一类有渐近展开的分布的独立和逼近

Efron 于1979年提出了 Bootstrap 方法,随后郑忠国在[2]中应用随机加权的思想,推广了 Efron 的方法.随着理论研究和实际应用的深入,Bootstrap 方法已引起了统计工作者越来越广泛的注意.对于分布的估计问题,在很多情况下已证实了随机加权逼近比通常的正态逼近更为精密,显示出随机加权法的优越性.例如,对测量模型     

对称分布之分布函数估计量的自助法

本文考虑与对称分布有关的经验过程的自助(Bootstrap)问题.证明了对称分布之分布函数的自助估计的相合性.同时还讨论了用自助法构造对称分布函数的置信界的方法.     

随机加权法的渐近展开

本文讨论了样本均值规范化误差(X-μ)/σ之分布函数F_n(x)的模拟问题。在本文中采用了一种与Bootstrap方法不同的方法——随机加权法。记F_n~*为∑(X_i-X)V_i/σ~*(∑(X_i-X)V_i)之分布,其中(V_1,…,V_n)遵从Dirichlet分布,σ~(*2)表示X_1,…,X_n固定之下∑(X_i-X)V_i之方差。本文的主要结论是当 E|X_i|~3<∞时,n~(1/2)sup|F_n~*(x)-F_n(x)|→0,a.e.。     

T-SPH排队队长平稳分布的尾部分析

在复杂随机模型的研究中,经常会出现水平和位相都是无限的拟生灭过程,对这类过程,平稳分布的计算仍然是一个未很好解决的难题.然而对一类比较特殊三对角无限位相拟生灭过程,简记为T-QBD过程,文献[1]指出,在一定条件下可以估计其平稳分布的尾部特征.本文对文献[1]1中提出的方法在某一环节上作了改进,使之更适合于实际计算,并用此方法分析了两个具有实际应用背景的排队模型,即T-SPH/M/1排队和M/T-SPH/1排队,分析结果表明,在一定条件下,这两类排队系统的队长分布的尾部都具有几何衰减的特性.     

右删失情形下平均生存时间的加权Bootstrap推断

在右删失情形下,基于一类合成数据,采用加权Bootstrap方法获得了平均生存时间的加权Bootstrap估计及其加权Bootstrap分布,并就权重是否独立两种情形,证明了此估计的相合性及此分布近似的有效性.基于此,构造了平均生存时间的置信区间.在数值模拟中,取权为Dirichlet(n;1,…,1),并从覆盖概率和区间长度角度,比较了加权Bootstrap和渐近正态逼近产生的置信区间.     

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.     

线性模型M估计分布的Bootstrap逼近的强收敛

本文讨论标准线性模型M估计分布的随机加权逼近，建立了随机加权M估计的线性表示及Bootstrap强逼近，同时还得到了逼近的一致强收敛速度，其主要部分的阶在Berry－Esseen意义下已达最优．     

用分区函数加权残数法求解带有边梁的薄板问题

本文根据文献[1]提出的加枚残数法中的分区函数的概念,将其应用于求解带有边梁的薄板问题.并将同一问题采用了有限单元方法[3]进行了计算.比较两者结果表明,在加权残九法中应用分区函数法是有较强的实用性和有效性.     

标准化样本均值分布的随机加权逼近—多维情形

本文考虑多维标准化样本均值分布的随机加权逼近,得到了O((?)~(-1/2))的最优精度,从而拓广了随机加权法的应用范围.     

渐近几乎负相关随机变量和的收敛性（英文）

本文运用渐近几乎负相关(简称AANA)随机序列的矩不等式与截尾的方法,得到了不同分布的AANA随机序列最大部分加权和完全矩收敛的充分必要条件.所得结果推广和改进了文献[15]、[16]和[17]相应的结论.     

关于不同分布两两NQD列的Jamison型加权乘积和的强稳定性

本文讨论了不同分布两两NQD列的Jamison型加权乘积和的强稳定性及乘积和的Marcinkiewicz型强大数律,推广并改进了Etemadi[1]关于不同分布两两独立列部分和的工作及Matula[2],王岳宝等[3]关于同分布两两NQD列部分和的工作.     

