相协样本分布函数光滑估计的正态逼近速度

在平稳相协样本下,讨论分布函数光滑估计的一致渐近正态性.在较合理的条件下给出了分布函数光滑估计的一致渐近正态性的收敛速度,这个速度几乎达到n~(-1/4).     

强混合样本下回归加权估计的一致渐近正态性

在强混合样本下,讨论固定设计回归模型的加权函数估计的一致渐近正态性,给出一致渐近正态性的收敛速度,这个速度接近n-1／6．     

PA样本回归权函数估计的一致渐近正态性

在平稳PA样本下,讨论了非参数回归模型中权函数估计的一致渐近正态性,并给出了这个估计的一致渐近正态性的收敛速度.     

删失指标随机缺失下一类非参数函数的加权局部多项式估计及其应用

本文在右删失数据中删失指标部分随机缺失下,构造了一类非参数函数的校准加权局部多项式估计以及插值加权局部多项式估计,并建立了这些估计的渐近正态性;作为该方法的应用,导出了条件分布函数、条件密度函数以及条件分位数的加权局部线性双核估计和插值加权局部线性双核估计,并且得到了这些估计的渐近正态性;最后,在有限样本下对这些估计进行了模拟.     

自然联系函数下自适应设计广义线性模型的渐近性质(英文)

本文在一些弱的条件下,对自然联系函数和自适应设计下广义线性模型的极大拟似然估计渐近性进行研究,获得了极大拟似然估计的渐近存在性、弱相合性、收敛速度及渐近正态性.并通过蒙特卡罗数值模拟的方法对所得结果进行验证.     

混合样本时密度估计的渐近正态性

对多元密度函数的最近邻估计和核估计,在样本为不混合的场合下,本文获得了它们的渐近正态性。     

函数型Probit模型的sieve极大似然估计

研究函数型Probit模型的sieve极大似然估计的渐近性质.在一定的条件下,证明了估计的强相合性和渐近正态性以及该估计的非参数部分达到最优收敛速度.最后给出了一个模拟研究,表明sieve极大似然估计有较好的有限样本性质.     

非参数回归函数的κn近邻估计的渐近性质及其Bootstrap逼近

本文研究回归函数的κn-近邻估计的渐近性质,得到了回归函数的κn-近邻估计的渐近正态性和它的Bootstrap统计量的相合性.在高阶矩存在的条件下,我们证明了回归函数的κn-近邻估计的Bootstrap逼近比正态逼近更精确.     

半参数面板空间滞后模型的两阶段最小二乘估计及应用

发展了一种半参数面板空间滞后模型的两阶段最小二乘估计方法.证明了参数分量估计具有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.并将方法应用于外商直接投资对劳动收入份额的影响分析.     

随机删失数据下几种风险率函数估计的渐近性质

文中对于删失数据下几种不同的风险率函数估计进行了研究。使用与以往不同的方法，在较弱的条件下，改进并扩充了现有文献的结果，获得了这几种风险率函数估计的渐近正态性，一致强弱相合收敛速度以及重对数律且进行了数值模拟。     

矩阵Г分布的一致渐近正态性

相对于两个密度函数之间的Kullback-Leibler距离,本文获得了矩阵Γ分布一致渐近正态分布的条件,由于矩阵Γ分布包含了Wishart分布,因此我们也指出了 Wishart分布一致渐近正态分布的条件．     

矩阵F分布渐近正态分布的一种方式(英文)

本文主要讨论矩阵F分布的一致渐近正态性.通过计算矩阵F分布和多元正态分布的Kullback-Leibler距离,找到了矩阵F分布一致渐近正态分布的条件.     

强混合样本下最近邻密度估计的渐近正态性

研究了α-混合样本下最近邻密度估计的渐近性质,证明了估计的渐近正态性并且给出了其渐近方差的显式表达式,由此构造了α-混合样本下概率密度的渐近置信区间.     

Asymptotic normality of fluctuations of the procedure of stochastic approximation with diffusive perturbation in a Markov medium

We consider the asymptotic normality of a continuous procedure of stochastic approximation in the case where the regression function contains a singularly perturbed term depending on the external medium described by a uniformly ergodic Markov process. Within the framework of the scheme of diffusion approximation, we formulate sufficient conditions for asymptotic normality in terms of the existence of a Lyapunov function for the corresponding averaged equation. __________ Translated from Ukrains’kyi Matematychnyi Zhurnal, Vol. 58, No. 12, pp. 1686–1692, December, 2006.     

Testing for small bias of tail index estimators

We determine the joint asymptotic normality of kernel and weighted least-squares estimators of the upper tail index of a regularly varying distribution when each estimator is a bivariate function of two parameters: the tuning parameter is motivated by possible underlying second-order behavior in regular variation, while no such behavior is assumed, and the fraction parameter determines that upper portion of the sample on which the estimator is based. Under the hypothesis that the scaled asymptotic biases of the estimators vanish uniformly in the parameter points considered, these results imply joint asymptotic normality for deviations of ratios of the estimators from 1, which in turn yield asymptotic chi-square tests for checking the small-bias hypothesis, equivalent to the constructibility of asymptotic confidence intervals. The test procedure suggests adaptive choices of the tuning and fraction parameters: data-driven (t)estimators.     

一类混合序列下分位数估计的一致渐近正态性

本文在混合序列下, 研究了分位数估计的一致渐近正态性. 在一定条件下其收敛速度达到. 所得结果可以应用到风险度量VaR分位数估计.     

A Central Limit Theorem for Non-stationary Strongly Mixing Random Fields

In this paper we extend a central limit theorem of Peligrad for uniformly strong mixing random fields satisfying the Lindeberg condition in the absence of stationarity property. More precisely, we study the asymptotic normality of the partial sums of uniformly \(\alpha \)-mixing non-stationary random fields satisfying the Lindeberg condition, in the presence of an extra dependence assumption involving maximal correlations.     

一个有效估计:半参数非时齐扩散模型的局部线性复合分位回归估计

主要研究半参数非时齐扩散模型的参数估计问题.基于非时齐扩散模型的离散观测样本,首先得到漂移参数的局部线性复合分位回归估计,并证明估计量的渐近偏差、渐近方差和渐近正态性.其次,讨论了带宽的选择和局部线性复合分位回归估计关于局部线性最小二乘估计的渐近相对效,所得到的局部估计较局部线性最小二乘估计更为有效.最后,通过模拟说明了局部线性复合分位回归估计比局部线性最小二乘估计的模拟效果更好.