条件中位数L_1-模最近邻估计的逐点收敛速度

设θ(x)为Y关于X的条件中位数。本文研究了θ(x)的 L_1-模最近邻的估计的逐点收敛速度问题。得到的结果与[7]关于回归函数 E{Y|X=x}的最近邻估计的逐点收敛速度类似。     

关于自共轭算子的特征

在[2]中,Fong讨论了Hilbert空间上算子T=UP=X iY的自共轭条件,证明了当X≥P时,Y=0。同时提出了一个猜测:若T满足|x|≥P时,Y=0。我们在[4]中讨论了有关的问题。本文继续讨论这个问题。 在[4]中证明了当T=UP为半亚正常时,由|x|≥P可推出Y=0,这时,首先由条件也有|x|≥UPU,下面我们证明定理1。     

非参数回归函数混合型估计的均方收敛性

C.Stone在[1]中,提出了一种用最小二乘法和权函数法结合起来去估计回归函数m(x)=E(Y|X=x)的方法如下:将回归函数m(X)分为线性部分a b′X和残差部分m~(1)(X),     

相依样本下非参数回归函数估计的强收敛速度

设(X,Y),(X_1,Y_1,),…,(X_n,Y_n)是一个平稳、φ—混合过程((X,Y)∈R~d×R,E|Y|~(s δ)<∞,s≥2,δ>0),用m(x)记E{Y|X=x},本文讨论了m(x)的如下估计m_n(x)的强收敛速度:     

STRONG CONVERGENCE OF KERNEL ESTIMATES OF NONPARAMETRIC REGRESSION FUNCTIONS

Let (X, Y), (X_1, Y_1), …, (X_n, Y_n) be i. i. d. random vectors taking values in R_d×Rwith E(|Y|)<∞. To estimate the regression function m (x) = E (Y|X= x), we use thekernel estimate m_n(x)= sum from i=1 to n K((X_j-x)/h_n) where K(x) is a kernel functionand h_n a window width. In this paper, we establish the strong consistency of m_n(x) whenE(|Y|~P)<∞ for some p>l or E{exp(t|Y|~λ)}<∞ for some λ>0 and t>O. It is remakablethat other conditions imposed here are independent of the distribution of (X, Y).     

一种非参数回归估计量的条件 平均绝对误差的指数收敛速度

<正> 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)是取值于R~d×R~1的独立同分布随机变量,E|Y|<∞.以m(x)=E(Y|X=x)记Y对X的回归函数,Q记X的概率分布测度,Z_n记{(X_i,Y_i),i=1,…,n},它是(X,Y)的已知观测值.一般的非参数回归估计问题,就是对指定的x∈R~d,利用Z_n对m(x)进行估计.设θ=θ(x,Z_n)是这样一个估     

APPROXIMATION RATES OF ERROR DISTRIBUTION OF DOUBLE KERNEL ESTIMATES OF CONDITIONAL DENSITY

§ 1　IntroductionLet(X,Y) be a random vector taking values Rp×Rqand assume that with given X=x,f(y|x) is the conditional density of Y,the Borel-measurable function on(x,y) ,X has amarginal distribution function F(x) and a marginal density function f(x) .Let(X1 ,Y1 ) ,...,(Xn,Yn) be i.i.d.sample taking values in(X,Y) .A class of double kernel esti-mates of f(y|x) proposed by Zhao Linchang and Liu Zhijun[1 ] has the formfn(y|x) = ni=1K1Xi -xan K2Yi -ybn bqn nj=1K1Xj-xan ,(1 .1 )where…     

基于随机投影的回归分析

设(X,Y)是F×R上的随机对,其中F为可分的半度量空间.基于广泛应用背景,本文研究的是回归函数r(x)=E[Y|X=x]的最近k-邻域核估计函数r n(x)的收敛问题.通过运用随机投影的方法,本文对函数型数据的最近k-邻域进行回归分析,并得到了其相应的相容性.     

关于回归函数核估计的正态逼近速度

§1.引言和主要结果 设{(X_i,Y_i);1≤i≤n}为来自二元总体的iid样本。对于回归函数r(x)=E(Y|X=x)的估计问题,早在1964年,Nadaraya首先在文献[1]中提出了如下的核估计     

回归函数核估计的强相合性

设(X_i,Y_i),i=1,…,n是从取值于R~d×R~1的随机向量(X,Y)中抽取的iid.样本。设E|Y|<∞,而以m(x)=E(|Y|X=x)表示回归函数。在本文中,我们考虑m(x)的通常的和递推形式的核估计:其中K(x)假定是R~d上的概率密度,而h_n>0。我们在K(x)很弱的条件下建立了m_n~((i))(x)的a.s.收敛性,i=1,2,3,但是要求X的边际分布具有密度,这种情况曾在Schuster和Yakowitz中讨论过,那里,更要求(X,Y)的联合分布有概率密度。     

非参数回归核估计的条件平均绝对误差的指数收敛速度

设(X,Y)、(X,Y_1),…,(X_n,Y_n)是取值于 R~d×R~1的 iid。随机向量,E|Y|<∞,在本文中将一直采用下面的记号:Z_n={(X_i,Y_i),i=1,…,n}—(X,Y)的已知样本。X~n={X_1,…,X_n}。Q——X 的概率分布测度。m(x)=E(Y|X=x)——Y 对 X 的回归函数。现设有了 Z_(?)并指定了 R~d 中的一个点 x,要依据它们对 m(x)作出估计。这就是一般的非参数回归问题。核估计法就是先选定 R~d 上定义的非负函数 K(x)作为核函数,那么可给出 m(x)的一个核估计     

