非参数回归函数的随机窗宽核估计的重对数律

设(X,Y),(X_1,Y_1),(X_2,Y_2),…为 i.i.d.二维随机变量序列,具有联合分布F(x,y)及密度 f(x,y).X 的边际分布和密度分别记为 F_X(x)和 f_X(x).记 m(x)=E{Y|X=x)}为 Y 对 X 的回归函数.为估计 m(x),Nadaraya 和 watson 独立地引进了如下形式的核估计     

回归函数的最近邻估计之大偏差概率的指数率

设(X,Y)是取值于 R~d×R~1 的随机变量,其 X 的边缘分布为 v,Y 关于 X 的条件分布函数为 F(y|x).于是变量 Y 关于 X 的回归函数即条件期望为r(x)=∫_(R~1)ydF(y|x).(1.1)设(X_1,Y_1),…,(X_n,Y_n)是(X,Y) 的一组独立观测值,或称为(X,Y)的一组样本.对固定的 x∈R~d,记(R_(1,x)~(?),…,R_(n,x)~(?)为(1,…,n)的一个随机置换,     

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f(x,y)的二元随机变量。如果EY有限,则称m(x)=E(Y|X=x)为Y关于X的迴归函数.假设(X_1,Y_1),…,(X_n,Y_n)是来自二元总体(X,Y)的一个随机样本,那么迴归函数的核估计定义作其中K是一元密度函数,{h_n}是一列收敛于0的正数.在Y有界且nh_n~2→∞的条件下,证明了(nh_n)~(1/2)(m_n(x)-Em_n(x))依分布收     

回归函数核估计的强相合性

设(X_i,Y_i),i=1,…,n是从取值于R~d×R~1的随机向量(X,Y)中抽取的iid.样本。设E|Y|<∞,而以m(x)=E(|Y|X=x)表示回归函数。在本文中,我们考虑m(x)的通常的和递推形式的核估计:其中K(x)假定是R~d上的概率密度,而h_n>0。我们在K(x)很弱的条件下建立了m_n~((i))(x)的a.s.收敛性,i=1,2,3,但是要求X的边际分布具有密度,这种情况曾在Schuster和Yakowitz中讨论过,那里,更要求(X,Y)的联合分布有概率密度。     

条件L泛函的核估计及其Bootstrap逼近

设(X,y)为取值于 R~d×R~1的随机变量,X 具有边缘分布 F(x),Y 关于 X 的条件分布为 F(y|x).对于条件 L 泛函θ_1(x)=integral from n=0 to 1 J(y)F~(-1)(y|x)dy(1)θ(x)=integral from n=0 to 1 J(y)F~(-1)(y|x)dy+sum from j=1 to k a_jF~(-1)(p_j|x)(2)在[1]中曾给出了它们的近邻估计,并讨论了估计的渐近性质(其中 F~(-1)(x)=inf{t:F(t)≥x}).在本文中,我们将用核函数方法构造它们的另一类估计,并讨论估计的一些渐近性质.设(X_1,Y_1),(X_2,Y_2),…是(X,Y)的一个样本列,取 w_n_i(x)=K((x-X_i)/h_n)/sum from i=1 to n K((x-X_i)/h_n),其中 K 为 R~d 上的概率密度函数,并有0相似文献   

非参数回归核估计的强相合性

一、引言 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)为取值R~d×R的i.i.d变量,以F记X的分布,Y对X的回归函数为m(x)=E(Y|X=x)。(1)最近,一些作者讨论了回归函数的估计问题。一类非参数核估计定义为     

一种非参数回归估计量的条件 平均绝对误差的指数收敛速度

<正> 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)是取值于R~d×R~1的独立同分布随机变量,E|Y|<∞.以m(x)=E(Y|X=x)记Y对X的回归函数,Q记X的概率分布测度,Z_n记{(X_i,Y_i),i=1,…,n},它是(X,Y)的已知观测值.一般的非参数回归估计问题,就是对指定的x∈R~d,利用Z_n对m(x)进行估计.设θ=θ(x,Z_n)是这样一个估     

复合函数 f[φ(x)]图象的几何作法

函数是中学数学的重要概念之一,指导学生作好函数图象可以对函数的概念及其性质加强直观理解。中学课本上主要是用描点法来作图的,虽然二次函数和三角函数的图象也介绍了“平移法”。对于复合函数的图象如用描点法作图,常常先要讨论函数的性质,如定义域、单调性、奇偶生、周期性、极值等等,这就此较麻烦了。下面将介绍复合函数的几何作法。所谓复合函数就是:设Y=f(u),定义域为U,u= (x),其定义域为X,值域为U＇,若是UU＇,则称y为x的复合函数,记作y=f〔 (x)〕,其中u称为中间变量。中学课本上常见的函数,诸如y=lg(3x-1),y=sin(ωx+ ),y=1-x~2~(1/2)等等,就是复合函数。如果已知函数y=f(x)及y=(x)的图象,则用下列方法能作出y=f〔 (x)〕的图象。     

非参数回归函数的基于截尾数据的估计

本文考虑截尾数据情况下非参数回归函数m(x)=E(Y|x)的估计。具体地讲,我们面对的是这样的数学模型:T是与(X,Y)独立的随机变量,我们观测到的不是Y本身,而是Z=min(Y,T)及δ=[Y≤T]。今有训练样本{(X_i,Z_i,δ_i)}_(i-1)及当前样本(X,z,δ),记ξ_i(·)=[z_i≥·], N~ (·)=sum from i=1 to n ξ_i(·), V_n(·)=multiply from i=1 to n{1 N~ (z_i)/2 N~ (z_i)}~[δ_i=_i<0], U_n(·)=sum from i=1 to n Wnt(x)ξ_i(·), 令 m_n(x)=integral from 0 to u_n U_n(y)|V_n(y)dy, 其中u_n=F_2~(-1)(n~(-a)),0<α<1/2为一实常数,F_2(·)=P(Y≥·)为Y的(右侧)分布函数。在权函数{W_(ni)(x)}_(i=1)~n及(X,Y,T)的分布函数满足一组条件下,我们证明了m_n(x)为m(x)的强相合估计,即:m_n(x)→m(x),a.s.(n→ ∞).     

