i.i.d情况下非参数回归模型的误差密度估计的收敛性质

本文研究了i．i．d情况下非参数回归的误差密度估计的一致收敛和均方收敛，给出了一定条件下误差密度的估计量f^n(x)的一致收敛速度和均方收敛速度。     

误差协方差阵的经验Bayes估计的收敛速度

本文利用密度的混合偏导数的核估计，构造出线性模型中误差协方差阵的逆的经验Ｂａｙｅｓ（ＥＢ）估计，在一定条件下，还证明了ＥＢ估计的收敛速度可任意接近于１，最后，给出了一个实例。     

基于M—估计的误差密度估计

对于线性模型 Yi=x＇_iβ十e_i,i=1,2,...,{e_i}_(i= 1)~∞i.i.d.,e_1有未知密度函数f（x）,本文基于β的M-估计的残差:e_i=Yi—x＇_iβ,i=1,2,…,n,其中β为β的M-估计,用 f_n(x)=1/2na_n sum from i=1 to n I(x-a_ne_i^≤x a_n)估计f(x）,得到了这种估计的强收敛速度,一致强收敛速度,L_1-模相合性,渐近正态性,重对数律。     

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。     

半参数回归模型的误差分布的估计的大样本性质

用分块多项式逼近 g0 ( ·) ,基于M估计 ,研究了半参数回归模型Yi =Xi′β0+ g0 (Ti) +ei,i =1 ,… ,n的误差e的密度f(u)的估计的大样本性质 .在一定条件下 ,证明了 ^fn(u)以概率收敛 ,几乎处处收敛 ,几乎一致收敛和收敛速度 .     

一类密度估计的收敛速度

Prakasa Rao在文献[1]中提出一类密度估计fn(x)，我们得到当x固定时fn（x）-f(x)的a.s，收敛速度及fn(x)正态逼近的Berry-Easeen界，同时，给出sup|fn(x)-f(x)|的一致收敛速度。     

相依样本下污染线性模型的最近邻估计

考虑一般线性模型,设误差序列{ei}是平稳的α-混合序列,具有公共未知密度,f(x)．本文首先讨论了基于残差的f(x)的最近邻估计的相合性及收敛速度,然后把结论推广到污染线性模型,讨论了污染系数ε,误差的主体分布及回归系数β的估计的相合性,收敛速度以及(β|^)的渐近正态性．     

失效率的一种截尾非参数估计及其均方收敛和强相合速度

本文在截尾样本下构造了失效率的一种截尾非参数估计，并给出了其均方收敛及强相合性的局部一致收敛速度。     

强相关数据回归函数的小波估计

讨论了在强相关数据情形下对回归函数的小波估计,并且给出了估计量的均方误差的一个渐近展开表示式． 对研究估计量的优劣,所推导的近似表示式显得非常重要．对一般的回归函数核估计,如果回归函数不是充分光滑,这个均方误差表示式并不成立A·D2但对小波估计,即使回归函数间断连续,这个均方误差表示式仍然成立．因此,小波估计的收敛速度要比核估计来得快,从而小波估计在某种程度上改进了现有的核估计．     

Gauss-Markov估计关于误差分布的稳健性

对于一般线性模型y=Xβ+ε,本文讨论了在广义均方误差准则及均方误差矩阵准则下,未知参数β的可估函数Xβ的Gauss-Markov估计关于误差分布的稳健性,分别给出了误差项ε的最大分布类,使得误差项ε的分布在此范围内变动时,Gauss-Markov估计在相应准则下是最优估计.     

Can We Estimate the Density's Derivative with Suroptimal Rate?

Castellana and Leadbetter (1986) have shown that local irregularity of observed sample paths introduces further information which allows nonparametric estimators to reach parametric rates in mean square. In particular, the kernel density estimator fT associated with the observed sample path (Xt, t ∈[0, T]), under suitable conditions, converges in mean square to f, the unknown marginal density of the stationary process (Xt). So it seems natural to ask a question: can we also estimate the density's derivative with a parametric rate?

