固定设计下半参数回归模型估计的随机加权逼近

考虑固定设计下的半参数回归模型:y_i=x_iβ g(t_i) e_i,i=1,…,n 对利用一般非多数估计法结合最小二乘法得到的参数分量β和误差方差σ~2的估计量(?)_n和(?)_n~2,本文用随机加权法构造了(?)_n和(?)_n~2的随机加权统计量H_(?)_n和H_(?)_n~2,并证明了在给定原样本的条件下,H_β_n和H_((?)_n~2)分别与n~(1/2)((?)_n-β)和n~(1/2)((?)_n~2-σ~2)有相同的渐近分布.     

离散指标下的最近邻判别分析

设(θ,X),(θ_1,X,),…,(θ_n,X_n)是独立同分布的随机向量,θ∈{0,1},X∈x{0,1,2,…相似文献   

积分算子的奇异数和本征值Ⅱ

最近 Rcade 改进了关于 Wcyl 对称核 K(x,y)∈C~1 的本征值为 λ_n(K)=o(n~(-3/2))的经典估计.他把C~1假定放宽为假设 K(x,y)∈L~2(Ω),K(x,y) 按每个变数分别地绝对连续,而且和都在L~2(Ω)中,这里Ω=(0,1)×(0,1),他证明了sum from (n~2λn~2(k)<∞).在前一篇文章[3]中,在 Rcade 的条件下得到.本文把这个结论推广到更一般的情况.     

关于随机线交点的分布

过平面上的原点做直线L,与x轴交角为α,0<α<π,令L~+表示L的y坐标为正的部分。M(x),x≥0为正半x轴的点过程,在第n个点以随机角θ_n沿x轴负向做一直线,设{θ_n,n≥0}独立且与M(x)独立,有共同分布函数F(·),0<θ_1<π。令φ~+表示L~+上这些随机线交点的集合。[1]研究了M(x)为齐poisson过程时φ~+性质,本文讨论M(x)为Mixed poisson的情形。     

高维正定核的本征值的渐近分布

本文的目的是,讨论由正定的C~r周期核K(x,y,u,v)生成的积分算子k的本征值的渐近分布,主要结果是,当r是偶数时,本征值λ_n(K)满足sum from 1 to ∞ (n~(r/2)λ_n)(K) <∞,而当r奇数时则有sum from 1 to ∞ (n~rλ_n~2)(K)<∞。     

关于误差方差估计中的一致余项级数的绝对收敛性

一、引言如所周知,如果X_1,X_2,…,i、i、d,EX_1=0,EX_1~2=σ~2<∞,则对任何—∞相似文献   

不同分布的随机中心极限定理

引言设{ξ_k}是独立同分布的随机变量序列,其均值Eξ_k=0,方差D(ξ_k)=1,(k=1、2…)。记η_n=sum from K=1 to=n(ξ_k) ξ_n=η_n/n~(1/2) 那么独立同分布的中心极限定理成立,即 n→∞P(ξ_n相似文献   

混合样本下条件中位数L_1模最近邻估计的相合性

设(X、Y),(X1、Y1),(X2、Y2),…为取值于Rd×R1上同分布的Φ混合序列,Y对X的条件中位数θ(x)定义为在给定X=x时Y的条件分布函数的中位数。该文利用最近邻方法,定义了θ(x)的L1模最近邻估计θ^n(x),在一定条件下证明了θ(x)的逐点强相合性     

AR（1）模型参数估计误差的随机加权逼近的收敛速度

本文构造了适当的随机加权统计量,证明了以此统计量的条件分布逼近AR(1)模型参数的LS估计误差的分布,其收敛速度可达到0(1/n~(1/2))。     

部分线性模型中非参数估计的强相合性

考虑部分线性模型:y_i=x_iβ+g(t_i)+σ_ie_i,1≤i≤n,其中σ_i~2=f(u_i),(x_i,t_i,u_i)是固定非随机设计点列,f(·)和 g(·)是未知函数,β是待估参数,e_i 是随机误差。我们研究了基于β的最小二乘估计β_n 和加权最小二乘估计_n 的非参数 g(·)的估计,并证明了他们的强相合性。     

M-估计的强相合性

本文在x1，x2，…，xn，…为非随机变量的情况下讨论了模型y1=f（xi，θ）＋εi i=1，2，…，n下的M-估计θn的强相合性，其中θn满足∑^ni=1p（yi-f（xi,θn））=minθ∈⊙ ∑^ni=1p（yi-f（xi,θ））给出了M-估计具有强相合性的一个充分条件。     

具Jacobi节点的Bernstein型插值算子的收敛阶

本文讨论了一类以Jacobi节点为基点的Bernstein型插值算子F_n(f,x)的逼近阶。本文所得的主要结果是:设f(x)∈C_([-1,1]),则|F_n(f,x)-f(x)|≤C[ω_2(f,((1-x~2)~(1/2))/n)+ω(f,1/n~2)],它改进了O.Kis和孙燮华对同类问题所做的结果。     

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．     

相依样本条件t-分位数核估计的强收敛速度

在一定条件下,得到了φ混合样本条件t分位数的核估计强收敛速度,即定理　对同分布的φ混合样本(X1,Y1),…,(Xn,Yn)∈Rd×R1,若 X1具有边际密度函数f; 条件分布函数F(y｜x)在(x,θx(t))的邻域内具有连续的密度函数f(y｜x); ∑nφ(n)<∞; h=(n-12logn)1d 1,0相似文献   

平稳过程回归函数核估计相合的充要条件

本文对一类平稳过程,在 EY~2<∞下及最大相关系数ρ(n)=O(n~(-(1/2))(logn)~(-2))时,获得了回归函数递归核估计强、弱相合等价的充要条件。     

一元线性模型LS估计的r-平均相合性

本文证明了在一定条件下,若LS估计β_(nm)(m是某固定的正整数)是β的r—平均相合估计(r≥2),那么β_n是β的r—平均相合估计     

关于n维单形的宽度

设E~n中n维单形△_n的宽度与诸高线长分别为W(△_n)与h_i(i=1,2,…,n+1),本文主要结果是:W(△_n)≤C_n~(?)(multiply from i=1 to (n+1)(h_i)1/(n+1)且当△_n为正则单形时上式中等号成立.其中C_n~(?)=n~(1/2)/[(n+1)/2]~(1/2)(n+1-[(n+1)/2])~(1/2)为常数.     

借助直观证明斯特林公式

n1=2πn~(1/2)(n/e)~n_eθn/12n (0<θ_n<1)称为斯特林公式。它的应用是众所周知的。该公式的证明一般比较冗长或者证明思路不易理解。我们利用求面积的几何直观给出一个思路容易理解的证明方法。研究位于区间〔1,n〕(n为自然数)上以曲线y=1nx为顶的曲边梯形的面积A_n(见附图)。     

m相依样本概率密度函数核估计的相合性

设｛Xn,n≥1｝为严平稳的m相依随机变量序列, f(x)为X₁的概率密度函数, 基于样本X₁,X₂,…,X_n, 构造了密度函数f(x)的核估计, 并利用独立同分布样本的性质证明了f(x)核估计的r阶平均相合、 逐点相合和一致强相合性.     

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.