强相关数据回归函数的小波估计

讨论了在强相关数据情形下对回归函数的小波估计,并且给出了估计量的均方误差的一个渐近展开表示式． 对研究估计量的优劣,所推导的近似表示式显得非常重要．对一般的回归函数核估计,如果回归函数不是充分光滑,这个均方误差表示式并不成立A·D2但对小波估计,即使回归函数间断连续,这个均方误差表示式仍然成立．因此,小波估计的收敛速度要比核估计来得快,从而小波估计在某种程度上改进了现有的核估计．     

单位球上散乱数据核正则化回归的误差分析

给出基于二次损失的单位球盖(单位球)上确定型散乱数据核正则化回归误差的上界估计,将学习误差估计转化为核函数积分的误差分析,借助于学习理论中的K-泛函与光滑模的等价性刻画了学习速度.研究结果表明学习速度由网格范数所控制.     

条件密度近邻—核估计的逼近速度

本文首先了条件密度函数近邻一核估计的误差分布的正态逼近精度,然后利用随机加权法构造了近邻－核估计的随机加权统计量,获得了随机加权逼近精度。     

条件密度近邻－核估计的逼近速度

本文首先研究了条件密度函数近邻－核估计的误差分布的正态逼近精度,然后利用随机加权法构造了近邻－核估计的随机加权统计量,获得了随机加权逼近精度。     

高斯核正则化学习算法的泛化误差

对广义凸损失函数和变高斯核情形下正则化学习算法的泛化性能展开研究.其目标是给出学习算法泛化误差的一个较为满意上界.泛化误差可以利用正则误差和样本误差来测定.基于高斯核的特性,通过构构建一个径向基函数(简记为RBF)神经网络,给出了正则误差的上界估计,通过投影算子和再生高斯核希尔伯特空间的覆盖数给出样本误差的上界估计.所获结果表明,通过适当选取参数σ和λ,可以提高学习算法的泛化性能.     

不等式约束条件下部分线性回归模型的参数估计

本文研究了不等式约束条件下部分线性回归模型的参数估计问题，利用最优化方法和贝叶斯方法，给出了不等式约束条件下部分线性回归模型的最小二乘核估计和最佳贝叶斯估计，并且证明了在一定条件下，带约束条件的最小二乘核估计在均方误差意义下要优于无约束条件的最小二乘核估计。     

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.     

连续时间下非参数回归模型的误差密度估计

本文研究连续时间下非参数回归的误差密度估计问题，给出误差密度的一个核估计量，利用回归函数的核估计在紧区间上一致均收敛的结论证明了该统计量渐近无偏差，均方相合法，并说明了该核估计中窗宽选取的办法。     

α－混合过程条件密度的估计及其性质

本文在{Xr,t∈N）是一个严平稳过程的假设下,用核估计的方法对未来状态XN＋T的条件密度进行估计．在假设{Xt,t∈N）是α-混合过程的情况下,讨论了过程有限维密度核估计的期望与方差,以及过程条件密度核估计的偏及均方误差．在一定条件下,证明了估计的弱收敛性．     

删失数据下回归函数的加权局部复合分位数 回归估计

在右删失数据下,研究了误差具有异方差结构的非参数回归模型,利用局部多项式方法构造了回归函数的加权局部复合分位数回归估计,并得到了该估计的渐近正态性结果,最后通过模拟,当误差为重尾分布时,该估计比局部多项式估计以及核估计表现得更好.     

未知方向密度估计的收敛率

设Ｘ为ｐ维随机向量,对于未知的投影方向θｏ（‖θｏ‖＝１）,本文利用θｏ的估计与核密度估计相结合的方法给出了θ＾Ｔ０Ｘ的密度（方向密度）的核型密度估计,获得了此估计的逐点渐近正态性,逐点精确强收敛率,一致精确强收敛率以及均方误差收敛率,所得结果与最优性与已知方向上的核密度估计完全一致。作为例子,对θｏ为Ｘ协方差阵的最大特征值所对应的特征方向,我们给出了θｏ的满足条件的估计极其方向密度估计。     

Transformation Kernel Density Estimation With Applications

One of the main objectives of this article is to derive efficient nonparametric estimators for an unknown density fX. It is well known that the ordinary kernel density estimator has, despite several good properties, some serious drawbacks. For example, it suffers from boundary bias and it also exhibits spurious bumps in the tails. We propose a semiparametric transformation kernel density estimator to overcome these defects. It is based on a new semiparametric transformation function that transforms data to normality. A generalized bandwidth adaptation procedure is also developed. It is found that the newly proposed semiparametric transformation kernel density estimator performs well for unimodal, low, and high kurtosis densities. Moreover, it detects and estimates densities with excessive curvature (e.g., modes and valleys) more effectively than existing procedures. In conclusion, practical examples based on real-life data are presented.     

