半参数回归模型中随机加权M估计的强逼近

用随机加权法给出了半参数回归模型中参数的随机加权M估计，在一般的条件下证明了用随机加权统计量的分布逼近原估计量误差的分布的强有效性，并给出了M估计的最优强收敛速度。     

删失回归模型的随机加权逼近

Raoand Zhao(1992)提出了一种用随机加权的方法去逼近线性回归模型中M-估计的渐近分布。之前，Fang and zhao(2002)把这种方法推广到设计阵是随机的删失回归模型．本文，我们把这个结果推广到设计阵是非随机的删失回归模型，并证明该随机加权方法的一些大样本性质。     

协变量缺失情形下的逆概率加权众数回归估计

数据缺失在实际应用中普遍存在,数据缺失会降低研究效率,导致参数估计有偏.在协变量随机缺失(MAR)的假定下,本文基于众数回归和逆概率加权估计方法对线性模型进行参数估计.该方法结合参数Logistic回归和非参数Nadaraya-Watson估计两种倾向得分估计方法,分别构建IPWM-L估计量和IPWM-NW估计量.模拟研究和实例分析表明,众数回归模型比均值回归模型更具稳健性,逆概率加权众数(IPWM)估计方法在缺失数据下表现出了更好的拟合效果,与IPWM-L估计量相比, IPWM-NW估计量更稳健.     

Tobit回归模型

Tobit回归模型在计量经济学研究中受到广泛地关注。本文对Tobit回归模型的参数估计、假设检验和变量选择等问题进行了文献综述。其次,对于参数维度随样本量增加的Tobit模型,我们构造了一个随机加权估计量,对模型中的参数进行推断,并得到了此估计的渐近性质:相合性和正态性。最后,利用数值模拟结果研究了所提方法的效果。     

最近邻回归估计的随机加权逼近

研究了一种最近邻回归估计的分布逼近问题，利用随机加权法，给出了最近邻回归估计误差的逼近分布及其逼近的精度，从而改进了文献「１」的结论。     

随机删失半参数回归模型小波估计的渐近性质

考虑半参数回归模型Y_i=X_iβ g(T_i) e_i,i=1,2,…,n,β∈R为未知回归参数,g(·)为[0,1]上的未知Borel函数。在完全和右删失数据下,本文利用小波光滑方法并综合最小二乘法,就删失分布已知和未知的情形分别定义了β,g(T)的小波估计(?),(?)(T),在一定条件下,证明了(?)的渐近正态性,同时得到了(?)(T)的最优收敛速度。     

变系数部分线性模型的加权随机约束s-K估计

研究随机约束条件下半参数变系数部分线性模型的参数估计问题,当回归模型线性部分变量存在多重共线性时,基于Profile最小二乘方法、s-K估计和加权混合估计构造参数向量的加权随机约束s-K估计,并在均方误差矩阵准则下给出新估计量优于s-K估计和加权混合估计的充要条件,最后通过蒙特卡洛数值模拟验证所提出估计量的有限样本性质.     

非参数回归函数估计的随机加权逼近

本文应用随机加权法的思想构造了回归函数的最近邻估计和核估计的随机加权统计量,并证明了用随机加权统计量的分布逼近两类估计量的分布之精度可达到ｏ（ｎ~（－１／２Ｐ）,其中１＜ｐ ≤ ２．     

纵向数据变系数回归模型小波估计的渐近性质

考虑纵向数据下的变系数回归模型y_(ij)=x_(ij)~Tθ(t_(ij))+e_(ij)i=1,2,…,n j=1,2,…,m.利用小波光滑和加权最小二乘方法,分别研究了模型中未知参数θ(·)的小波估计θ(·)和误差方差σ~2的小波估计σ~2,在适当的条件下,证明了θ的强相合性,强相合速度,并得到θ和σ~2的渐近正态性.     

弱相依半参数回归模型的加权小波估计的渐近正态性

本文研究了半参数回归模型y_i=X'_iβ+g(t_i)+e_i,i=1,2,···,n,其中{e_i}为ψ-弱相依随机误差序列.利用小波估计的方法得到了参数、非参数的加权小波估计量.在相当一般的条件下,获得了这些小波估计量的渐近正态性,不仅推广了半参数回归模型的相应结果,而且在一定程度上统一了相依半参数回归模型的渐近正态性的理论.     

回归函数核估计的随机加权法

本文利用随机加权法的思想,构造了回归函数g(x)的核估计     

分位点过程随机加权逼近的相合性

本文将随机加法应用于分位点过程，建立了ｎ＾１／２｛Ｆ＾－Ｄ１ｎ（ｇ）－Ｆ＾－１（Ｇ）｝的分布的随机加权逼近的相合性，并给出了其收敛速度。     

随机加权法在密度估计中的应用

本文给出了概率密度函数的椭机加权估计，证明了承机加权分布与密度估计的标准化估计量的分布的逼近精度可达到ｏ（１／√ｎｈ），并且构造了Ｅｆｎ（ｘ）的置信区间，其中ｆｎ（ｘ）为密度函数的核估计，ｈ＝ｈｎ炒估计的窗宽。     

PP multivariate random weighting method

According to the Projection Pursuit (PP) method and the random weighting method, we propose a PP random weighting method, and set up the asymptotic distribution theory and strong limit theorem of PP random weighting empirical process. Applying this method, we obtain two kinds of goodness-of-fit test for a multivariate distribution function, i.e., we get the random weighting approximations of PP Kolmogorov Smirnov statistics (PPKS) and PP Smirnov Cramér Von Mises statistics (PPSC), we prove that the asymptotic distribution of PPKS and PPSC are the same as those of their respective random weighting approximations.Supported by the National Natural Science Foundation of China.     

m相依样本均值的Bootstrap及其随机加权逼近的收敛速度

本文研究了ｍ相依样本均值的Ｂｏｏｔｓｔｒａｐ及随机加权逼近问题，讨论了有关收敛速度。     

线性模型中M检验原假设分布的随机加权逼近

在线性模型中M-方法可以用于线性假设检验, 其中M检验、Wald检验和Rao的计分型检验是最常用的检验准则. 但是在计算这些检验的临界值时都涉及到未知参数的估计. 在本文中我们利用随机加权的方法来逼近这些检验的原假设分布. 结果表明在原假设和局部对立假设之下随机加权统计量的渐近分布与原检验统计量在原假设之下的渐近分布相同. 因此我们不需要对冗余参数进行估计,利用随机加权的方法就可以得到这些检验的临界值. 而且在局部对立假设之下可以实现对功效的计算. 当取不同的误差分布和不同的随机权时, 我们对本文的方法进行了蒙特卡洛模拟. 结果表明用随机加权方法来逼近原假设分布是非常精确的.     

Random weighting estimation for survival function under right censorship

The random weighting method is an emerging computing method in statistics. In this paper, we propose a novel estimation of the survival function for right censored data based on the random weighting method. Under some regularity conditions, we prove the strong consistency of this estimation.     

Von-Mises统计量的Edgeworth展开和随机加权逼近

文［１］讨论了Ｖｏｎ－Ｍｉｓｅｓ统计量的一种能达到Ｏ１ｎ的精确性的随机加权逼近，本文则给出了这种统计量的一阶Ｅｄｇｅｗｏｒｔｈ展开和一种能达到ｏ１ｎ的精确性的新的随机加权逼近．