非线性回归参数LS估计量性质的模拟研究

本文在非线性回归模型 y=f(x,θ)+ε的参数θ的最小二乘(L S)估计的基础上,使用随机模拟的方法来讨论所得估计量的性质.     

动态平行数据模型中固定效应模型的模型设定问题

将数据生成过程为一阶自回归的时间序列yt=α+ρyt-1+tε,tε~i.i.d(0,σ2),t=1,2,…T的大样本性质推广到动态平行数据模型中,在固定效应模型中构造并证明了模型设定的χ2统计量,并解决了动态平行数据模型中固定效应模型的模型设定问题.     

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.     

误差为ρ~-时非线性模型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,在适当的条件下证明了θ的M估计的强相合性.     

误差为ρ-时非线性模型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,在适当的条件下证明了θ的M估计的强相合性.     

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。     

方差分量模型中均值参数线性估计的可容许性

考虑模型:{Y=β+ε Eε=0 Eεε′=sum from i=1 to m θ_iv_i }其中 v_i≥0已知;β∈R~k,θ_i>0为未知参数,i=1,2,…,m.对于上述模型,本文得到了在矩阵损失函数下均值参数线性估计可容许性的充要条件.     

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.     

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.     

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。     

关于polynomial自同构的一个注记

设φ是群G的自同构, 如果对于任意的x∈G, 都有φ(x)=(v^-1₁x^ε₁v₁)(v^-1₂x^ε₂v₂)…(v^-1_mx^ε_mv_m),其中ε_i=±1, v₁,v₂,…,v_m是G中固定的元素,那么称φ是G的polynomial自同构。证明了如果G是幂零类为c的幂零群被导长为d的可解群的扩张, 那么G的polynomial自同构生成的群是幂零类至多为c-1的幂零群被导长至多为2d的可解群的扩张。     

阳离子标准熵、 水合焓与配分函数的相关性

根据独立共同可别粒子体系的熵与配分函数关系, 建立70种固体化合物中阳离子标 准熵［Ｓ⁰_m／(J·mol^-1·K^-1)］与 其相对原子质量(A_r,i)、 电子层数（n_i）的数学模型： Ｓ⁰ _m=-0.51＋3.59·(1.5ln A_r,i)^1.4-0.31 (ln n_i)², R=0.9996. 对于独立共同不可别粒子体系的焓与配分函数的关系, 建立51种金属离子水合 热［Δ_hH_m／（kJ·mol^-1）］与其基态能量(ε_i )的回归方程为： -Δ_hH_m =46.93＋525.49ε_i , R=0.9920. 以上模型的计算值与实验值都基本吻合.     

ND样本加权回归函数估计的强相合速度

设{ε_i,1≤i≤n}为ND随机误差序列, 利用ND序列的Bernstein不等式, 在非参数回归模型Y_i=g(x_i)+ε_i(1≤i≤n)下, 研究未知函数g(x)加权核估计g_n(x)的强相合速度,
从而将加权回归函数估计的相合性推广到ND样本.     

A-收敛与几乎处处收敛

设A≡(a_i)^∞_i=1?S+_<sub>l₁,其中,S</sup>+_<sub>l₁表示l₁单位球面上的所有正向量构成的集合.Banach空间X中的序列(x_n)称为A-收敛于x∈X,是指对任意的ε>0,lim_i→∞〈a_i,χ_A(ε)〉=0,其中,A(ε)={n∈N∶‖x_n-x‖≥ε}.用两种不同的收敛方式刻画A-收敛,即证明对任意A≡(a_i)∞_i=1?S</sup>+_<sub>l₁,存在一个N上的理想I_A,以及一族极端有限可加概率测度P_ext(I_A),使A-收敛且理想I_A-收敛和测度P_ext(I_A)-收敛互为等价.此外,证明A-收敛为测度P_ext(I_A)-几乎处处收敛的充分必要条件是该A-收敛为非退化的.</sup>     

