半参数模型的经验欧氏似然估计的大样本性质

本文证明了半参数模型的经验欧氏似然估计的强相合性和渐近正态性,还证明了经验欧氏似然比统计量的渐近x~2分布性,最后给出了几个例子。     

两样本半参数模型的经验欧氏似然估计

在本文中，我们证明了两样本半参数模型的经验欧氏似然估计的相合性和渐近正态性，也证明了两样本半参数模型的经验欧氏似然比统计量的渐近x2分布性，最后给出了两个例子．     

平衡增加的经验欧氏似然

经验(欧氏)似然方法是近年来非常流行的一种非参数统计方法.针对经验(欧氏)似然的凸包限制和计算复杂问题,本文借助Emerson和Owen (2009)所提出的平衡增加思想对经验欧氏似然进行修正,得到了平衡增加的经验欧氏似然.随后论文从理论和模拟两个方面进行了研究.理论上给出了该方法与经验欧氏似然检验函数之间的联系,即在固定的样本量n下随着添加点位置的连续变化,检验方法可以从简单的均值增加经验欧氏似然变化到经验欧氏似然检验;模拟结果显示,适当选取调整因子,平衡增加的经验欧氏似然相对于(调整)经验欧氏似然而言,在大多数情况下,其分布更接近于对应的极限分布.     

调整经验欧氏似然及其性质

经验(欧氏)似然是近年来非常流行的非参数统计方法之一,但其存在凸包限制和计算复杂等不足之处.针对此不足,CHEN等人(2008)给出调整经验似然.本文借助此想法,给出调整经验欧氏似然方法,进而讨论其相应的统计性质.理论结果显示,调整经验欧氏似然有与经验欧氏似然完全类似的性质;模拟结果显示,在某些情况下(如二维情况),调整经验(欧氏)似然所得的区间估计具有较好的覆盖率.此外,调整经验欧氏似然的思想和计算都比较简单.从实用角度看,具有较高的推广价值.     

基于经验欧氏似然的均值单变点检测

均值单变点检测是研究变点问题的基础.论文根据均值单变点模型的特点,构造截断经验欧氏似然比检验函数并给出显式表达.在此基础上,得到了零假设下检验统计量的极限分布为极值分布,给出变点的诊断方法.在有变点的情况下,进一步给出变点位置的估计和其相合性的理论证明.最后通过数值模拟和尼罗河年流量的实证分析说明所提方法的有效性和实用性.     

可加模型中参数的经验欧氏似然估计

可加模型是参数设计中一个非常重要,实用的模型。本文讨论了可加模型中参数的经验欧氏似然估计及其性质,并给出了一种与参数的经验欧氏似然估计渐近等效的加权LS估计,最后分析了一个数值例子。     

欧氏空间上典型变换的循环子空间

运用实线性空间上线性变换的循环子空间分解的结果,证明了欧氏空间的一些典型线性变换的循环子空间只有1维和2维的.也就是说,在这些典型线性变换下,欧氏空间可分解为两两正交的1维和2维循环子空间的直和,进而得到欧氏空间的这些典型变换的正交相似标准型.     

扩张矩阵的一些性质

研究了相关于扩张矩阵A的扩张球和拟范数的一些性质.首先通过具体实例及欧氏范数关于A的上下界估计指出扩张矩阵与经典球及欧氏范数匹配不佳,但欧氏范数相关于A仍能保持全局伸缩性.其次研究了相适应于扩张矩阵的扩张球和拟范数关于伸缩性、凸性、可积性、微分估计及傅里叶变换的一些性质.最后通过欧氏范数与相关于扩张矩阵的拟范数的不等式估计证明了相关于拟范数的两类施瓦茨函数空间和相关于欧氏范数的经典施瓦茨函数空间都是等价的.     

常曲率空间的半平行超曲面和高阶平行超曲面的分类

本文给出了非欧氏常曲率空间Ｎ＾ｎ＋１（Ｃ）的半平行超曲面的分类，并利用此分类定理证明了非欧氏常曲率空间的高阶平行超曲面与平行超曲面的等价性，从而也给出了非欧氏常曲率空间的高阶平行超曲面的分类；     

高维空间L1范数约束的一类数据稀疏距离测度学习算法与应用

现有一类分类算法通常采用经典欧氏测度描述样本间相似关系,然而欧氏测度不能较好地反映一些数据集样本的内在分布结构,从而影响这些方法对数据的描述能力.提出一种用于改善一类分类器描述性能的高维空间一类数据距离测度学习算法,与已有距离测度学习算法相比,该算法只需提供目标类数据,通过引入样本先验分布正则化项和L1范数惩罚的距离测度稀疏性约束,能有效解决高维空间小样本情况下的一类数据距离测度学习问题,并通过采用分块协调下降算法高效的解决距离测度学习的优化问题.学习的距离测度能容易的嵌入到一类分类器中,仿真实验结果表明采用学习的距离测度能有效改善一类分类器的描述性能,特别能够改善SVDD的描述能力,从而使得一类分类器具有更强的推广能力.     