     

线性模型回归系数EB估计的一致收敛速度

利用多元密度函数及其导数的核估计方法，建立了多元线性模型回归系数的经验Ｂａｙｅｓ估计，并给出了这种估计的一致收敛速度。     

纵向数据下半参数回归模型估计的收敛速度

考虑纵向数据下半参数回归模型:yij=x′ijβ+g(tij)+eij,i=1,…,n,j=1,…,mi.基于最小二乘法和一般的非参数权函数方法给出了模型中参数β和回归函数g(·)的估计,并在适当条件下证明了参数分量β的估计量的强收敛速度和未知函数g(·)的估计量的一致强收敛速度.     

未知方向密度估计的收敛率

设Ｘ为ｐ维随机向量,对于未知的投影方向θｏ（‖θｏ‖＝１）,本文利用θｏ的估计与核密度估计相结合的方法给出了θ＾Ｔ０Ｘ的密度（方向密度）的核型密度估计,获得了此估计的逐点渐近正态性,逐点精确强收敛率,一致精确强收敛率以及均方误差收敛率,所得结果与最优性与已知方向上的核密度估计完全一致。作为例子,对θｏ为Ｘ协方差阵的最大特征值所对应的特征方向,我们给出了θｏ的满足条件的估计极其方向密度估计。     

删失数据的光滑乘积限估计的渐近性质

在删失数据的模型下，对于光滑未知的分布函数Ｆ０，文中提出了光滑化的方法去估计Ｆ０，得到了光滑ＰＬ估计Ｆｎ，并建立了Ｆｎ在Ｄ（－∞，Ｔ），Ｔ＜ＴＦ上的弱收敛和强相合的结果．同时也获得了光滑ＰＬ过程的强逼近和重对数律．     

条件密度双重核估计误差分布的逼近速度

In this paper, the normal approximation rate and the random weighting approximation rate of error distribution of the kernel estimator of conditional density function f(y!|x) are studied. The results may be used to construct the confidence interval of f(y|x).     

Asymptotic bias and variance for a general class of varying bandwidth density estimators

Summary We consider a general class of varying bandwidth estimators of a probability density function. The class includes the Abramson estimator, transformation kernel density estimator (TKDE), Jones transformation kernel density estimator (JTKDE), nearest neighbour type estimator (NN), Jones-Linton-Nielsen estimator (JLN), Taylor series approximations of TKDE (TTKDE) and Simpson's formula approximations of TKDE (STKDE). Each of these estimators needs a pilot estimator. Starting with an ordinary kernel estimator , it is possible to iterate and compute a sequence of estimates , using each estimate as a pilot estimator in the next step. The first main result is a formula for the bias order. If the bandwidths used in different steps have a common orderh=h(n), the bias of is of orderh ^2km ,k=1, ...,t. Hereh ^m is the bias order of the ideal estimator (defined by using the unknownf as pilot). The second main result is a recursive formula for the leading bias and stochastic terms in an asymptotic expansion of the density estimates. Ifm<, it is possible to make asymptotically equivalent to the ideal estimator.     

Local generalized empirical estimation of regression

Let f(x) be the density of a design variable X and m(x) = E[Y\X = x] the regression function. Then m(x) - G(x)/f(x), where G(x) = m(x)f(x). The Dirac δ-function is used to define a generalized empirical function Gn (x) for G(x) whose expectation equals G(x). This generalized empirical function exists only in the space of Schwartz distributions, so we introduce a local polynomial of order p approximation to Gn(.) which provides estimators of the function G(x) and its derivatives. The density f(x) can be estimated in a similar manner. The resulting local generalized empirical estimator (LGE) of m(x) is exactly the Nadaraya-Watson estimator at interior points when p = 1, but on the boundary the estimator automatically corrects the boundary effect. Asymptotic normality of the estimator is established. Asymptotic expressions for the mean squared errors are obtained and used in bandwidth selection. Boundary behavior of the estimators is investigated in details. We use Monte Carlo simulations to show that the     

NA样本概率密度函数核估计的相合性

设{X