结构关系度是误差回归模型的相合估计

讨论一般结构关系度量误差模型的大样本理论，给出了未知参数的一个强相合估计。     

一类非线性结构关系度量误差模型的大样本理论

讨论了预报变量带有随机度量误差的回归模型的大样本理论，在相当一般的条件下给出了未知参数的一个强相合估计，证明了该估计是渐近正态的，并给出了其极限分布的均值与协方差阵。     

线性模型中误差分布的相合核估计

线性模型y_i=x′_iθ+e_i,i=1…n,的误差序列{e_i}_i~n=1有未知密度f(x),本文在一定条件下证明了f(x)的核估计的弱相合性,逐点强相合性,一致强相合性,其中(?)为L.S估计的残差.     

误差为NA序列时回归模型估计的均方相合性

考虑固定设计下的非线性回归模型Ymi=g(xmi) εmi，1≤i≤n，以及线性回归模型Yi=xilβ1 … xipβp εi，i=1．2，…，n，当误差为NA序列时，获得了一类估计的均方相合性．     

结构关系度量误差模型的参数估计

考虑结构关系度量误差模型的参数的估计问题,对于任何参数空间Ξ,给出模型参数的一种估计方法,并证明这种估计是强相合的。     

污染数据回归模型的相合估计

考虑线性回归模型yi=xi′β iε,i=1,2,…n,其中ε=(1ε,…,nε)′满足E()ε=0,Cov()ε=21σV(V>0),假定{yi}受到另一独立同分布的随机变量序列{iμ}的污染,仅能观察到污染数据,{yi}与{iμ}独立,本文给出污染参数及回归系数的参数估计,并证明在适当的条件下其具有强,弱相合性。     

相依样本非参数回归模型误差的相合估计

给出了回归函数基于核估计的密度估计的强相合性及一致相合性。     

PA误差下半参数回归模型估计的r-阶矩相合

对于半参数回归模型 Yni=β·tni+g(xni)+εni,1≤i≤n, 其中｛εni,1≤i≤n｝为PA相依误差,在适当的条件下, 得到未知回归函数g(x)和未知参数β估计量的r 阶矩相合性。     

一类回归模型的M—估计的相合性

设有回归模型y_1=θ_1x_1r θ_2x_2 … θ_1x_p ε,t=1,2,…,N.(1)其中x_1,…,x是(非随机)自变量;ε是随机残差变量;y为因变量;θ_1,…,θ为回归参数。     

结构关系度量误差模型中参数估计的渐近性质

考虑结构关系度量误差模型其中P维向量Y,q维向量Z为可观测随机变量,X为不可观测随机变量,U,F分别表示相应的度量误差,H（x,θ）是未知参数θ的非线性函数,参数空间是Rm中的有界闭区间．假设X,U,F相互独立,X服从包括正态分布的一类椭球等高分布,U～N（0,U）,F～N（0,F）,F＞0已知．在一定条件下给出了θ的一个强相合且渐近正态估计．     

等距抽样中总体均值的回归估计

讨论了等距抽样中,如何利用辅助信息改进总体平均值的估计,以达到提高估计精度之目的。分单组样本和抽取附加样本两种情况,提出了总体平均值的回归型估计。文中提出的估计与传统的样本均值相比较有较高的精度。     

线性模型中MLE的相合性

讨论了线性模型中回归系数的MLE的相合性的充分条件,有趣的是,与LSE相似,所得的条件只与试验点列有关.     

多元回归中时变参数的非参数估计

本文讨论了参数随时间变化的一类多元回归模型,提出了一种非参数估计方法——准最小二乘核函数估计方法。证明了在一定的条件下所得的估计具有相容性,推广了Robinson的结果。     

系数随机的多元线性回归模型的参数估计

对一般系数随机的带有相关因子的多元线性回归模型的参数进行估计。估计值是用EM算法给出的极大似然估计或约束的极大似然估计。给出了EM算法的具体公式,并利用bootstrap方法估算出这些估计值的精确度。最后通过一判别儿童总体中是否存在Catch-Up生长的例子以解释给出的方法。     

半参数回归模型中基于稳健散布阵的参数估计

基于稳健M-估计所得到的散布矩阵,给出了半参数回归模型中回归参数β的稳健估计,并证明了估计量的强相合性以及渐近正态性.     

基于残差的非线性自回归模型的拟合优度检验

时间序列模型中,考虑误差分布的拟合优度检验是很重要的．Lee和Na（2002）考虑了在线性自回归模型下,基于残差的Bickel—Rosenblatt检验问题．他们指出了在原假设条件下,检验统计量的极限分布与利用独立同分布观测值的经典Bickel—Rosenblatt检验相同．本文主要讨论无限阶的非线性自回归模型的基于残差的Bickel—Rosenblatt检验统计量的渐近性质．我们证明了在自回归函数未知的情况下,当满足一定条件时,检验统计量的渐近性质与基于真实误差的统计量的性质相同．     

多元线性模型回归系数的广义根方估计

将根方估计作一拓广，提出了回归系数的广义根方估计，证明了广义根方估计能更有效地改善最小二乘估计，并给出了广义根方估计的显示解和确定偏参数的方法。     

混合线性模型最小二乘估计的模拟分析

本文首先用最小二乘估计的方法构造混合线性模型参数的估计量,在一定的假设条件下,进行数值模拟,以说明所构造的估计量的有效性。并给出一个实际算例来体现混合线性模型在实际当中的重要应用。