关于函数域中相交多项式的一个注记

以Z表示有理整数环。设L为一个特征为p的域, f(x)=∑ⁿ_j=0a_jx^j∈L［x］,L［x］表示L上的多项式环。假定在L的某个代数闭包上, f(x)=a∏^r_i=1(x-η_i)^e_i。此处,a∈L,一切η_i是两两不同的,r,e₁,e₂,…,e_r是正整数,且r≥2, n=∑^r_j=1e_j。f的半判别式Δ(f)被定义为Δ(f)=a^2n-1∏_{1≤i,j≤ri≠j}(η_i-η_j)^{e_i e_j}。证明了下面的结果: 如果n1,e₂,…,e_r)有关的正整数m与G∈Z［x₀,x₁,…,x_n］,使得Δ(f)=1/mG(a₀,a₁,…,a_n)且m|n!。此外,当L为有限域时,还应用此结果研究了与环L［x］上相交多项式有关的一个问题。     

一类微差分方程整函数解的性质

利用值分布理论对一类微差分方程f(z)ⁿ+P(f)=β₁e^α₁z+β₂e^α₂z+β₃e^α₃z的整函数解的存在性、增长性和零点收敛指数进行了研究,其中α_i,β_i(i=1,2,3)为复常数,P(f)为f(z)的1阶微差分多项式,并推广了已有的一些结论.     

三角代数上互逆元处的高阶ξ-Lie可导映射

设U=Tri(A,M,B )是含单位元1的三角代数,1_A、1_B分别是A和B的单位元。对任意的A∈A, B∈B分别存在整数k₁、k₂,使得k₁1_A-A, k₂1_B-B在三角代数中可逆。利用代数分解的方法,证明了如果{φ_n}_n∈N:U→U是一列线性映射满足对任意的U,V∈U且UV=VU=1,有φ_n(［U,V］_ξ)=∑_i+j=nφ_i(U)φ_j(V)-ξφ_i(V)φ_j(U)(ξ≠0,1),则{φ_n}_n∈N是U上的高阶导子,其中φ₀=id₀是恒等映射,［U,V］_ξ=UV-ξVU。     

二阶脉冲微分方程Dirichlet问题非平凡解的存在性及多解性

研究了二阶脉冲微分方程Dirichlet问题{u″(t)+f(t,u(t))=0, t∈(0,1), t≠t_i,Δu|_t=ti=α_iu(t_i), i=1, 2,…,k,u(0)=u(1)=0非平凡解的存在性及多解性。其中α_i>-1, i=1, 2,…,k 为给定常数, 0=t₀12<…kk+1=1 为给定的脉冲点。Δu|_t=ti=u(t⁺_i)-u(t^-_i), u(t⁺_i), u(t^-_i)分别表示u在t=t_i处的右极限和左极限。 f∈C(［0,1］×R, R)。 本文的主要结果推广和改进了一些已有的关于二阶脉冲微分方程Dirichlet问题非平凡解的存在性及多解性的结论。 主要结果的证明基于López-Gómez在2001年建立的分歧定理。     

城市地理系统结构与功能的分形模型——关于地理系统异速生长方程与Cobb-Douglas函数的理论探讨与实证分析

从一般城市动力系统出发,推导出城市和城市体系的异速生长方程和Cobb-Douglas函数(即C-D函数),建立了二者之间的数理关系并揭示了其隐含的分形性质;进而证明城市C-D函数中的系数包含有其他各种要素的有关信息,这为借助单要素分析复杂地理动力系统提供了理论依据和实用方法。利用异速生长关系和要素-产出的弹性性质可将C-D函数化为二要素形式,据此发展了城市结构的广义维数方程。基于分形优化思想,运用数学规划原理,从上述模型中导出城市地理系统结构与功能的优化条件表达式。以郑州市为实证对象,对文中有关理论模型进行了实证分析,最后将结论推广到一般地理学领域。     

一种自适应的密度峰值聚类算法

针对密度峰值聚类(density peak clustering, DPC)算法不能根据数据集自适应选取聚类中心和截断距离d_c,从而不能自适应聚类的问题,提出了一种自适应的密度峰值聚类(adaptive density peak clustering, ADPC)算法.首先,提出了一个综合考虑局部密度ρ_i和相对距离δ_i的参数μ_i,根据μ_i的排列顺序及下降趋势trend自动确定聚类中心.然后,基于基尼系数G对截断距离d_c做了自适应选择.最后,对ADPC算法做出了实验验证,并与DPC算法和K-means算法进行了对比.实验结果表明,ADPC算法具有较高的ARI,NMI和AC值,具有较好的聚类效果.