关于非参数回归核估计的强相合性

令(X,Y),(X_1,Y_1),…,(X_n,Y_n)为取值R~d×R的i.i.d随机向量,对某个p>2,E(|Y|~p)<∞。我们用x及(X_1,Y_1),…(X_n,Y_n)的函数m_n(x)来估计回归函数m(x)=E(Y|X=x)。m(x)的一类非参数核估计定义为     

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     

收敛系统和回归模型中最小二乘估计的强相合性

考虑多元回归模型此处x_(ij)是已知常数,β_1,…,β_p是未知参数,y_i,e_i分别为第i次量测值和量测随机误差。以下,我们记设计矩阵(x_(ij))_(1≤i≤n,1≤j≤p)为X_n,并令Y_n=(y_1,…,y_n)′),β=(β_1,…β_p)′。β的基于前n次量测值Y_n及设计矩阵X_n的最小二乘估计b_n=(b_(n1),…,b_(np))′为     

线性模型误差方差估计的强相合性

线性模型是数理统计中最重要的模型之一。在样本容量确定和误差服从独立的正态分布的条件下,该模型的误差方差的最小二乘法估计具有周知的良好性。但在误差不一定服从正态分布时,迄今为止对这种估计的性质知道不多。1966年Gleser在样本容量无限和误差服从独立同分布的条件下获得了关于这种估计的重要结果。本文的结果则是在误差分布不一定相同这一更广泛的情况下给出的。     

一类截断数据非参数均值估计的强相合性

设x_i是一列独立同分布的寿命(非负)随机变量,具有     

随机回归模型中的一致相合估计

考虑多元线性回归模型,其中(?)为p维随机向量.y=(?) ε对来自(y,(?))的样本(y_1,(?)_1~τ),…,(y_n,(?)_n~τ),类似的回归关系如下:y=(?) ε_t,t=1,…,n.     

线性模型中误差方差估计的强相合性的充要条件

考虑通常的线性模型y_i=x_i′β+e_i,i=1,2,…,n,…,(1)此处{x_i}是试验点列,是一串已知的p维向量,β为未知的p维回归系数向量,{e_i}为随机误差序列,满足条件     

关于回归函数核估计的渐近正态性

令(X,Y)是具有联合密度的二元随机变量,如果EY有限。则称m(x)=E(Y|X=x)为X关于Y的回归函数。设{X_i,Y_i)是来自二元总体(X,Y)的随机样本。那么回归函数的核估计定义作     

线性估计弱相合性的一个问题

设给定了线性回归模型Y_i=x_i~'β+e_i,i=1,…,n,…,而当n充分大时,线性函数c′(n)可估,其Gauss-Markov估计(GME)记为c′(n),其中(n)为基于Y_1…,Y_m的,β的任一最小二乘估     

最小二乘估计相合性的若干结果

(?)≡(x_1,x_2,…)是已知的p维向量序列,e≡(e_1,e_2,…)是随机误差列,β≡(β_1,…,β_i)′是未知的回归系数向量.记S_n=x_1x_1~′…+x_nx_n~′.设当n≥n_0时,S_1~(-1)存在.把p×n矩阵S_n~(-1)(x_1…x_n)的(j,i)元记为u_(nji),则β的最小二乘(LS)估计为     

回归函数核估计L_1收敛的必要条件

设(X_i,Y_i),i=1,2,…是从(X,Y)的分布中抽取的(d 1)维随机向量。回归函数m(x)=E(Y|X=x)(如果它存在)的核估计是     

线性模型中回归系数最小二乘估计的相合性

这里介绍我们最近关于线性模型中回归系数的相合性问题所获得的若干结果。详细证明将另文发表。     

线性模型中最小二乘估计相合性的必要条件

考虑通常的线性模型Y_i=X'_iβ+e_i,i=1,2,…,未知参数向量β为p维的,关于{e_}讨论最多的有下面两种情况:     

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.     

φ-混合样本的核密度估计的强一致相合性

一、引言设{X_n}是乎稳、φ混合随机变量序列(例如见文献[1]),X_1的未知概率密度为f(x)。对每一n≥1,基于X_1,X_2,…,X_n,定义f(x)的核估计为     

关于线性模型中回归系数的最小二乘估计的相合性

考虑线性模型Y_1=x_i~′β e_i,i=1,2,…,其中i=1,2,…为已知的试验点列,β=(β_1,…,β_r)′为未知参数,ei,i=1,2,…为随机误差序列。由前n次试验结果算出β的最小二乘估计:     

关于一族单叶函数之逆函数的系数估计

n~I,2,3,·…(s)从而,我们可用归纳法证明!b,(t)!《(n l).}凡 ,1.事实上,由式(s)知,lbl(t)}-!Ze一“下,I=2一2!B:1,若设k相似文献   

共轭函数之熵的存在性

自从Fefferman关于熵的工作提出后,特别是Fefferman关于熵与Fourier级数点收敛关系的猜想被解决以后(当维数n=1时见文献[2],当n>1时见文献[3,4]),使我们看到这种熵理论作为研究L~1F氏分析问题之工具的有效性。本文将继续研究这种熵的理论。我们知道,如果把其熵为有限的函数之全体称为熵空间J的话,文献[1]已证明,此处,D为Dini函数类,即满足条件     

关于线性模型中LS估计相合的条件

考虑线性模型如下: y_i=x′_iβ+e_i,i=1,2,…,(1.1) 其中x′_i=(x_(i1),x_(i2),…,x_(ip))是已知常值向量,β′=(β_1,…,β_p)为未知参数向量,e_i为随机误差。记设计矩阵X_n=(x_1,x_2,…,x_n)′;Y_n=(y_1,y_2,…,y_n)′;S_n~(-1)=(X′_sX_n)~(-1)(S_(ij)~((n)))_(1≤i,j≤n)并且假定当n充分大时S_n满秩,则熟知β的最小二乘(LS)估计(n)有如下表达式:     

强连续完全有界线性算子函数对理论

关于Banach空间中的完全二阶线性微分方程,虽然最近的工作有了实质性进展,但类比于半群及余弦函数的相应算子函数理论却未能恰当的建立.如文献[7—9]就附加了线性算子A、B可交换等很强的假设,使得结论的意义受到限制.本文建立了强连续完全有界线性算子函数对理论,包括强连续完全算子函数对的基本性质、生成定理、扰动定理及应用于完全二阶线性微分方程的基本定理.