ρ~--混合序列部分和随机乘积的渐近分布

ρ~--混合序列是各种相依类型中较弱的一种,研究其极限性质具有一般意义.利用ρ~--混合序列部分和乘积的渐近分布及部分和最大值的矩不等式,得出了ρ~--混合序列部分和随机乘积的渐近分布.     

ρ-混合序列部分和的精确渐近性

设{X_n;n≥1}是均值为零的严平稳ρ-混合序列,利用ρ-混合序列的弱收敛定理及概率不等式,在适当的矩条件下,得到了ρ-混合序列部分和的精确渐近性的一般结果.     

α混合随机变量序列部分和乘积的几乎处处中心极限定理

利用子序列等方法,获得α混合随机变量序列部分和乘积的几乎处处中心极限定理的更优结果,改进了相关文献的结果.     

集指标非平稳α混合乘积部分和过程的强收敛速度

本文研究α混合非平稳序列集指标乘积部分和过程，建立了强大数律和重对数型收敛速度．     

加权和线性过程的渐近正态性

本文建立了α-混合序列情形的加权和平稳线性过程的渐近正态性.获得的结论基于最少的权条件.所得结论将Abadir等[Econometric Theory,2014,30(1):252-284]中的结论推广至α-混合序列情形.     

加权和线性过程的渐近正态性（英文）

本文建立了α-混合序列情形的加权和平稳线性过程的渐近正态性.获得的结论基于最少的权条件.所得结论将Abadir等[Econometric Theory,2014,30(1):252-284]中的结论推广至α-混合序列情形.     

α-混合序列指数不等式及强大数定律

给出了α-混合序列部分和的一个指数不等式,并利用指数不等式证得了α-混合序列的强大数定律及强收敛速度.     

ρ*-混合随机变量序列部分和的方差估计

本文研究了ρ^＊-混合随机变量序列部分和的方差估计，给出了部分和方差估计的相合性及渐近正态性．     

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.     

ρ-混合序列完全矩收敛精确渐近性的一般结果

设{X,X_n;n≥1}是均值为零的严平稳ρ-混合随机变量序列.在适当的条件下,利用ρ-混合序列的弱收敛性和矩不等式,证明了其完全矩收敛精确渐近性的一般结果,改进并推广了已有的结果.     

相依样本下污染线性模型的最近邻估计

考虑一般线性模型,设误差序列{ei}是平稳的α-混合序列,具有公共未知密度,f(x)．本文首先讨论了基于残差的f(x)的最近邻估计的相合性及收敛速度,然后把结论推广到污染线性模型,讨论了污染系数ε,误差的主体分布及回归系数β的估计的相合性,收敛速度以及(β|^)的渐近正态性．     

基于相依数据的非参数回归函数和尺度函数的联立稳健估计

该文将Hrdle和Tsybakov的结果推广到数据来自α-混合的严平稳序列的情形,得到了估计的相合性和渐近正太性.在小样本的情形下给出了随机模拟结果,以检查所提出估计的表现.     

强混合序列的一类中心极限定理及其在回归模型中的应用(英文)

本文研究强混合序列加权和的中心极限定理,同时也给出强混合序列线性过程部分和的中心极限定理.作为应用,利用所得结果,证明固定设计回归模型中一类加权函数估计的渐近正态性.     

不同分布ρ混合序列乘积和的强收敛性

研究了ρ混合序列的收敛性质,利用得到的结果和ρ混合序列的矩不等式讨论了ρ混合序列乘积和的强收敛性质.     

强混合序列的一类中心极限定理及其在回归模型中的应用[英文]

本文研究了强混合序列加权和的中心极限定理, 同时也给出了强混合序列线性过程部分和的中心极限定理. 作为应用,我们利用所得结果, 证明了固定设计回归模型中一类加权函数估计的渐近正态性.     

$\rho^-$-混合序列自正则部分和之和乘积的几乎处处中心极限定理[英文]

设是一严平稳的ρ--混合随机变量序列.在满足一定的条件下，证明了自正则部分和之和乘积的几乎处处中心极限定理，其中,     

混合序列的Bernstein型不等式及其逆矩

吴铁肩等在Lindeberg型条件下,得到非负独立随机变量逆矩的渐近逼近.该文获得了φ-混合、Ψ-混合序列的Bernstein型不等式及其完全收敛性,并给出其逆矩的渐近逼近,推广和改进了吴铁肩等和胡舒合等文中的相应结果.     

强混合序列的矩不等式及其应用

对强混合随机变量序列建立一些矩不等式,并应用这些不等式研究固定设计回归模型的一般加权函数估计的渐近正态性。     

相依样本下半参数变系数期望分位数风险度量模型统计推断

本文在α-混合序列假设下,基于半参数变系数模型研究条件期望分位数风险价值(expectile-based value at risk, EVaR)的风险度量.此模型不仅考虑了风险因素的影响,还可以动态描述风险影响及交互效应.同时, EVaR比经典的风险在险价值(quantile-based value at risk, QVaR)具有更直观、更易于计算的良好性质,而且对于资产分布的尾部损失更加敏感,在度量极端风险情形下,相对于QVaR更为有效和方便.本文采用三阶段估计的方法,分别对变系数部分和常系数部分的参数进行估计,并且给出3个阶段中每个估计的相合性和渐近正态性.为了节省计算时间,提高计算效率,本文采用一步估计的算法,减少迭代所需的时间.由于时间序列样本是非独立样本,建立这些统计量的大样本性质时带来了更大的困难.有别于独立同分布的观察数据,本文利用大小块分割方法发展α-混合序列的极限理论,获得了基于金融时间序列数据建立的模型参数和非参数估计的统计渐近性质.在数值模拟中,本文给出3个模型假设下变系数曲线估计和常系数估计的结果,无论是估计的精确度还是估计的稳健性,模拟结果都表明本文所提出的估计方法有优良的性质.实例则展示了本文所提出模型在上证指数的实际应用.     

不同分布φ混合序列乘积和的强收敛性

利用φ混合序列矩不等式讨论了φ混合亭列乘积和的强收敛性质．