混合序列矩不等式和非参数估计

对p-混合、(?)-混合序列给出两个矩不等式,它们在加权和序列研究中比邵启满在[6]、[7]中给出的矩不等式更实用.作为应用,这里讨论非参数递归密度核估计的强收敛速度和非参数回归函数加权核估计的强相合性,获得较好结论.     

ρ*-混合序列加权和的完全收敛性

讨论了ρ*-混合序列加权和的完全收敛性,将文[8]中的定理3推广至ρ*-混合序列的情形且加强了文[8]中的定理3的结论.将文[9]中的定理推广至ρ*-混合序列的情形.     

部分线性变系数模型改进的加权混合Profile-Liu估计

研究半参数部分线性变系数模型的有偏估计,当回归模型参数部分自变量存在多重共线性时,在随机线性约束条件下,融合Profile最小二乘估计、加权混合估计和Liu估计构造回归模型参数分量改进的加权混合Profile-Liu估计,并在一定正则条件下证明估计量的渐近性质,最后利用蒙特卡洛数值模拟验证所提出估计量的有限样本表现性.     

ρ—混合序列加权和的完全收敛性

对混合速度不作限制下，讨论了ρ－混合序列加权和Ｔｎ＝Σ（ｎ，ｋ＝１）αｎｋＸｋ的完全收敛性，推广了Ｗ．Ｆ．Ｓｔｏｕｒｔ的结果。将此新结果应用于线性模型参数β的估计中，得出β的最小二乘估计βｎ的强相合性     

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.     

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.     

NA样本半参数回归模型估计的矩相合性

考虑了误差为NA序列的半参数回归模型,利用非参数估计方法给出了模型参数的最小二乘估计和加权最小二乘估计,并在适当条件下得到了它们的矩相合性.     

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.     

左截断相依数据下非参数回归的局部M 估计

本文对左截断模型, 利用局部多项式的方法构造了非参数回归函数的局部M 估计. 在观察样本为平稳α-混合序列下, 建立了该估计量的强弱相合性以及渐近正态性. 模拟研究显示回归函数的局部M 估计比Nadaraya-Watson 型估计和局部多项式估计更稳健.     

强混合相依变量加权和的收敛性及其应用

本文提供一条处理相依样本的新途径.建立了强混合相依变量加权和的收敛性.作为它的应用,考虑回归模型,给出回归函数非参数的强相合估计.     

混合序列加权和的强大数定律

设{Xn,n≥1}是同分布随机变量序列,{αnk,n≥1,1≤k≤n}是满足某种条件的常数序列.本文在ψ-混合,ρ-混合,ρ~-混合条件下讨论了加权和∑kn=1ankXk的Kolmogorov强大数定律.     

混合地理加权空间自回归模型的Profile GMM估计

为了更好地同时考虑空间自相关性和空间异质性,本文研究一类空间自回归混合地理加权回归模型.基于Profile方法和广义矩(GMM)方法,构造了模型中未知空间自回归参数,常数回归系数和系数函数的两类Profile GMM估计.数值模拟结果表明所提出的估计在有限样本中表现良好.     

有限混合Laplace分布回归模型局部估计的EM算法

本文研究了一类有限混合Laplace分布回归模型的局部极大似然估计问题. 利用核回归方法和最大化局部加权似然函数的EM算法, 获得了参数函数的局部极大似然估计量, 并讨论了它们的渐近偏差, 渐近方差和渐近正态性. 推广了有限混合回归模型下局部非参数估计的结果.     

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.     

一类非参数回归模型核估计的渐近性质

研究一类新的非参数回归模型回归函数的核估计问题,其中误差项为一阶非参数自回归方程.通过重复利用Watson-Nadaraya核估计方法,构造了回归函数及误差回归函数的估计量分别为m(.)和ρ(.),在适当的条件下,证明了估计量m(.)和ρ(.)的渐近正态性.     

有限混合Laplace分布回归模型局部估计的EM算法（英文）

本文研究了一类有限混合Laplace分布回归模型的局部极大似然估计问题.利用核回归方法和最大化局部加权似然函数的EM算法,获得了参数函数的局部极大似然估计量,并讨论了它们的渐近偏差,渐近方差和渐近正态性.推广了有限混合回归模型下局部非参数估计的结果.     

行为(ρ)混合阵列加权和的收敛性

本文研究了行为(ρ)混合阵列加权和的收敛性.利用(ρ)混合序列的Rosenthal型最大值不等式,讨论了(ρ)混合阵列加权和的L1收敛性,依概率收敛性,几乎处处收敛性,及完全收敛性之间的等价关系,推广了行独立随机变量阵列相应的结果.     

SOME CONVERGENCE PROPERTIES FOR THE PARTIAL SUMS OF (ρ～) MIXING SEQUENCES

本文研究了(ρ～)混合序列部分和的若干收敛性质.利用Serfling不等式推广情形,证明了一类随机变量序列部分和的一个收敛性结果,获得了(ρ～)混合序列部分和的收敛性,并进一步得到了(ρ～)混合序列加权和的强收敛性和完全收敛性,推广并改进了文[2]中有关结果.     

固定效应面板数据部分线性模型的加权截面LSDV估计(英文)

本文考虑误差为自回归过程的固定效应面板数据部分线性回归模型的估计.对于固定效应短时间序列面板数据,通常使用的自回归误差结构拟合方法不能得到一个一致的自回归系数估计量.因此本文提出一个替代估计并证明所提出的自回归系数估计是一致的,且该方法在任何阶的自回归误差下都是可行的.进一步,通过结合B样条近似,截面最小二乘虚拟变量(LSDV)技术和自回归误差结构的一致估计,本文使用加权截面LSDV估计参数部分和加权B样条(BS)估计非参数部分,所得到的加权截面LSDV估计量被证明是渐近正态的,且比可忽略误差的自回归结构模型更渐近有效.另外,加权BS估计量被推导出具有渐近偏差和渐近正态性.模拟研究和实际例子相应地说明了所估计程序的有限样本性.     

固定设计下半参数回归模型核估计的渐近性质

研究一类新的半参数回归模型回归函数的核估计问题,其中误差项为一阶非参数自回归过程.通过重复利用Watson-Nadaraya核估计方法,构造了回归函数及误差回归函数的估计量分别为β,g(·)和ρ(·),在适当的条件下,证明了估计量β,g(·)和ρ(·)的渐近正态性.