变窗宽和一步局部M-估计 *

研究稳健的变窗宽局部线性回归 .所提出的方法继承了局部多项式回归的优点并且克服了最小二乘方法缺乏稳健性的缺点 .变窗宽的使用提高了所得到的局部M- 估计的可塑性并使得它们能成功地处理空间非齐性曲线、异方差性及非均匀设计密度 .在合适的正规条件下 ,所提出的估计是存在的且是渐近正态的 .基于稳健的估计方程 ,引进了一步局部M- 估计以减少计算负担 .只要初始估计足够好 ,一步局部估计将具有与整个迭代的M- 估计相同的渐近分布 .换句话说 ,一步局部M- 估计显著地减少整个迭代M- 估计的计算负担而不降低其执行效果 .模拟也说明了这个事实.     

部分线性回归模型变窗宽一步局部M-估计

讨论了部分线性回归模型的变窗宽一步局部M-估计.用一步局部M-估计给出未知函数的估计,用平均方法给出参数估计.进一步通过两个引理证明一步M-估计的渐近正态性.所提出的方法继承了局部多项式的优点并且克服了最小二乘法缺乏稳健性的缺点.     

可加模型的两阶段局部M-估计

研究了可加模型分量回归函数的局部M-估计, 针对分量回归函数及其导数提出了两阶段局部M-估计的方法. 在较广泛的条件下建立了估计量的渐近正态性理论, 估计量具有先知性质(oracle property), 即在估计某一分量回归函数时,其他分量回归函数是否已知不影响估计量的渐近性质. 渐近理论包括了两类常用的估计量,即最小二乘估计和最小一乘估计. 当ψ是连续的且是非线性时,估计量的实施非常耗时,为了减轻计算的负担, 提出了一步局部M-估计量, 并证明了在初始估计量足够好的情形下, 一步局部M-估计量与完全迭代所得到的估计量具有相同的渐近估计效率, 这使得两阶段局部M-估计的方法较为实用. 两阶段局部M-估计量继承了局部多项式估计的优点, 同时克服了其在最小二乘准则下不稳健的缺点. 另外, 还讨论了估计方法实施方面的细节及有关参数的选择方法. 数值模拟结果及实际例子说明了两阶段局部M-估计方法的优点及实用性.     

部分线性单指标模型的M-估计

单指标模型是一类非常重要的半参数回归模型,不仅可以降低数据维数,克服多元数据中的"维数祸根"问题,而且能抓住高维数据的主要特征.文章研究部分线性单指标模型的M-估计,利用B-样条近似技术逼近非参数函数,提出了获得模型中未知参数M-估计的方法,在一些正则条件下,研究了回归函数以及回归系数的M-估计的渐近性质.随机模拟结果表明了文中M-估计具有稳健性.     

半变系数模型的变窗宽和一步局部M-估计

讨论了半变系数模型的变窗宽一步局部M-估计.用一步局部M-估计给出了未知函数的估计,用平均法给出了未知参数的估计,并在其中嵌入一个变窗宽加以提高,得到了未知函数和未知参数的渐近正态性.     

回归系数的稳健主成分估计

自变量间多元共线关系的存在以及数据集中离群值的存在,对回归系数最小二乘估计产生较大的影响。主成分估计用以抗多元共线,稳健M-估计具有抗离群值的特性。本文探讨了离群值对主成分估计的影响和多元共线对M-估计的影响。在此基础上提出了回归系数稳健主成分估计(RPC),RPC是主成分估计与M-估计的有机结合,它能同时抗离群值和多元共线并保留主成分估计与M-估计的优点。本文应用Monte-Carlo方法,考证了在多元共线与离群值同时存在时,RPC优于Ls估计、主成分估计和M-估计,说明RPC具有一定的实用价值。     

严格对角占优M-矩阵的逆矩阵的无穷大范数的新上界

给出了严格对角占优M-矩阵的逆矩阵的无穷大范数上界新的估计式,进而给出严格对角占优M-矩阵的最小特征值下界的估计式.新估计式改进了已有文献的结果.     

部分线性回归模型的M-估计

本文讨论部分线性回归模型的M-估计．用局部线性方法给出未知函数的M-估计，用两步估计方法给出参数的M-估计．进一步证明了未知函数的M-估计的弱一致性和渐近正态性，参数的M-估计的弱一致性．     

变系数模型变窗宽和一步局部M-估计

用变窗宽和一步局部M-估计对变系数模型的系数参数进行估计,得到了估计的渐近正态性.     

M-矩阵特征值的若干估计

M-矩阵是指对一切i(?)j,都有α_(ij)≤0且一切主子式全为正的 n 阶实方阵 A=(α_(ij)).关于 M-矩阵特征值的估计,1975年佟文廷推进了 M-矩阵特征值之实部皆正的一般结果,指出 M-矩阵之绝对值最小的特征值为一正数[1],文[2]对这一特征值的界给出一个估计式,本文首先将这些估计式推广到一般的准 M-矩阵上去,其次从另一方向上讨论了 M-矩阵按模最小特征值的界,最后对不可约 M-矩阵的全部特征值进行了讨论。