负相协误差下非线性模型$M$估计的强相合性

对于非线性模型$y_i=f(x_i,\theta)+e_i,\;i=1,2,\cdots,n$, 当$\{e_i,\,i=1,2,\cdots,n\}$为NA序列时, 本文在适当的条件下证明了$\theta$的$M$估计量的强相合性.     

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。     

线性模型中φ-混合误差下误差方差估计的强收敛速度

考虑线性回归模型一、引言和引理y_i=x_i′β e_i,i=1,2,…,(1)这里{x_i}为已知的 d-维向量序列,β为未知的回归系数向量,{e_i}为随机误差序列,满足Ee_i=0,0相似文献   

线性模型中\varphi-混合误差下误差方差估计的强收敛速度

考虑线性回归模型一、引言和引理y_i=x_i′β+e_i,i=1,2,…,(1)这里{x_i}为已知的 d-维向量序列,β为未知的回归系数向量,{e_i}为随机误差序列,满足Ee_i=0,0相似文献   

弱相依半参数回归模型的加权小波估计的渐近正态性

本文研究了半参数回归模型y_i=X'_iβ+g(t_i)+e_i,i=1,2,···,n,其中{e_i}为ψ-弱相依随机误差序列.利用小波估计的方法得到了参数、非参数的加权小波估计量.在相当一般的条件下,获得了这些小波估计量的渐近正态性,不仅推广了半参数回归模型的相应结果,而且在一定程度上统一了相依半参数回归模型的渐近正态性的理论.     

线性模型中误差方差估计的Lp（1≤p≤∞）—度量性质

§1.引言及主要结果 考虑线性回归模型 Y_i=x′_iβ+e_i,i=1,2,…,(1)其中{e_i}为独立的试验误差序列,满足条件 Ee_i=0,0相似文献   

一类混合回归模型中估计的收敛速度

考虑回归模型 y_i=x_iβ+g(t_i)+e_i,i=1,2,…n,其中g(·)是未知光滑函数,β是未知待估参数,e_i是随机误差。 设{(x_i,t_i,y_i,),1≤i≤n}是i.i.d.子样。本文首先给出了g(·)的一类近邻估计■_n(·),然后基于模型y_i=x_iβ+■_n(t_i),+e_i得到了β的最小二乘估计■_n。在适当条件下,证得了■_n及g(·)的最终估计■_n~■(·)的强弱收敛速度。     

关于线性模型中LS估计相合的条件

考虑线性模型yi=X_i~rβ+e_i i=1,2,…,其中β是未知的 p-维向量参数,{e_i,i≥1)为独立随机变量序列满足均值 Ee_i=0,r-阶矩 E|e_i|~r 有限,这里1≤r<2,i=1,2,….本文在某种意义下,建立了β的最小二乘(LS)估计的(1):r 阶矩相合的充分必要条件;(2):一元回归(即 p=1)的强相合的充分必要条件和对设计矩阵 X_n=(x_1,…,x_n)有某些约束下,多元回归中强相合的充分必要条件;(3):弱相合的充分必要条件.这里考虑所加条件的途径与以往文献中的途径完全不同.     

相依线性回归模型M-估计的线性表示（英文）

本文考虑如下线性回归模型y_i=x_i~Tβ+e_i,i=1,2…,n,其中e_i=G(…,ε_(i-1),ε_i)是平稳相依误差,ε_i,i∈Z是独立同分布的随机变量.在非凸函数的情形下,得到了参数β的M-估计的线性表示,并由此得到两个应用:强收敛速度和正态分布.最后,用一模拟算例来说明本文方法的有效性.     

