数据非随机缺失时单变量的分布函数估计

本文研究数据非随机缺失下的分布函数估计问题.在确定缺失数据是否属于某些指定区间的前提下,对一维随机变量y的分布函数F(y)作出了估计.此时,假定数据缺失机制形式已知,但包含某未知多维参数θ.本文证明了未知参数θ的估计量(θ)的相合性和渐近正态性,也证明了分布函数F(y)的估计量F(y)的相合性和渐近正态性.     

分布函数族对参数的单调性定理

<正> 设F(x,θ),θ∈为依赖于实参数θ的一族分布函数.如果对于任意固定的x, F(x,θ)都是θ的递增函数,则称这个分布函数族关于θ是单调增大的;反之,则称单调减小的。 研究分布函数族关于参数的单调性,在概率论的实际应用中有着重要的意义,一般说来,要验证一个分布函数族关于参数的单调性是比较困难的.鉴于此种情况,本文提供研究分布函数族关于参数的单调性的一个较为一般的方法,并且用这种方法证明几个常用分布函数族关于参数是单调的.     

T分布族对数似然方程根的大样本性质

对一类具体的分布族——T分布族中的参数θ,证明了存在θ的一个强相合且最优渐近正态估计θn*,它以概率1当n充分大时是对数似然方程的根.     

双边截断型分布族参数函数的渐近最优经验Bayes估计

本文考虑一维双边截断型分布族参数函数在平方损失下的经验 Bayes估计问题 .给定θ,X的条件分布为f (x|θ) =ω(θ1,θ2 ) h(x) I[θ1,θ2 ] (x) dx其中θ =(θ1,θ2 )T(x) =(t1(x) ,t2 (x) ) =(min(x1,… ,xm) ,max(x1,… ,xm) )是充分统计量 ,其边缘密度为 f (t) ,本文通过 f (t)的核估计构造出θ的函数的经验 Bayes估计 ,并证明在一定的条件下是渐近最优的 (a.0 .)     

一类分布族的损失函数和风险函数的Bayes推断

本文考虑如下一类分布族:F(t)=[g(t)]θ,-∞A0(1)其中g(t)是关于t单调递增的可微函数,且g(A)=0,g(B)=1.在共轭先验分布下研究了未知参数η=1θ的损失函数和风险函数的B ayes估计及其保守性质,并给出相应的B ayes估计的合理性.     

重尾非线性自回归模型自加权M-估计的渐近分布

考虑非线性自回归模型xt=f(xt-1,…,xt-p,θ)+∈t,其中θ为q维未知参数,{∈t}为随机误差.在允许误差方差无穷的重尾条件下,构造θ的自加权M-估计,并证明了该估计的渐近正态性.最后通过数值模拟,在随机误差服从某些重尾分布的条件下,说明自加权M-估计比最小二乘和L1估计更有效.     

构造具有多项式方差函数的自然指数族

一、PVF-REF 的重要性本文内容属于规范指数族的结构理论。定义在样本空间(Y,B_y)上的分布族 P_θ(y),若对某σ-有限测度μ有密度函数dP_θ(y)=exp[(?)(θ)T(y)—(?)(θ)]dμ(y),则称 P_θ(y)为指数族分布,这是统计学中最重要的一类分布。我们对各指数族实行规范化:首先取(?)(θ)=(θ_1,…,θ_r)∈R_r;其次考虑 X=T(y)的分布 F_θ(x),它仍是指数族,对某σ-有限测度 v 具有密度形为 exp[θ'x-(?)(θ)];不失一般性可取 v 为 r 维分布函数 F(x),且使自然参数空间(?)R_r,具有非空内点集,这就成为具有最小维数的自然指数族。记 M={m:m=E_θx,E_θx 存在且有限,θ∈(?)}。众所周知,这种 m(θ)的定义域包含了(?)。最后,我们取 m 作为新参数代替θ,则上述自然指数族成为规范指数族(REF):     

混合缺失机制下两总体差异的半经验似然置信区间

假定两个总体x与y均有数据缺失,它们的分布函数分别为F(·)与G_θ(·),其中F(·)未知,G_θ(·)的概率密度函数g_θ(·)形式已知,仅依赖于一些未知的参数,利用Fractional填补法填补缺失值,在一定的条件下证明了缺失数据下两总体差异指标的半经验似然比统计量的渐近分布为x_1~2,由此可构造两总体差异指标的经验似然置信区间.     

M—估计量的收敛性

Ω为参数空间(p维欧氏空间的子集),X_i,i=1,…,n,为k维随机向量样本(iid.)取自未知分布F,p(x,t)为定义在R~k×Ω上的实函数(Ω为Ω之闭包),且假定p(x,t)≥C>-∞.具体的例子可见[1]与[2].关于M-估计量的统计性质,我们首先关心的θ_n是是否收敛,即当n→∞时,是否有     

基于截尾数据概率密度核估计的一些渐近行为

Blum和Snsarla(1980)提出了一基于截尾数据非负随机变量概率密度f(t)的核估计(?)_n(t),本文证明了(?)_n(t)的一致强相合性。此外,我们还进一步研究了(?)_n(t)的一致强收敛速度问题,给出了(?)_n(t)的一渐近表达式,并利用所给的表达式证明了(?)_n(t)以速度为O(n~(-2a))均方收敛到(?)_n(t),其中0相似文献   

含估计参数的加权经验过程

在讨论(广义)非参数似然比拟合优度检验时,加权经验过程理论是一个非常重要的基础.但对含估计参数的加权经验过程理论,目前文献中很少讨论.对含估计参数的加权经验过程的上界型和积分型两种统计量的近似分布进行了讨论,给出了较一般的结果.所得结论叮以为进一步讨论复合零假设下(广义)非参似然比拟合优度检验提供理论基础.     