构造具有多项式方差函数的自然指数族

一、PVF-REF 的重要性本文内容属于规范指数族的结构理论。定义在样本空间(Y,B_y)上的分布族 P_θ(y),若对某σ-有限测度μ有密度函数dP_θ(y)=exp[(?)(θ)T(y)—(?)(θ)]dμ(y),则称 P_θ(y)为指数族分布,这是统计学中最重要的一类分布。我们对各指数族实行规范化:首先取(?)(θ)=(θ_1,…,θ_r)∈R_r;其次考虑 X=T(y)的分布 F_θ(x),它仍是指数族,对某σ-有限测度 v 具有密度形为 exp[θ'x-(?)(θ)];不失一般性可取 v 为 r 维分布函数 F(x),且使自然参数空间(?)R_r,具有非空内点集,这就成为具有最小维数的自然指数族。记 M={m:m=E_θx,E_θx 存在且有限,θ∈(?)}。众所周知,这种 m(θ)的定义域包含了(?)。最后,我们取 m 作为新参数代替θ,则上述自然指数族成为规范指数族(REF):     

回归函数改良核估计的相合性

一、引言及若干引理设(X_1,Y_1),…,(X_n,Y_n)为(X,Y)的前 n 个样本,(X,Y)为 R~d×R 上的随机向量,μ为 X 的概率分布,回归函数 m(x)=E(Y|X=x)的核估计为     

谈二维随机变量的函数的分布函数

设二维随机变量 (X,Y)的概率密度为 f (x,y) ,二维随机变量的函数是 U =U(x,y) ,则U的分布函数为FU(u) =P{ U≤ u} = Gf (x,y) dxdy,G:u(x,y)≤ u,(-∞ 0 .将此…     

条件经验随机过程的渐近性质

设(Xi,Yi)(i=1,2,…,n)是来自总体(X,Y)的样本(独立同分布),其中X∈R1,Y∈Rq.M(x y)是Y=y时X的条件分布,Mnkn(x y)为M(x y)的第kn个最近邻域的经验分布估计量,讨论条件经验过程Sn(t,x,y)=kn12(Mnkn(x y)-M(x y))的渐近性质,得出在适当条件下,对固定的y,Sn(t,x,y)(x,t为参数)弱收敛于某一G aussian过程S(.).     

非参数回归函数之改良基于分割的估计的强相合性（英）

设(X,Y),(X1,Y1),…,(XnYn)为取值于 Rd× R的 i．i．d．随机变量,E(|Y|) ＜∞．设mn(x)为回归函数m(x)=E(|Y|X=x)基于分割的估计,本文在对mn(x)进行改良的条件下得到改良的基于分割的强相合估计．     

二维连续型随机变量函数的独立性探讨

给出了一种根据二维随机变量(X,Y)的密度函数f(x,y),构造相互独立的随机变量函数U=u(X,Y)和V=v(X,Y)的方法,丰富随机变量独立性的理论,探索X和Y的内在联系.     

回归函数估计的强一致相合性

设(X,y)为R~d×R上的随机向量,(X,y),X的密度分别为g,f,y关于X的回归函数为r(t)=E(Y|X=t)=(m(t))/(f(t)), 设{(X_n,Y_n)}为φ混合的,存在整数列{n_T},l≤n_T≤T,(T_φ(n_T))/n_T≤A<∞,     

条件中位数L_1-模最近邻估计的逐点收敛速度

设θ(x)为Y关于X的条件中位数。本文研究了θ(x)的 L_1-模最近邻的估计的逐点收敛速度问题。得到的结果与[7]关于回归函数 E{Y|X=x}的最近邻估计的逐点收敛速度类似。     

随机删失场合回归函数的核估计及强相合性

回归函数的非参数估计及相合性问题曾经受到国内外学者的很大关注,但其中大多数都是基于完全样本来讨论的.如设(X_1,Y_1),…,(X_n,Y_n)是从 R~d×R 上的随机向量(X,Y)中抽取的 i.i.d.样本,陈希孺考虑了回归函数 m(x)=E(Y/X=x)的形如 m_n(x)=(?)W_(nj)(x)Y_i(其中 W_(nj)(x)为权函数)的非参数估计,并在适当条件下证     

回归函数改良核估计的渐近分布

设(X1,Y1),…,(Xn,Yn)是来自二元总体(X,Y)的样本,若EY＜∞,则回归函数m(x)＝E(Y｜X＝x)存在。在本文中,考虑m(x)的改良核估计     

非参数回归函数核估计的收敛速度

<正> §1.引言及记号设(Y,X),(Y_1,X_1),…,(Y_n,X_n)为 iid.(1+d)维随机向量,E(|Y|)<∞,m(x)=E(Y|X=x)为回归函数.Watson,Nadaraya 首先提出的基于样本(Y_1,X_1),…,(Y_n,X_n)的 m(x)的核估计为