线性估计弱相合性的一个问题

§1.引言和主要结果 设有线性回归模型其中x_i=(x_(i1)…,x_(ip))′,(i=1,2,…),为一串已知向量(试验点列),β=(β_1,…,β_p)′为未知的回归系数向量,{e_i}为随机误差序列。我们称{e_i}满足Gauss-Markov条件(简称GM条件),如果     

再论线性模型中回归系数的最小二乘估计的相合性

<正> (一) 引言 考虑线性模型Y_i=x′_iβ+e_i,i=1,…,n,….这里x_1,x_2,…为已知的试验点列β=(β_1,…,β_p)′为未知参数,e_1,e_2,…为随机误差序列.假定E(e_i)=0对一切i.由前n次试验结果算出β的最小二乘估计     

线程回归系数L_1估计弱相合性的一个必要条件

设 Y_i=x′_iβ_0+e_i,i=1,…,n,为线性回归模型。此处 x_1,x_2,…为已知 p 维向量。以β_n 记β_0的 L_1估计,即设随机误差 e_1,e_2,…独立,med(e_i)=0,且存在正数 l_1,l_2,使 P(-h≤e_i≤0)≤l_1h≥P(0≤e_i≤h),0≤h≤l_2,i=1,2,…则当时,β_n 不是β_0的弱相合估计。     

线性模型误差方差估计的精确极限性质

本文讨论线性模型Yi=Xi1β ei,i=1,2,…,n,其中{ei,i=1,2,…,n)为零均值方差有限 的独立同分布随机变量序列,分别证明了模型的误差方差估计的LLN和LIL精确极限性质.     

线性模型误差方差估计的精确极限性质

本文讨论线性模型Yi=Xi'β+ei,i=1,2,…,n,其中{ei,i=1,2,…,n}为零均值方差有限的独立同分布随机变量序列,分别证明了模型的误差方差估计的LLN和LIL精确极限性质.     

PA误差下半参数回归模型小波估计的r-阶矩相合性

对于半参数回归模型y_i=x_iβ+g(t_i)十e_i,(1≤i≤n),其中{e_i,1≤i≤n}为PA相依误差.在适当的条件下,利用极大部分和的矩不等式方法得到未知回归函数g(x)和未知参数β估计量的r-阶矩相合性.     

回归系数线性函数的均方相合估计——问题与猜测

设有线性模型 Y_i=x′_iβ+e_i,i=1,…,n,… (1) 其中{x_i}为已知的p维向量,β为未知的p维向量,{e_i}为随机误差序列。以β_π记β的基于(1)的前n个观测值Y_1,…,Y_π的最小二乘估计(LSE)。在[1]中,我们曾建立如下的结果:     

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.     

强收敛意义下岭回归的 C_L 和 GCV 准则的渐近最优性

设有回归模型Y_i=μ_i+e_i,i=1,2,…,n (1)假定 e_1,…,e_n 为 iid.的正态随机变量序列,具有共同的均值0和方差σ~2.每个 Y_i 可通过设计点列 x_(i1),x_(i2),…,x_i_p_n 观察到.为估计 Y=(Y_1,…,Y_n)′的未知均值 μ=(μ_1,…,μ_n)′,可构造一族岭估计(?)(h)=X(X′X+hI)~-1X′Y,h≥0,(2)其中 X=(x_ij)_(n×ρn) 为设计阵,I 为 p_n 阶单位阵.在这里,岭参数 h 的选择是一个十分     

线性模型中误差方差估计的分布的渐近展开

<正> §1.引言许宝騄教授在他的著名的工作[1]中,得到了样本方差1/(n-1)sum from i=1 to n (X_i-(?))~2(经过规则化)的分布的渐近展开.本文的目的是把许教授的结果推广到线性模型中误差方差的基于残差平方和的估计.考虑线性模型Y_i=x′_iβ+e_i,i=1,2,…,n,…. (1)此处,{x_i}为一串已知的 p 维向量(试验点列),β=(β_1,…,β_p)′为未知的回归系数向     

NA样本下半参数回归模型估计的强相合性

考虑固定设计下的半参数回归模型;yi=xiβ g(ti) ei,i=1,2……,n,在{ei}为Eei=0,Ee^2i=σ^2i的NA序列时,得到了一类估计的强相合性。