END样本最近邻密度估计的强相合速度

本文研究了扩展负相依(END)样本最近邻密度估计的强相合性问题.利用END序列的Bernstein型不等式和截尾的方法,获得了END样本最近邻密度估计的强相合速度,推广了NA样本和ND样本最近邻密度估计的相应结果.     

负超可加相依样本密度函数核估计的相合性

本文研究负超可加相依样本的密度函数核估计相合性.利用负超可加相依序列的不等式与性质,获得了密度函数核估计的逐点相和性和一致相和性以及r阶矩相和性.     

NA样本最近邻密度估计的相合性

在NA样本下研究最近邻密度估计的相合性，给出弱相合性、强相合性、一致强相合性以及它们的收敛速度的充分条件．同时研究了失效率函数估计的一致强相合性     

基于右删失宽相依数据的Kaplan-Meier估计和风险率估计的渐近性质

本文在生存时间和删失时间均为宽相依数据下,建立了生存函数的Kaplan-Meier估计和风险率估计的强逼近和强表示,获得的强逼近和强表示误差项的收敛速度达到O(n~(-1/2)log~(1/2)n).所得结果推广了负相协和负超可加相依数据情形下的相关结果.     

线性模型中相依误差下回归系数最小二乘估计的相合性

文献[1]考虑了线性模型中误差序列{e_i}独立时,最小二乘估计(?)_n 的 r-阶矩的平均相合性.对{e_i}为鞅差序列,线性过程序列的情况,最近一些文献中得出了(?)_n 强相合的一些结果.在[1]的工作基础上,本文对{e_i}为 m-相依、*-混合、广义高斯等相依序列得出相应结果,给出了(?)_n 为 r-阶矩相合及强相合的一些充分条件.本文中相依序列的定义引自[2],[2]中给出了一些相依序列的实例,因而考虑相依误差下(?)_n 的相合性有一定的实用意义.考虑线性回归模型:     

AANA序列的半参数模型的强相合性

讨论渐近几乎负相依序列的半参数模型,利用最小二乘法和非参数加权的估计方法,得到参数、非参数和误差方差的估计,并在合适的条件下得到这些估计量的强相合性,推广了负相依序列的半参数模型的相应结论.     

NSD序列加权和的中心极限定理及其在EV回归模型中的应用

基于负超可加相依(简称为NSD)随机序列的性质及其一些不等式,利用随机变量的截断方法建立了NSD随机序列加权和的中心极限定理,从而推广了负相协NA随机序列的相应结论.并将其应用到变系数EV回归模型,得到了未知参数LS估计的渐近正态性.     

L_2-Cross-Validation最近邻中位数估计的相合性:m-相依情形

给出了ｍ－相依情形的Ｌ２－Ｃｒｏｓｓ－Ｖａｌｉｄａｔｉｏｎ最近邻中位数估计的弱相合性和用Ｌ_２－Ｃｒｏｓｓ－Ｖａｌｉｄａｔｉｏｎ方法选择的光滑参数的下界．     

独立样本最近邻密度估计的强相合速度

设X，X2，…,Xn是独立同分布样本，具有共同的密度函数f(x),在f(x)满足适当的条件下给出最近邻密度估计的强相合收敛速度，其速度可达到O（n^-1/3(olgn)^1/3。     

α混合序列下的核密度估计量的相合性

本文在α-混合序列下,讨论了核密度估计量的强相合性与一致强相合性,并给出其收敛速度.这些结论改进了Bosq(1998)中引理2.1和定理2.1所获得的相应结论.     

方向数据核密度估计强一致相合性的收敛速度

设 f_n 为基于核函数 K 和一列取值于d 维单位球面的独立同分布的随机变量上的非参数核密度估计. 该文通过经验过程的方法得到核密度估计强一致相合性的速度.     

经验欧氏似然的大样本性质

本文讨论了强平稳 m相依样本半参数模型的经验欧氏分布函数的相合性及经验欧氏似然比统计量的渐近 χ2分布性 .     

密度的求导插值估计

密度估计在应用上有重要意义.密度估计方法有直方图估计、核估计、最近邻估计等.本文提出一种新的密度估计方法,对连续经验分布函数求导插值而求密度估计.经验分布函数就是     

强混合相依变量加权和的收敛性及其应用

本文提供一条处理相依样本的新途径.建立了强混合相依变量加权和的收敛性.作为它的应用,考虑回归模型,给出回归函数非参数的强相合估计.     

截断样本下最近邻估计的强一致收敛速度

本文用最近邻方法寻找在截断样本下的密度估计,证明它的强收敛性并寻求其收敛速度。在某些截断情况下,本文找到的密度估计的收敛速度不仅达到了最佳并且改进了[4]中的收敛速度。     

强混合样本下最近邻密度估计的渐近正态性

研究了α-混合样本下最近邻密度估计的渐近性质,证明了估计的渐近正态性并且给出了其渐近方差的显式表达式,由此构造了α-混合样本下概率密度的渐近置信区间.     

独立样本核密度估计的r阶均方相合性及收敛速度

本文旨在讨论并改进独立样本核密度估计的大样本性质．本文在改进Parzen(1962)给出的一个基本引理的基础上得出了独立样本核密度估计的r阶均方及一致均方相合性和收敛速度．此结果是文献[1]中独立样本核密度估计均方相合性的推广．     

一类密度估计的r阶平均相合性

Prakasa Rao在文献 [1 ]中提出了一类密度估计 fn( x) .本文在一些较弱的条件下 ,研究 fn( x)逐点 r阶平均相合性和一致 r阶平均相合性     

α-混合随机序列最近邻密度估计的强相合收敛速度

设{Xi）i=1^∞是一维平稳序列，具有公共的未知密度f（x），在{Xi}i=1^∞是α-混合的条件下，给出了f（x）基于前礼个观测值{Xi}i=1^∞的最近邻密度估计的强相合收敛速度，当f（x）满足适当条件，收敛速度可达到0（n^-1/3（ln n）^4（1＋p）／3））．     

平稳序列最近邻密度估计的相合性

设{X_n}_(n=1)~∞ 是 R~d 中平稳过程,具有公共的未知密度 f(x).本文并不假定{X_n)_(n=1)~∞ 是独立的,考察基于前 n 个观察值{X_i}_(i=1)~n 的f(x)的最近邻估计.在过程{X_n}_(n=1)~∞ 是φ混合或强混合的情形下,得到了逐点相合性、一致相合性以及收敛速度.