φ-混合样本下分布函数在有限点的联合渐近分布

本文在φ-混合样本情形,通过大小分块方法和利用矩不等式首次构造并证明φ-混合样本下分布函数在有限个点处的核估计的联合渐近分布,得到联合渐近分布服从多元正态分布。     

正态模型单参数经验贝叶斯估计

依据经验贝叶斯估计的思想方法,研究在平方损失函数下,正态模型单参数的经验贝叶斯(EB)估计问题.先将理论贝叶斯估计用的边际分布密度函数及该分布密度函数的一阶导数表示出来,再利用过去样本值和当前值 ,采用密度函数的核估计方法构造相应的函数代替理论贝叶斯估计中的函数,得到参数的经验贝叶斯估计,最后证明了所得到的经验贝叶斯估计是渐近最优的.     

NA样本下分布函数估计的联合渐近分布

研究了NA样本下分布函数的核估计在有限个不同点上的联合渐近分布,证明了该分布为多维正态分布,从而将分布函数的核估计从单点推广到多点,扩大了分布函数核估计的应用范围.     

频率插值密度估计的渐近无偏性与相合性

从频率插值的定义出发,证明单变量频率插值函数是总体分布密度的一个相合估计且渐近无偏.     

关于Lupas-Baskakov算子的点态逼近估计

综合利用概率论一中心极限定理的一种渐近展开形式和Bojanic-Cheng方法结合分析技巧研究了Lupas-Baskakov算子对局部有界函数的点态逼近估计，进一步证明了此估计在连续点处是渐近最优的，并给出了Lupas-Baskakov算子关于单调函数和凸函数的几何性质．     

同分布负相协情形下威布尔分布族参数的经验贝叶斯检验问题

在同分布负相协样本情形下研究了威布尔分布族参数的经验贝叶斯检验.利用密度函数核估计方法构造了参数的经验贝叶斯检验函数,在加权线性损失下获得了该估计的收敛速度,在适当条件下证明了经验贝叶斯检验函数的渐近最优性.     

非参数计量经济模型的变窗宽核估计

在随机设计(模型中所有变量为随机变量)下,提出了非参数计量经济模型的变窗宽核估计,并利用概率论中大数定理和中心极限定理,在内点处证明了它的一致性和渐近正态性.它在内点处的收敛速度达到了非参数函数估计的最优收敛速度.     

半参数计量经济联立模型的局部线性广义矩变窗宽估计

提出半参数计量经济联立模型的局部线性广义矩变窗宽估计,并在随机设计(模型中所有变量为随机变量)下,利用极限理论研究了估计的大样本性质.研究结果表明:参数分量估计具有一致性和渐近正态性且收敛速度为n-1/2;非参数分量估计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函数估计的最优收敛速度.     

区间数据的线性回归模型中误差项方差的估计

从无偏转换的思想出发,对区间数据的线性回归模型中误差项方差进行了估计.当截断变量的分布密度函数已知时,得到一批具有强相合性和渐近正态性的估计量,并通过模拟计算对这种估计方法的可行性进行了验证.     

变系数回归模型的局部M-估计

讨论了变系数回归模型的系数函数的估计问题.在通常的局部M-回归方法基础上嵌入一个变窗宽对模型的系数函数进行了估计,并在样本独立同分布的情况下,讨论了系数函数估计的弱相合性和渐近正态性,最后,给出了估计的渐近性质的证明.     

在NA样本下一类双边截断型分布族参数的经验Bayes估计

在平方损失下,讨论一类双边截断型均匀分布族参数的经验贝叶斯(EB)估计的渐近性.按照贝叶斯(Bayes)方法,导出均匀分布族参数的 Bayes 估计,利用历史样本,采用概率密度函数的核估计方法,构造出边缘密度函数的估计,从而得到参数的EB估计,在一定的条件下,证明所得到的EB估计是渐近最优的,而且得到了其收敛速度,最后举例说明满足定理条件的参数的先验分布是存在的     

Riesz空间中具不完全信息函数的L_q(R~m)最优恢复(英文)

研究了Riesz空间中函数用其具一定分布条件的无穷点集上函数值的恢复问题，并且建立了相应量的弱渐近估计．     

关于一类可乘函数的均值

研究了一类可乘函数的均值估计,利用解析方法给出了几个较强的渐近公式,所得结果表明该类函数具有较好的渐近分布性质.     

关于整数及其逆的差

研究了整数及其逆的误差项均方值估计.利用广义Bernoulli数、Dirichlet L-函数的均值定理,给出一个渐近公式,所得结果表明该类函数具有较好的渐近分布性质.     

关于Post-Gamma算子的点态近估计

综合利用概率论中的中心极限定理的一种渐近展开形式和Bojanic-Cheng方法，研究了Post-Gamma算子对局部有界函数的点态逼近估计，得到精确的逼近阶，并进一步证明了此估计在连续点处是渐进最优的。     

Riesz空间中具不完全信息函数Lq（R^m）最优恢复

研究了Ｒｉｅｓｚ空间中函数用其具一定分布条件的无穷点集上函数值的恢复问题，并且建立了相应量的弱渐近估计。     

附加信息下分布函数与分位数估计的渐近性质

对于在附加信息Ｅｇ（Ｘ）＝０下,用经验似然方法所获得的分布函数和分位数估计,给出了这些估计的强相合性,渐近正态性和重对数律,并且说明它们的渐近方差比通常分布函数和分位数估计的渐近方差要小。     

在LINEX损失下指数分布刻度参数EB估计的渐近最优性

在LINEX损失函数下,研究指数分布刻度参数的非参数的经验Bayes(EB)估计问题.在此损失函数下,找出参数的Bayes估计,利用抽到的样本,采用密度函数的核估计方法,构造总体X的边缘密度函数,得到参数的EB估计,指出这种EB估计是渐近最优的,它的收敛速度为0(n-γs(l-2)/(2s+1)l),并且这种EB估计方法可推广到多参数情形,举例说明它的应用.     

密度与回归的随机窗宽核估计的渐近正态性

本文建立了密度和回归函数的随机窗宽核估计的渐近正态性,并给出了在回归函数最近邻估计场合的一个应用。     

广义Lupas-Baskakov算子关于导数为局部有界函数的点态逼近估计

得到了广义Lupas Baskakov算子一阶绝对矩量的渐近估计式,并结合区间分割技术和Bojanic Cheng方法研究了广义Lupas Baskakov算子关于导函数为局部有界函数的点态逼近估计.