m相依样本均值的Bootstrap估计

1979年著名统计学家Efron提出Bootstrap法用于估计随机变量的概率分布。如所周知,当样本为i.i.d.时,Bootstrap适用于(?)_n,但若样本不独立,Singh指出,即使{X_i,i=1,2,…)为平稳m相依,Bootstrap估计可能不相合。因此,如何建立非独立场合的Bootstrap法在理论上与应用中具有重要的意义。本文目的在于利用基于刀切虚拟值的Bootstrap法以解决m相依样本均值Bootstrap逼近的相合性。     

半相依回归方程的一种优于BLUE的估计

一、引言 考虑半相依回归方程Y_i=X_iβ_i+ε_i(i=1,2),其中Y_i是n×1的随机观测向量,X_i是n×p_i阶列满秩矩阵,β_i是p_i×1的未知回归系数,ε_i是n×1的随机误差向量,且满足E(ε_i)=0,cov(ε_i,ε_j)=σ_(ij)I (i,j=1,2),其中σ_(12)≠0,I是n阶单位阵,Σ=(σ_(ij))是2×2阶正定阵。这样的方程可以写为如下线性模型:     

半参数变量含误差回归模型的小波估计

最近我们利用小波方法研究了半参数变量含误差函数关系模型:     

一类回归方程系统的两步估计

一、前言 考虑两个回归方程的系统y_i=X_iβ_i ε_i(i=1,2),其中y_i是n×1的随机观察值向量,X_i是秩为P_i的n×P_i阶已知矩阵,β_i是P_i×1的未知参数向量,而ε_i是n×1随机误差向量。假定(ε1,ε2)的n个行是互相独立地服从二维正态分布N(O,Σ),其中Σ=(σ_(ij))是     

相依样本情形时密度的核估计

由样本对总体的分布密度作核估计,在独立情形时已有一系列的结果。但对相依样本,相应的结果尚未见诸文献。本文的目的即是将独立情形时的一些重要定理推广到平稳样本上去。     

半空间上半线性椭圆型方程组正解的对称性

1979年,Gidas等人用平移平面法结合极大值原理讨论了椭圆型方程正解的对称性和单调性.此后十几年中,这方面的研究工作开展得十分活跃,如Gidas等人证明了“如果u∈C~2(?)是方程面△u u~p=0,u(?)Ω=0在半空间Ω=│x=(x_1,x_2,…,x_N)│X_N>0│中的非负解,12是空间维数,则u只依赖于X_N”正如文献[2]中指出的那样,这个结果好就好在对解在无穷远处未加限制.1993年,Berestycki等人应用文献[4]中提出的滑动方法证明了“如果u∈C~2(?)是方程△u f(u)=0,u(?)Ω=0在半空间Ω=│x=(x_1,x_2,…,x_N)│x_N>0│中的正解,且supu=M< ∞,f是[0,M]上的Lipschitz连续函数,f(M)≤0,则u只依赖于X_N”上述这些结果,以及由此产生的各种方法,如平移平面法、滑动方法、窄区域上的极值原理等等,对我们研究非线性椭圆型方程的解的对称性、单调性及解的先验估计等提供了某些行之有效的办法.关于半线性椭圆型方程组的解的对称性和单调性研究,至今为止还未广泛开展.众所周     

相依样本情形误差方差估计的强逼近

考察线性模型其中{y_i},{x_i},β及e_i的意义如文献[1]。现设{e_i}是强平稳序列,满足     

独立与m相依变量组列的弱收敛

本文给出了独立随机变量组列所产生的部分和过程弱收敛于Brown运动过程的充要条件,即定理1 设k_n(t)是[0,1]上整值右连续增加函数,k_n(0)=0,k_n(1)=k_n。对于独立随机变量组列{ξ_(nk)},有常数列{a_(nk)},记     

有界非零函数的系数估计

1::(鱼匕弊工、1引:J:乙尘边迎互丫!、之一‘/l\1一之‘/这里H’(!zl<1)表示在}之I<1中一切解析函:数之上线性连续泛函的空间. 在H‘(}引<1)中选取特殊的泛函L便可得如下推论: 推论1设f(劝=艺an扩在}之!相似文献   

单叶函数系数的上界估计

记S为单位圆上单叶解析函数f(z)=z+a_2z~2+…的全体。Bieberbach猜想认为:设f(z)=z+(sum from n=2 to ∞) a_nz~n∈S,则|a_n|≤n,n=2,3,…。对这一猜想一般有几种研究方式。其中之一是证明     

关于单叶函数的系数估计

设函数,即在|z|<1内是正则、单叶的。Bieberbach猜想|a_n|≤n(n=2,3,…)。早就知道|a-n|的精确阶是n,即。经过十次的改进,1978年,D.Horowitz证明:c<1.0657。最近,胡克证明:若f(z)∈S(α),即f∈S,     