缺失数据均值推断的经验似然方法

研究了缺失数据的均值推断问题.在随机缺失及半参数模型的假设下,设计了基于影响函数理论的经验似然推断方法,证明了所构造的对数经验似然比检验统计量具有非参数Wilks性质.此外,该经验似然方法可以利用辅助协变量中提供的附加信息来提高检验的功效.在近邻备择假设下,计算了检验统计量的功效,并且通过一些模拟考察了该方法在有限样本下的表现.     

缺失数据均值推断的经验似然方法

研究了缺失数据的均值推断问题.在随机缺失及半参数模型的假设下,设计了基于影响函数理论的经验似然推断方法,证明了所构造的对数经验似然比检验统计量具有非参数Wilks性质.此外,该经验似然方法可以利用辅助协变量中提供的附加信息来提高检验的功效.在近邻备择假设下,计算了检验统计量的功效,并且通过一些模拟考察了该方法在有限样本下的表现.     

具有随机右删失随机变量分位数的经验似然推断

本文研究了具有随机右删失随机变量分位数的置信域的构造.利用经验似然和截尾值估算相结合的方法,给出了分位数的对数经验似然比统计量,在较少的条件下证明了该统计量的极限分布为自由度为1的x~2分布.使得完全数据下的分位数的经验似然推断方法应用到非完全数据中.     

$\beta$-ARCH模型的经验似然推断

研究β-ARCH模型的经验似然估计及相应似然比统计量的渐近性质,证得了相合性和极限分布．     

Empirical likelihood for heteroscedastic partially linear models

We make empirical-likelihood-based inference for the parameters in heteroscedastic partially linear models. Unlike the existing empirical likelihood procedures for heteroscedastic partially linear models, the proposed empirical likelihood is constructed using components of a semiparametric efficient score. We show that it retains the double robustness feature of the semiparametric efficient estimator for the parameters and shares the desirable properties of the empirical likelihood for linear models. Compared with the normal approximation method and the existing empirical likelihood methods, the empirical likelihood method based on the semiparametric efficient score is more attractive not only theoretically but empirically. Simulation studies demonstrate that the proposed empirical likelihood provides smaller confidence regions than that based on semiparametric inefficient estimating equations subject to the same coverage probabilities. Hence, the proposed empirical likelihood is preferred to the normal approximation method as well as the empirical likelihood method based on semiparametric inefficient estimating equations, and it should be useful in practice.     

Jackknife-blockwise empirical likelihood methods under dependence

Empirical likelihood for general estimating equations is a method for testing hypothesis or constructing confidence regions on parameters of interest. If the number of parameters of interest is smaller than that of estimating equations, a profile empirical likelihood has to be employed. In case of dependent data, a profile blockwise empirical likelihood method can be used. However, if too many nuisance parameters are involved, a computational difficulty in optimizing the profile empirical likelihood arises. Recently, Li et al. (2011) [9] proposed a jackknife empirical likelihood method to reduce the computation in the profile empirical likelihood methods for independent data. In this paper, we propose a jackknife-blockwise empirical likelihood method to overcome the computational burden in the profile blockwise empirical likelihood method for weakly dependent data.     

Adjusted Empirical Likelihood and its Properties

Computing a profile empirical likelihood function, which involves constrained maximization, is a key step in applications of empirical likelihood. However, in some situations, the required numerical problem has no solution. In this case, the convention is to assign a zero value to the profile empirical likelihood. This strategy has at least two limitations. First, it is numerically difficult to determine that there is no solution; second, no information is provided on the relative plausibility of the parameter values where the likelihood is set to zero. In this article, we propose a novel adjustment to the empirical likelihood that retains all the optimality properties, and guarantees a sensible value of the likelihood at any parameter value. Coupled with this adjustment, we introduce an iterative algorithm that is guaranteed to converge. Our simulation indicates that the adjusted empirical likelihood is much faster to compute than the profile empirical likelihood. The confidence regions constructed via the adjusted empirical likelihood are found to have coverage probabilities closer to the nominal levels without employing complex procedures such as Bartlett correction or bootstrap calibration. The method is also shown empirical likelihood.     

二阶扩散模型的经验似然推断

本文利用经验似然方法得到了二阶扩散模型的漂移系数和扩散系数的经验似然估计量, 并研究这些估计量的相合性和渐近正态性. 进一步在经验似然方法的基础上给出了漂移系数和扩散系数的非对称的置信区间, 并且在一定的条件下证明了调整的对数似然比是渐近卡方分布的.     

含有截断和缺失数据的经验似然推断

本文将经验似然的方法应用到同时包含截断和缺失数据的情况. 通过定义调整后的经验似然比, 证明它服从$\chi^2$分布. 利用随机模拟, 比较经验似然和正态方法的优劣. 结果发现经验似然方法在很多情况下都优于正态方法.