φ-混合下回归函数改良核估计的渐近正态性

设{(Xi,Yi),i≥1}是从取值于Rd×R的总体(X,Y)中抽取的严平稳、φ-混合样本.回归函数m(x)=E(Y|X=x)改良的递归核估计定义为本文在适当的条件下,讨论了mn(2)(x)的渐近正态性.     

截尾数据时回归函数基于分割估计的相合性

设(X1,Y1),(X2,Y2),…,(Xn,Yn)为取值于Rd×R1中i.i.d.样本,本文在截尾样本下,研究了非参数回归函数基于分割估计及改良基于分割估计的强相合性.     

截尾样本下回归函数改良核估计的强相合性

设(Xi,Yi),i=1,,n是从取值于\Rd×R1的随机向量(X,Y)中抽取的i.i.d.样本,E(|Y|)<∞,而以m(x)=E(Y|X=x)表示回归函数。在截尾情况下,观察到的不是诸Yi本身,而是Zi=min(Yi,Ti)及δi=I(YiTi),其中Ti是与(Xi,Yi)独立的随机变量,i=1,2,…,n.当T的分布未知时,在一定条件下,得到了回归函数改良估计的强合性.     

回归函数改良核估计的强相合性及收敛速度

令(X,Y),(X_1,Y_1),…,(x_n,Y_n)为R~p×R~1上一串i.i.d。随机向量,且E(|Y|)<∞。研究如何利用(X_1,Y_1),…,(X_n,Y_n)观察的结果估计回归函数 m(x)=E(Y|X=x),称为非参数回归函数估计问题。Watson和Nadaraya首先建议用核估计     

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     

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。     

回归函数基于分割的改良递推估计的渐近正态性

提出了回归函数基于分割的改良递推估计,mn(x)=sum (IAn(x) (Xi)YiI(|Yi|) from i=1 to n≤bi)/sum (IAn(x)(Xi)) from i=1 to n,并在较为简洁的条件下证明了该估计量的渐近正态性.     

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     

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     

Strong Convergence of the Kernel Estimates of Nonparametric Regression Functions

Let (X, Y), (X_1, Y_1),\cdots, (X_n, Y_n) be i. i. d. random vectors taking values in R_d\times R with E(|Y|)<\infinity, To estimate the regression function m(x)=E(Y|X=x), we use the kernel estimate $m_n(x)=[\sum\limits_{i = 1}^n {K(\frac{{{X_i} - x}}{{{h_n}}}){Y_i}/} \sum\limits_{i = 1}^n {K(\frac{{{X_j} - x}}{{{h_n}}})} \]$ where K(x) is a kernel function and h_n a window width. In this paper, we establish the strong consistency of m_n(x) when E(|Y|^p)<\infinity for some p>l or E{exp(t|Y|^\lambda)}<\infinity for some \lambda>0 and t>0. It is remakable that other conditions imposed here are independent of the distribution of (X, Y).     

Almost Sure Convergence of Nonparametric Begression Estimates

Let (X, Y), (X_i,Y_i), i=1,\cdots, n, be iid.R^d*R^1-ralued vandom vectors with E(|Y|) <\infinity and m(x) =E(Y|X=x) be the regression function. Select the weight functions W_ni(x) =W_ni(x; X_1,\cdots, X_n), and use m_n(x) =[\sum\limits_{i = 1}^n {{W_{ni}}(x){Y_i}} \] an estimator of m(x). This paper shows that [\mathop {\lim }\limits_{n \to \infty } \]m_n(X) =m(X), a. s., under weaker conditions.     

