参数已知比例可加模型的有效估计

讨论了比例可加模型的非参数估计.利用局部线性方法和平均方法给出函数的平均估计,结合回切方法,定义了函数的有效估计,并研究了有效估计的相合性与渐近正态性.     

参数已知比例可加模型的M-估计

讨论比例可加模型的非参数估计。首先,使用局部线性方法和平均方法给出了未知函数的初估计,然后利用回切方法,定义了未知函数及其导函数的M-估计;进一步,研究了该稳健的M-估计的弱相合性与渐近正态性。     

参数已知下比例函数线性模型的积分估计

研究比例函数系数模型的积分估计,首先用局部线性方法得到了初始估计,在此基础上用积分方法定义积分估计,进一步研究了积分估计的渐近正态性.     

比例可加模型的参数估计

讨论了比例可加模型的参数估计.使用局部线性方法和平均方法定义了参数给定情况下未知函数的平均估计,然后使用回切方法和最小二乘法给出了未知参数向量的估计,并研究了参数估计的渐近正态性.     

参数已知下比例函数系数线性模型的局部多项式估计

比例函数系数模型在统计中有很广泛的应用,文中对该模型使用局部多项式方法进行估计,给出了函数系数的估计及其渐近正态性。     

比例可加模型参数估计的相合性

讨论了比例可加模型的参数估计.首先,使用局部线性方法和平均方法定义了参数给定情况下函数的平均估计,然后使用回切方法和最小二乘法给出了未知参数向量的估计,并研究了参数估计的相合性.     

半变系数模型的局部多项式估计

半变系数模型在统计中具有重要的应用。文章对该模型的常数系数，采用局部多项式估计方法和平均方法，给出了它的估计，对于函数系数通过应用常数系数的估计，采用局部多项式估计方法给出其估计，并给出估计的渐近正态性和证明。     

半变系数模型的估计及性质

半变系数模型在统计中具有重要的应用,本文时该模型的常数系数,采用局部多项式估计方法和平均方法,给出了它的估计,对于函数系数的估计通过应用常数系数的估计,采用局部多项式估计方法给出其估计,并给出估计的渐近正态性和证明．     

非参数计量经济联立模型的局部线性工具变量估计

发展了一种非参数联立方程计量经济模型的估计方法。将非参数单方程计量经济模型的局部线性估计方法与传统联立方程计量经济模型的工具变量估计方法相结合 ,在随机设计下 ,提出了非参数联立方程计量经济模型的局部线性工具变量估计方法 ,并利用大数定律和中心极限定理等在内点处研究了该方法的大样本性质。结果表明 :该方法在内点处具有一致性和渐近正态性 ,其收敛速度达到了非参数模型估计的最优收敛速度     

误差相关下半变系数模型的随机约束估计

讨论误差相关下半变系数模型的随机约束估计。先用局部线性方法给出未知系数函数的估计,再由最小二乘法估计出未知参量,并讨论了估计的渐近正态性。     

部分线性可加模型的约束估计

文章讨论部分线性模型在约束情况下的估计问题.在一般的线性约束条件下利用两种方法构造参数分量的约束估计;当参数部分附加随机约束条件时,依据混合估计方法与Profile最小二乘方法,构造参数分量的随机约束估计;讨论一般约束估计和随机约束估计的关系.     

可加危险生存治愈模型的估计

最近以来,可加危险(AH)模型被广泛地应用于生存分析数据,模型的协变量可以假设为时间独立或时间相关.基于混合、非混合治愈模型和“不正确”的比例危险模型,本文将上述的可乘危险模型延伸到可加的危险模型,这里的模型可以允许含治愈部分的生存数据的存在.“不正确”的AH模型的模型识别和参数估计也在文中进行了讨论.     

可加危险生存治愈模型的估计

最近以来，可加危险（AH）模型被广泛地应用于生存分析数据，模型的协变量可以假设为时间独立或时间相关。基于混合、非混合治愈模型和“不正确”的比例危险模型，本文将上述的可乘危险模型延伸到可加的危险模型，这里的模型可以允许含治愈部分的生存数据的存在。“不正确”的AH模型的模型识别和参数估计也在文中进行了讨论。     

可加混料模型参数估计A—最优正交区组设计

对于含有过程变量的二阶可加混料模型，研究了参数估计的Ａ－最优正交区组设计，借助计算机求解非线性规划问题，一般地给出了ｑ分量二阶可加料模型的Ａ－最优正交区组设计。     

函数型部分线性可加模型及其估计

对于函数型回归模型,提出一种更一般的半参模型,这个模型能够同时克服参数模型和非参数模型的不足,从而获得更稳健的估计。研究了函数型部分线性可加模型中的参数估计问题,并且建立了估计量的渐近性质,同时推广了现有文献中的相关结果。     

一类β-GARCH模型的参数估计

首次提出了基于广义误差分布(Generalized error d istribution,简称GED)的一类β-广义自回归条件异方差模型(Generalized Autoregressive Cond itional heteroscedastical,简称β-GARCH),给出了该模型的平稳遍历性和高阶矩的存在条件,在GED下,将时间序列尾部的特征融入到β-GARCH模型的参数估计之中,并给出了该模型估计的BHHH算法.