Error density estimation in high-dimensional sparse linear model

This paper is concerned with the error density estimation in high-dimensional sparse linear model, where the number of variables may be larger than the sample size. An improved two-stage refitted cross-validation procedure by random splitting technique is used to obtain the residuals of the model, and then traditional kernel density method is applied to estimate the error density. Under suitable sparse conditions, the large sample properties of the estimator including the consistency and asymptotic normality, as well as the law of the iterated logarithm are obtained. Especially, we gave the relationship between the sparsity and the convergence rate of the kernel density estimator. The simulation results show that our error density estimator has a good performance. A real data example is presented to illustrate our methods.

     

球面数据核近邻估计的强相合性

该文绘出了球面数据密度函数的核近邻估计,通过对核估计与近邻估计相互关系的讨论,建立了核近邻估计的逐点强相合性及一致强相合性．     

The Accuracy and the Computational Complexity of a Multivariate Binned Kernel Density Estimator

The computational cost of multivariate kernel density estimation can be reduced by prebinning the data. The data are discretized to a grid and a weighted kernel estimator is computed. We report results on the accuracy of such a binned kernel estimator and discuss the computational complexity of the estimator as measured by its average number of nonzero terms.     

Asymptotic analysis of a kernel estimator for parabolic stochastic partial differential equations driven by fractional noises

We study a strongly elliptic partial differential operator with time-varying coeffcient in a parabolic diagonalizable stochastic equation driven by fractional noises. Based on the existence and uniqueness of the solution, we then obtain a kernel estimator of time-varying coeffcient and the convergence rates. An example is given to illustrate the theorem.     

α-混合序列下期望损失ES的两步核估计

期望损失(Expected Shortfall,ES)是当今最流行的金融资产风险管理的工具之一,是一个理想的一致性风险度量.本文在α-混合序列具有幂衰减混合系数条件下,用两步核估计估算风险度量ES的值,第一步是在险价值(Value at Risk,VaR)的核估计,第二步是ES的核估计.得到ES的核估计量的Bahadur表示,以及均方误差和渐近正态性的收敛速度.     

纵向数据非参数混合效应模型的一个局部不变估计

非参数核回归方法近年来已被用于纵向数据的分析(Lin和Carroll,2000)．一个颇具争议性的问题是在非参数核回归中是否需要考虑纵向数据间的相关性．Lin和Carroll (2000)证明了基于独立性(即忽略相关性)的核估计在一类核GEE估计量中是(渐近)最有效的．基于混合效应模型方法作者提出了一个不同的核估计类,它自然而有效地结合了纵向数据的相关结构．估计量达到了与Lin和Carroll的估计量相同的渐近有效性,且在有限样本情形下表现更好．由此方法可以很容易地获得对于总体和个体的非参数曲线估计．所提出的估计量具有较好的统计性质,且实施方便,从而对实际工作者具有较大的吸引力．     

条件泛函及其导数非参数估计的强一致收敛速度

研究了条件泛函及其导数的非参数估计,对随机与固定设计的条件泛函,分别利用核估计和非参数加权估计,在核函数及权函数满足一定条件下,证明了估计一致强收敛于待估函数的速度可达到最优。从而进一步推广和发展了Hrdle,etal.(1988)、Severini,etal.(1992)的许多结果。     

On the Accuracy of Binned Kernel Density Estimators

The accuracy of the binned kernel density estimator is studied for general binning rules. We derive mean squared error results for the closeness of this estimator to both the true density and the unbinned kernel estimator. The binning rule and smoothness of the kernel function are shown to influence the accuracy of the binned kernel estimators. Our results are used to compare commonly used binning rules, and to determine the minimum grid size required to obtain a given level of accuracy.