STRONG CONVERGENCE OF KERNEL ESTIMATES OF NONPARAMETRIC REGRESSION FUNCTIONS

Let (X, Y), (X_1, Y_1), …, (X_n, Y_n) be i. i. d. random vectors taking values in R_d×Rwith E(|Y|)<∞. To estimate the regression function m (x) = E (Y|X= x), we use thekernel estimate m_n(x)= sum from i=1 to n K((X_j-x)/h_n) where K(x) is a kernel functionand h_n a window width. In this paper, we establish the strong consistency of m_n(x) whenE(|Y|~P)<∞ for some p>l or E{exp(t|Y|~λ)}<∞ for some λ>0 and t>O. It is remakablethat other conditions imposed here are independent of the distribution of (X, Y).     

Strong Consistency of Non-parametric Regression Estimates with Censored Data

Let (X,Y) be an R~d×R valued random vector with E|Y|<∞ and(X_1,Y_1) (X_2,Y_2), …, (X_n,Y_n) be i.i.d.observations of (X,Y). To estimate the regression function m(x)=E(Y|X=x), Stone suggested m_n(x)=sum from i=1 to n(W_(ni)(x)Y_i), where W_(ni)(x)=W_(ni)(x,X_1,X_2,…,X_n)(i=1,2,…,n) are weight functions. Devroye and Chen Xiru established the strong consistency of m_n(x). In this paper, we discuss the case that{Y_i} are censored by {t_i}, where{t_i} are i.i.d. random variables and also independent of{Y_i}. Under certainconditions we still obtain the strong consistency of m_n(x).     

相依样本下非参数回归函数估计的强收敛速度

设(X,Y),(X_1,Y_1,),…,(X_n,Y_n)是一个平稳、φ—混合过程((X,Y)∈R~d×R,E|Y|~(s δ)<∞,s≥2,δ>0),用m(x)记E{Y|X=x},本文讨论了m(x)的如下估计m_n(x)的强收敛速度:     

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     

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     

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     

关于最近邻回归估计的收敛速度

设(X,Y),(X_1,Y_1),(X_2,Y_2),…为取位于 R~d×R~1上的 iid.随机向量序列,E|y|<∞.本文研究了回归函数 m(x)的最近邻估计 m_n(x)的强收敛速度问题,在一定条件下证明了它满足重对数律,即■(|m_n(x)-m(x))/(2∑_i~k1v_(ni)~2log logn)~(1/2)≤(2var(Y|X=x))~(1/2)a.s.     

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     

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     

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   

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     

非参数回归函数最近邻估计的强收敛速度

<正> §1.引言 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)为iid d×1维随机向量,E|Y|<∞.对x=(x~(1)),…,x~(d))∈R~d,取‖x‖为欧氏模或对固定的x∈R~d,将(X_1,Y_1),…,(X_n,Y_n)按照     

非参数回归核估计的条件平均绝对误差的指数收敛速度

设(X,Y)、(X,Y_1),…,(X_n,Y_n)是取值于 R~d×R~1的 iid。随机向量,E|Y|<∞,在本文中将一直采用下面的记号:Z_n={(X_i,Y_i),i=1,…,n}—(X,Y)的已知样本。X~n={X_1,…,X_n}。Q——X 的概率分布测度。m(x)=E(Y|X=x)——Y 对 X 的回归函数。现设有了 Z_(?)并指定了 R~d 中的一个点 x,要依据它们对 m(x)作出估计。这就是一般的非参数回归问题。核估计法就是先选定 R~d 上定义的非负函数 K(x)作为核函数,那么可给出 m(x)的一个核估计     

NECESSARY CONDITIONS OF L_1-CONVERGENCE OF KERNEL REGRESSION ESTIMATORS~*

Let(X_1,Y_1),…,(X_n,Y_n,)be iid.and R~d×R-valued samples of(X,Y).The kernel estima-tor of the regression function m(x)(?)E(Y|X=x)(if it exists),with kernel K,is denoted byMany authors discussed the convergence of m_n(x)in various senses,under the conditionsh_n→0 and nh_u~d→∞ asn→∞.Are these conditions necessary?This paper gives an affirmativeanswer to this bprolemuithe case of L_1-conversence,when K satisfies(1.3)andE(|Y|log~ |Y|)<∞.     

条件密度近邻-核估计的强相合性

Let (X, Y), (X_1, Y_1), …, (X_n, Y_n) be R~p×R~q-valued i.i.d, random vectors, and f(y|x) the conditional density function of Y, given X=x. Note that the existence of the density of (X, Y) is not assumed here. In this paper, we introduce the nearest neighborkernel estimator f_n(y|x) of f(y|x), and establish the strong consistency of f_n(y|x) under some mild conditions.     

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     

回归函数的相合随机窗宽核估计

令(X,Y)为取值于 R~d×R 的随机向量,(X_1,Y_1),……,(X_n,Y_n)为抽自(X,Y)的分布的 iid.样本,m(x)(?)E(Y|X=x)称为 Y 对 X 的回归函数.1964年,Watson和 Nadaraya 首先提出用     

MEAN SQUARE ERROR FOR UNIFORMKERNEL ESTIMATE AND NEAREST NEIGHBOR ESTIMATE OF NONPARAMETRIC REGRESSION FUNCTIONS

Let (X_(?), Y_(?)), i=1, …, n be R~d×R~1-valued iid. samples taken from (X, Y). We denote the regression function by m(x)=E(Y|X=x). In this paper we consider the Mean Square Error (MSE) of two usual estimates of m(x_0) based on (X_(?), Y_(?)), i=1,…, n at a point x_0, the Uniform-Kernel Estimate m_n(x_0) and NN-Estimate (x_0). We prove that under some reasonable conditions the lowest asymptotic MSE attained for these two estimates have the same form: where C(x_0) is a constant depending on x_0. Hence from the point of view of MSE, one has no reason to claim superiority of m_m(x_0)to (x_0) or vice versa.     

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,