基于随机加权的空间聚集性检验及其在基础教育师资均衡性评价中的应用

使用空间统计检验方法研究北京基础教育资源分配的均衡性问题.对于空间分布均匀性的检验,常用的统计量是Moran's I统计量.但基于Moran's I统计量做推断的时候,人们往往用渐进正态分布或者用Bootstrap反复抽样得到经验分布来进行.提出使用随机加权法进行统计量的经验检验.Jin和Lee(2014)文中得出基于Bootstrap的Moran's I统计量满足一致逼近和渐进正态等性质.采用类似的统计工具证明了基于随机加权得到的统计量的渐进分布也满足这些良好性质.填补了用随机加权法在空间统计量的推断中理论保证的空白.通过模拟研究,证明了所提算法的有效性.方法应用于北京基础教育的师资-适龄儿童数比例,师资-在校生数比例的空间聚集性检验中得到了良好的应用,并与其它检验方法所得结论进行比较.结论显示在不同相邻概念(地理相邻、政策空间相邻)下,方法得到的结论符合常理.     

删截分布未知的多维随机删截数据的PP拟合优度检验

文[5]在假定删截分布已知的条件下,用投影寻踪（PP）技巧讨论了多维随机删截数据的PP拟合优度检验问题．本文讨论截尾分布未知时,多维随机删截数据的拟合优度检验问题,得到了检验统计量在零假设成立时的渐近分布,并讨论了其Bootstrap逼近．     

关于稳健正态序列的讨论

§1 引言稳健性是估计量的优良性质的描述。当原来的估计量具有稳健性时,自然希望对应的Bootstrap估计也保持这一性质。郑忠国[1]提出关于估计序列的稳健性定义,给出了估计序列稳健渐近正态的定义,简称稳健正态序列(RNS)。本文§2依照Hampel的属性稳健性定义,对郑忠国提出的稳健正态性进行了讨论。并且给出了随机加权的稳健条件。指出对一类L—估计,随机加权法具有稳健性。§3讨论了BootstrappingM—估计的稳健性。     

随机加权法

在讨论置信区间和估计误差的分布等问题时,Efron 提出了 Bootstrap 方法.为说明 Bootstrap 方法,我们用均值估计的误差分布的计算这个例子说明之.设 X_1,…,X_n～iidF,考虑均值μ_1∫xdF 的估计误差     

马尔可夫骨架过程的有穷维分布(英文)

在文献[1]和[2]中，我们引入了马尔可夫骨架随机过程的概念，并得到了向后方程和向前方程．同时还计算了这类过程的一维分布以及讨论了其它有关性质．在本文中，我们进一步给出马尔可夫骨架随机过程的有穷维分布的计算公式．     

加权滤波方法

卡尔曼滤波方法[1]在使用中常常遇到滤波发散的问题.本文所讨论的加权滤波方法,就是在实际使用中,为了克服滤波发散和计算误差累积的发散所提出的一种滤波方法.这种方法可以进行长时间的递推计算,而不会引起滤波发散.而且,这一方法的计算量和存贮量比起为了克服发散而提出的限定记忆滤波方法[2]要小得多.已经出现的指数加权滤波方法[3]仅是这种加权滤波的一种特殊情况.     

Markov骨架过程积分型泛函的分布和矩及其应用举例

侯振挺等^[1]引入了一类具有广泛应用前景的随机过程－Markov骨架过程,本文研究这类过程积分型泛函的分布和矩及其计算问题,作为应用,我们得到了Doob过程,生灰2过程积分型泛函的分布和矩的公式,尤其对于生灭过程,利用本文的方法也得到了[4]中定理1－3的结果。     

线性模型中M估计分布的随机加权方法逼近

在线性模型中,M估计的渐近分布通常都涉及到不易估计的未知误差分布的某些量,如果要估计渐近方差,就需对这些冗余参数进行估计.利用随机加权方法可以避免先对误差分布中的冗余参数进行估计.给出了当自变量是随机变量时,M估计分布的随机加权逼近,证明了M估计分布的随机加权逼近是一致相合的.当取不同的凸函数,样本大小和随机权时,进一步利用蒙特卡洛方法研究估计分布.研究表明随机权取泊松权时,不仅达到同样的效果而且可以减小计算量.     

重尾分布的尾部指数估计及沪深股市实证分析

重尾分布尾部指数α的估计依赖于样本中所用顺序统计量个数k的选取.本文介绍了估计α时选择k的两类不同的方法:Sum-plot方法和Bootstrap方法,并对Hall提出的Bootstrap方法作了改进,称为M-Bootstrap方法.本文利用上述方法对已知分布进行Monte-Carlo模拟,研究它们的可行性,然后对上海和深圳两市股指数据进行了实证分析.计算结果表明,上海和深圳股指收益率具有重尾性.是右偏态的,右尾厚于左尾.通过几种方法计算的结果比较发现Sum-plot方法和M-Bootstrap方法在估计重尾指数上精确性较高一些,而且不受异常值的影响.