Necessary Conditions of L_1-Convergenoe of Kernel Regression Estimators

Let (X_1,Y_1),\cdots,(X_n,Y_n) be iid. and R^d *R-valued samples of (X,Y). The kernel estimator of the regression function m(x)\triangleq E(Y|X=x) (if it exists), with kernel K, is denoted by $\[{m_n}(x) = \sum\limits_{i = 1}^n {{Y_i}K(\frac{{{X_i} - x}}{{{h_n}}})/\sum\limits_{j = 1}^n {K(\frac{{{X_j} - x}}{{{h_n}}})} } \]$ Many authors discussed the convergence of m_n(x) in various senses, under the conditions h_n\rightarrow 0 and nh_u^d\rightarrow \infinity asn\rightarrow \infinity. Are these conditions necessary? This paper gives an affirmative answer to this bprolemuithe case of L_1-conversence, when K satisfies (1.3) and E(|Y|log^+|Y|)<\infinity.     

相依样本下非参数回归函数递推型核估计的渐近分布

设（Ｘｉ，Ｙｉ）１≤ｉ≤ｎ为来自二元总体（Ｘ，Ｙ）的平稳，φ－混合样本，记ｍ（ｘ）△Ｅ（Ｙ│Ｘ＝ｘ），ｍ（ｘ）的一种递推型核估计为ｍｎ（ｘ）＝ｎ∑ｉ＝１ｈｉ＾－１Ｙｉｋ（（ｘ－Ｘｉ）／ｈｉ）／ｎ∑ｊ＝１ｈ＾－１ｊｋ（ｘ－Ｘｊ）／ｈｊ）。本文在一定的条件下证明了（ｎ／（ｎ∑ｊ＝１ｈ＾－１ｊ）＾１／２）（ｍｎ（ｘ１）－ｍ（ｘ１），ｍｎ（ｘ２）－ｍ（ｘ２），．．．ｍｎ（ｘｒ０）－ｍ（ｘｒ０））′依分布收     

二分（0，mf—m＋1）-图的正交（0，f）-因子分解

设G=（X,Y,E（G））是一个二分图,分别用V（G）=X∪Y和E（G）表示G的顶点集和边集．设f是定义在V（G）上的整数值函数且对任意x∈V（G）有f（x）≥k．设H1,H2,…,Hk是G的k个顶点不相交的子图,且｜E（Hi）｜=m,1≤i≤k．本文证明了每个二分（0,mf—m＋1）．图G有一个（0,f）-因子分解正交于Hi（i=1,2,…,k）     

二分(0,mf-m+1)-图的正交(0,f)-因子分解

设G=(X,Y,E(G))是一个二分图,分别用V(G)=XUY和E(G)表示G的顶点集和边集.设f是定义在V(G)上的整数值函数且对(A)x∈V(G)有f(x)≥k.设H_1,H_2,…,H_k是G的k个顶点不相交的子图,且|E(H_i)|=m,1≤i≤k.本文证明了每个二分(0,mf-m+1)-图G有一个(0,f)-因子分解正交于Hi(i=1,2,…,k).     

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(.).     

THE OPTIMAL RATE OF CONVERGENCE OF ERROR FOR kNN MEDIAN REGRESSION ESTIMATES

Let(X,Y),(X_1,Y_1),…,(X_n,Y_n)be iid.random vectors,where Y is one-dimensional.It is desired to estimate the conditional median(X)of Y,by use of Z_n={(X_i,Y_i),i=1,…,n}and X.Denote by(X,Z_n)the kNN estimate of(X),and putH_(nk)(Z_n)=E{|(X,Z_n)-(X)||Z_n},the conditional mean absolute error.This articalestablishes the optimal convergence rate of P(H_(nk_n)(Z_n)>ε),under fairly generalassumptions on(X,Y)and k_n,which tends to ∞ in some suitable way.     

EXISTENCE PROBLEMS OF ADDITIVE SELECTION MAPS FOR ANOTHER TYPE SUBADDITIVE SET-VALUED MAP

In this paper,we consider the following subadditive set-valued map F:X → P 0 (Y):F r ∑ i=1 x i + s ∑ j=1 x r+ j rF r ∑ i=1 x i r + sF s ∑ j=1 x r+ j s, x i ∈ X,i=1,2,,r + s,where r and s are two natural numbers.And we discuss the existence and unique problem of additive selection maps for the above set-valued map.