关于收缩系数的一个估计

文献[1—3]中所给出的关于K膨胀调和映射的Riemann度量与体积元素的收缩系数的估计远非精确,事实上只要用作者文献[4]中的方法,十分容易得到较其为精确的估计。设M是一个m维Riemann流形,N是一个n维Riemann流形,今分别取正交上标架{θ~i},     

m相依随机场渐近正态的一致收敛速度

称定义于同一概率空间(Q,J,P)上的随机变量族{X(Z),Z∈Z~p}为p维随机场。对VZ~p,记由{X(Z),Z∈V}产生的自然σ域为μ(V)。如果对任何V_1,V_2Z~p,d(V_1,V_2)>m,有μ(V_1)与μ(V_2)独立,则该随机场称作m相依的。     

一类半线性退化进化方程组的Cauchy问题

本文考虑高阶半线性进化方程组Cauchy问题广义解和古典解大范围的存在性、唯一性和正则性,其中u(x,t),f(u),φ(x),是J维向量函数。A_m(t)(m=1,2,…,M)是非负定矩阵,B_r(t)(r=0,1,…,R)是对称矩阵,c_p(p=1,2,…,P)是对称非负定常数矩阵,这些矩阵可以是奇异的。因此方程组(1)包含着下列情况:其中几个方程是抛物型或拟抛物型偏微分方程组,而另一些是常微分方     

相依样本时线性模型中误差方差估计的不变原理

对于线性模型中误差方差估计的性质已有了相当深人的讨论,但看来都还只限于独立样本的情形。本文试图考虑平稳、强混合序列的场合,给出了若干弱不变原理。设有线性模型     

α混合相依下非参数核回归的相合性

设{(Y_t,Z_t),t=0,±1,±2,…}为定义在概率空间(Ω,(?),(?))上取值于R~p×R~1的随机平稳序列,若E|Z_t|<∞,则回归函数(?)(y)=E(Z_t|Y_t=y)存在.设(Y_1,Z_1),(Y_2,Z_2),…,(Y_n,Z_n)为该平稳序列的一个样本量为n的实现,则(?)(y)的Nadaraya-Watson估计即(?)_n(y)=sum fron i=1 to n Z_i K(y-Y_i/h_n)/ sum from j=1 to n K(y-Y_j/h_n),这里h_n为正常数(窗宽),K(·)是R~p上的非负Borel可测核函数.本文中0/0定义为0.若Y_t=(Z_(t-1),…,Z_(t-p)＇,此在非线性时序中具有特别的兴趣,(?)(y)即为自回归函数.为讨论(1)式的渐近性质,文献中要求平稳序列具有一定的混合性,比较典型的有:(?)混合,ρ混合β混合,α混合.其中α混合具有特别的兴趣:首先由其他3种混合性可推出a混合,α混合是对序列相依较为宽容的限制;其次,在非线性时序中,在一些可验证的条件下,非线性模型具有几何遍历性(见文献[1,2]及An和Huang~1),Lu~(2)～4)等),由其可得β混合,从而α混合,且混合系数以几何速度收敛于0.基于这些,本文在α混合下讨论(1)式的渐近性.定义 称平稳序列{(Y_t,Z_t),t=0,±1,±2,…}为α混合,若α(k)=sup|P(AB)-P(A)P(B)|→0.(2)当k→∞时,其中(?)_a~b表示由{(Y_t,Z_t),α≤t≤b}生成的σ代数,α(k)称为混合系数.     

相依样本时线性模型中误差方差估计的不变原理

设有线性模型Y_i=x_i′β+e_i,i=1,2,…,其中试验点列{x_i}是一列已知的p维向量,{Y_i}是试验结果数列,β是未知的p维向量,{e_i}是随机误差序列,满足平稳、强混合条件     

多元回归系数线性估计的可容许性

其中X是已知矩阵;(?)和σ~2>0是未知参数;V>0是已知矩阵。简记上述模型为H。 损失函数取为:(d—S(?))’(d-S(?))。在线性模型下(m=1),此时风险函数是实函数,因此,有关风险大小的比较就自然地按数的大小来进行,而在多元线性模型下,这时的风险     

两族解析函数逆函数的系数估计

记在单位圆内解析,Ref′(z)>0}, 在单位圆内解析,Re[f(z)/z]>0)。设f(z)∈(?)或S_0,其逆函数在w=0处有展式     

回归函数递归核估计相合的充要条件

设(X_1,Y_1),(X_2,Y_2),……为(X,Y)的样本,(X,Y)在R~d×R中取值,μ为X的概率分布,m(x)=E(Y|X=x)的核估计,递归核估计分别为