误差为鞅差序列的半参数回归模型参数估计的收敛速度

研究误差为鞅差序列的半参数回归模型参数估计的收敛速度.利用非参数分段多项式估计和最小二乘法进行讨论.考虑固定设计下的半参数回归模型:yi=xiβ g(ti) ei,i=1,2,…,n,{ei}是随机误差,且{ei,Fi,i≥1}为平稳遍历的平方可积鞅差序列,Fi,i≥1为单调不减的σ代数流,且Ee21=σ20,E(e2i|Fi)≤1,对利用通常采用的非参数权函数法结合最小二乘法得到的参数β和σ2的估计量βn和σ2n,在适当的条件下得到了βn和σ2n的精确的收敛速度.重对数律.     

方差分量组合的非负二次估计的可容许性

设有方差分量模型Y=X_β+U_(1ε1)+…+U_(NεN),其中XU_i已知,ε_1,…,ε_1相互独立。Eε_(if)=0,Eε_(if)~2=σ~2,Eε_(if)~3=0.Eε_(if)~4=3σ_i~4,这里(ε_(i1),…,ε_(in_i)εi。(β,σ~2)∈R~n×Ω为未知参数。Ω={(σ_1~2,…,σ_N~2):0≠sum from i=1 to n σ_i~2U_iU'_i≥0}。本文给出了Y'AY是sum from i=1 to n f_iσ_i~2在损失(Y'AY-sum from i=1 to N f_iσ_i~2)~2下在类{Y'BY:B≥0}中可容许估计的一个充分条件。同时也给出了Y'AY+l'Y+a是sum from i=1 to N f_iσ_i~2的可容许估计(在类{Y'BY+m'Y+b}中)的一个充要条件。研究了非负二次估计与局部最优估计之间的关系。     

NA序列半参数回归模型小波估计的强相合性

对于半参数回归模型yi=xiβ+g(ti)+ei,i=1,2,…,n,对误差{ei,1≤i≤n}为NA序列,在适当的条件下研究了未知参数β的小波估计的强相合,同时也得到了未知函数g(t)的小波估计的一致强相合.     

跳跃度变点估计的Op收敛速度

对至多只有一个跳跃度变点T0的变点模型Xi=a+θI{[nT0]＜i≤n+εi,i=1,2,…,n,假定{εi,i=1,2,…,n}是均值为0、方差有限的独立同分布误差序列,其中T0未知,称之为变点.在利用滑窗方法给出变点估计的基础上,进一步研究了局部对立假设条件下变点估计(T)的OP收敛速度.     

半参数回归模型的误差方差的小波估计

考虑半参数回归模型y i=x i' β +g(t i)+e i,1 i n,其中β∈R d为未知参数,g(t)为[0,1]上的未知Borel函数,x i为R d上的随机设计, {e i}为i.i.d.随机误差. 本文构造了误差方差σi 2=var (e i)的小波估计 n 2,得到了 n 2的渐近正态性, 同时构造了var(e i 2)的小波估计 n 2,并且证明了 n 2的弱相合性, 由此可知 依分布收敛于N(0,1), 这一结果可用于构造σ 2的大样本区间估计或对σ 2进行大样本检验.     

半参数回归模型小波估计的矩相合性

用小波方法,考虑半参数回归模型y_i=X_i~Tβ+g(t_i)+ε_i(1≤i≤n),其中β∈R~d为未知参数,g(t)为[0,1]上未知的Borel可测函数,X_i为R~d上的随机设计,随机误差{ε_i}为鞅差序列,{t_i}为[0,1]上的常数序列.得到参数及非参数的小波估计量的q-阶矩相合性.     

半参数回归模型的误差方差的小波估计

考虑半参数回归模型yi=Xi'β＋g（ti）＋ei,1≤i≤n,其中β∈Rd为未知参数,g（t）为[0,1]上的未知Borel函数,xi为Rd上的随机设计,{ei}为i.i.d．随机误差本文构造了误差方差σi2=var（ei）的小波估计■,得到了■的渐近正态性,同时构造了var(ei2)的小波估计■,并且证明了■的弱相合性,由此可知■依分布收敛于N（0,1）,这一结果可用于构造σ2的大样本区间估计或对σ~2进行大样本检验。     

-混合误差下回归函数加权核估计的强相合性

设{yi}是固定在点{xi}的观察值,适合模型yi=g(xi) εi.其中g(x)是0,1上的未知函数,{εi}是均值为0的随机误差序列.文献中,在{εi}为独立同分布的条件下,通过构造新的函数gn(x),对g(x)进行了估计.论文将{εi}推广至~ρ-混合误差序列的情形,通过附加适当的条件和精细的计算,获得了用gn(x)估计g(x)的同样结论.     

(~ρ)-混合误差下回归函数加权核估计的强相合性

设{yi}是固定在点{xi}的观察值,适合模型yi=g(xi) εi.其中g(x)是[0,1]上的未知函数,{εi}是均值为0的随机误差序列.文献中,在{εi}为独立同分布的条件下,通过构造新的函数gn(x),对g(x)进行了估计.论文将{εi}推广至(~ρ)-混合误差序列的情形,通过附加适当的条件和精细的计算,获得了用gn(x)估计g(x)的同样结论.     

ARMA 模型参数估计的收敛速度

本文首先指出了 B_N~(1)(β),β_N~(2)(β)的最小化参数估计,即它们在(?)上的最小值解及最小值依 N~(-1/2)(log logN)~(1/2)的速度收敛到模型的真参数β_0及σ_0~2.文章又证明了最小平方和估计(即最小化 N~(-1)S_N(β))和伪最大似然估计(即(1.2)式 L_N(β,ρ~2)的最大值解)在MA(q)情形,依 N~(-1/2)(log logN)~(1/2)速度收敛到β_0,σ_0~2;在 ARMA(p,q)情形,如果 q≥1,收敛速度是 N~(-1/4),若ε(t)具有正态分布,收敛速度可以达到 N~(-1/2)(logN)~(1/2);至于AR(p)情形,文[1]的结果可以给出收敛速度是 N~(-1/2)(log logN)~(1/2).