經驗分佈之比的極限分佈

<正> §1.引言 令x為一隨機變數,其分佈函數為F(x).對於x作n次相互獨立的试驗,便得n個結果x_1,x_2,…,x_n.我們也可以把x_1,x_2,…,x_n看作是遵循同一個分佈函數F(x)的相互獨立隨機變數.現在把x_1,x_2,…,x_n依其值由小到大的次序排列,我們得到     

Empirical processes with estimated parameters under auxiliary information

Empirical processes with estimated parameters are a well established subject in nonparametric statistics. In the classical theory they are based on the empirical distribution function which is the nonparametric maximum likelihood estimator for a completely unknown distribution function. In the presence of some “nonparametric” auxiliary information about the distribution, like a known mean or a known median, for example, the nonparametric maximum likelihood estimator is a modified empirical distribution function which puts random masses on the observations in order to take the available information into account [see Owen, Biometrika 75 (1988) 237–249, Ann. Statist. 18 (1990) 90–120, Empirical Likelihood, Chapman & Hall/CRC, London/Boca Raton, FL; Qin and Lawless, Ann. Statist. 22 (1994) 300–325]. Zhang [Metrika 46 (1997) 221–244] has proved a functional central limit theorem for the empirical process pertaining to this modified empirical distribution function. We will consider the corresponding empirical process with estimated parameters here and derive its asymptotic distribution. The limiting process is a centered Gaussian process with a complicated covariance function depending on the unknown parameter. The result becomes useful in practice through the bootstrap, which is shown to be consistent in case of a known mean. The performance of the resulting bootstrap goodness-of-fit test based on the Kolmogorov–Smirnov statistic is studied through simulations.     

核实数据下非线性EV模型中经验似然降维推断

本文研究了响应变量有误差的非线性模型.应用半参数降维技术构造未知参数的被估计经验似然及调整的经验似然,证明了所提出的被估计的经验对数似然与其调整的经验对数似然分别渐近于独立卡方变量加权和的分布与标准卡方分布,所得结果可用来构造未知参数的置信域.     

On convergence rates of suprema

Summary It is shown that the convergence rate of suprema of stationary Gaussian and related processes, such as processes defined by the empirical distribution function, is logarithmically slow, even if the rates are to be uniform over as few as three points. It is proved that the bootstrap approximation provides a substantial improvement.     

On goodness-of-fit testing for ergodic diffusion process with shift parameter

A problem of goodness-of-fit test for ergodic diffusion processes is presented. In the null hypothesis the drift of the diffusion is supposed to be in a parametric form with unknown shift parameter. Two Cramer–von Mises type test statistics are studied. The first test uses the local time estimator of the invariant density, the second one uses the empirical distribution function. The unknown parameter is estimated via the maximum likelihood estimator. It is shown that the limit distribution of the two test statistics does not depend on the unknown parameter, thus both the tests are asymptotically parameter free. Some considerations on the consistency of the proposed tests and some simulation studies are also given.     

函数类指标集经验过程的收敛速度及其应用

对于上述函数类指标集经验过程的研究,文献中已有大量出现,例如 Dudley,Weber,Dudley 和 Philipp,Pollard.Alexander,Adler 和 Brown,Adler和 Samorodnitsky,等等.但通常考虑的函数类中的函数是有界的,而无界的情况讨论较少.本文则讨论这种情况,第三节中的定理3.1是[7]中第二章定理37的推广.有     

經驗分佈對理論分佈的比值

<正> 設F(x)是隨機變数X的分佈函數,x_1,x_2,…,x_n是對X的n次相互獨立觀測的結果.將n個數據按照數值從小到大排列起來,以x_k代表其中的第k個,我們把原來的結果寫成     

双指数分布位置参数的经验Bayes估计问题

本文在平方损失下导出了双指数分布位置参数的Bayes估计，利用非参数方法构造了位置参数的经验Bayes(EB)估计．在适当的条件下，获得了EB估计的收敛速度．最后，给出了一个例子说明适合定理条件的先验分布是存在的．     

纵向数据部分线性模型的广义经验似然推断

考虑纵向数据部分线性模型,针对纵向数据个体内的相关性特点,通过引入估计的作业协方差矩阵,构造了模型中未知参数的三种经验对数似然比统计量.在适当条件下,证明了所提出的统计量依分布收敛于χ~2分布,所得结果可以构造未知参数的置信域.最后通过模拟研究对所提方法进行了说明.