非参数回归函数核估计的强收敛速度

本文给出回归函数m(x)=E(Y|X=x)满足λ(0<λ≤1)阶Lipschitz条件,且E|Y|~r<∞,r>1时,对m(x)的核估计有同时本文也改善了赵林城、方兆本(1985年)和孙东初(1985年)关于m_n(x)强相合于m(x)的结果。     

非参数回归函数之改良基于分割的估计的强相合性（英）

设(X,Y),(X1,Y1),…,(XnYn)为取值于 Rd× R的 i．i．d．随机变量,E(|Y|) ＜∞．设mn(x)为回归函数m(x)=E(|Y|X=x)基于分割的估计,本文在对mn(x)进行改良的条件下得到改良的基于分割的强相合估计．     

回归函数的最近邻估计之大偏差概率的指数率

设(X,Y)是取值于 R~d×R~1 的随机变量,其 X 的边缘分布为 v,Y 关于 X 的条件分布函数为 F(y|x).于是变量 Y 关于 X 的回归函数即条件期望为r(x)=∫_(R~1)ydF(y|x).(1.1)设(X_1,Y_1),…,(X_n,Y_n)是(X,Y) 的一组独立观测值,或称为(X,Y)的一组样本.对固定的 x∈R~d,记(R_(1,x)~(?),…,R_(n,x)~(?)为(1,…,n)的一个随机置换,     

On the Pointwisise L_p Convergence Rates of Nearest Neighbor Estimate of Nonparametric Regression Function

Let (X,y) be a R~d×R~1-valued radom vector with E(?)=E(Y|X=x) be the regression funvion of Y with respect to X.Su (X_i, Y_i),i=1, …,n, are iid samples drawn ftc, from (X,Y).(?)desired to estimate m(x) based on these samples,everoye discussed in (?) the pointwise convergence of the nearest neigthoor estimate m_n(X) (see (5) of the present paper). Ih this article we further study the rate of this eonyer-gence.It is shown that if there exists p≥2 sach that E 、|Y|<∞,then for suitabte choice of the weighte C_m (see(4) of the present paper).     

ASYMPTOTICS OF THE RESIDUALS DENSITY ESTIMATION IN NONPARAMETRIC REGRESSION UNDER m（n）-DEPENDENT SAMPLE

Let Y_i=M(X_i)+ei, where M(x)=E(Y|X=x) is an unknown realfunction on B(? R), {(X_1,Y_i)} is a stationary and m(n)-dependent sample from(X, Y), the residuals {e_i} are independent of {X_i} and have unknown common densityf(x). In [2] a nonparametric estimate f_n(x) for f(x) has been proposed on the basisof the residuals estimates. In this paper, we further obtain the asymptotic normalityand the law of the iterated logarithm of f_n(x) under some suitable conditions. Theseresults together with those in [2] bring the asymptotic theory for the residuals densityestimate in nonparametric regression under m(n)-dependent sample to completion.     

非参数回归函数最近邻估计Lp收敛的速度

Let (X,Y) be a R^d×R¹-valued random vector with E(|Y|)<∞,m(x)=E(Y|X=x) be the regression funvion of Y with respect to X.Suppose that (X_i, Y_i),i=1, …,n, are iid samples drawn from (X,Y). It is desired to estimate m(x) based on these samples,everoye discussed in 1981 (see [2]) the pointwise L_p-convergence of the nearest neigthoor estimate m_n(x) (see (5) of the present paper). In this article we further study the rate of this convergence.It is shown that if there exists p≥2 such that E |Y|^p<∞,then E|m_n(x)-m(x)|^p=O(n^-p/(d+2))a.s. for suitabte choice of the weighte C_m (see(4) of the present paper).     

回归函数的相合随机窗宽核估计

令(X,Y)为取值于 R~d×R 的随机向量,(X_1,Y_1),……,(X_n,Y_n)为抽自(X,Y)的分布的 iid.样本,m(x)(?)E(Y|X=x)称为 Y 对 X 的回归函数.1964年,Watson和 Nadaraya 首先提出用     

回归函数改良核估计的相合性

一、引言及若干引理设(X_1,Y_1),…,(X_n,Y_n)为(X,Y)的前 n 个样本,(X,Y)为 R~d×R 上的随机向量,μ为 X 的概率分布,回归函数 m(x)=E(Y|X=x)的核估计为     

Strong Consistency of Non-parametric Regression Estimates with Censored Data

Let (X,Y) be an R~d×R valued random vector with E|Y|<∞ and(X_1,Y_1) (X_2,Y_2), …, (X_n,Y_n) be i.i.d.observations of (X,Y). To estimate the regression function m(x)=E(Y|X=x), Stone suggested m_n(x)=sum from i=1 to n(W_(ni)(x)Y_i), where W_(ni)(x)=W_(ni)(x,X_1,X_2,…,X_n)(i=1,2,…,n) are weight functions. Devroye and Chen Xiru established the strong consistency of m_n(x). In this paper, we discuss the case that{Y_i} are censored by {t_i}, where{t_i} are i.i.d. random variables and also independent of{Y_i}. Under certainconditions we still obtain the strong consistency of m_n(x).