部分线性模型中估计的强相合性

考虑回归模型：ｙｉ＝ｘｉβ＋ｇ（ｔｉ）＋σｉｅｉ，１ｉｎ，其中σ２ｉ＝ｆ（ｕｉ），（ｘｉ，ｔｉ，ｕｉ）是固定非随机设计点列，ｆ（·）和ｇ（·）是未知函数，β是待估参数，ｅｉ是随机误差．对文［１］给出的基于ｇ（·）及ｆ（·）的一类非参数估计的β的最小二乘估计＾βｎ和加权最小二乘估计βｎ，我们在适当条件下证明了它们的强相合性．     

NA样本下部分线性模型中估计的强相合性

考虑回归模型：ｙｉ＝ｘｉβ＋ｇ（ｔｉ）＋σｉｅｉ，１＜ｉ＜ｎ，其中σ_ｉ～２＝ｆ（ｕｉ），（ｘｉ，ｔｉ，ｕｉ）是固定非随机设计点列，ｆ（·）和ｇ（·）是未知函数，β是待估参数，误差｛ｅｉ｝为ＮＡ变量．我们对β的最小二乘估计βｎ和加权最小二乘估计Ｂｎ，在适当的条件下得到了它们的强相合性．     

部分线性模型中估计的收敛速度

考虑回归模型（Ⅰ）：其中（ｘ＿ｉ，ｔ＿ｉ）是固定非随机设计点列，ｘ＿ｉ＝（ｘ＿（ｉｌ），…，ｘ＿（ｉｐ））＇β＝（β＿１，…，β＿ｐ）＇（ｐ＞１），ｇ是定义在［０，１］上的未知函数，β是未知待估参数，０＜ｔ＿ｉ＜１，ｅ＿ｉ是ｉ．ｉ．ｄ．随机误差，且Ｅｅ＿ｉ＝０，Ｅｅ＝σ￣２＜∞。基于ｇ的估计取一类非参数权估计（包括常见的核估计和近邻估计），我们讨论了β的最小二乘估计及ｇ的估计的最优强弱收敛速度。     

多元广义岭估计及K值选以的Q（c）准则

当自变量间存在复共线性时，最小二乘估计就表现出不稳定并可能导致错误的结果。本采用广义岭估计β（K）来估计多元线性模型的回归系数β=vec(B),通过岭参数K值的选取 ，可使广义岭估计的均方误差MSE小于最小二乘估计的MSE。指出了广义岭估计中根据MSE准则选取K值存在的主要缺陷，采用了一种选取K值的新准则Q（c），它包含MSE准则和最小二乘LS准则作为特例，从理论上证明和讨论了Q（c）准则的优良性，阐明了c值的统计 含义，并给出了确定c值的方法。     

NA样本半参数回归模型估计的矩相合性

考虑了误差为NA序列的半参数回归模型,利用非参数估计方法给出了模型参数的最小二乘估计和加权最小二乘估计,并在适当条件下得到了它们的矩相合性.     

多元线性模型参数的组合主成分估计

本文对多元线性模型的参数β=vec（B）提出了一种新的主成分估计─—组合主成分估计β，得到了它的一些良好的性质，证明了在均方误差准则下，在一定的条件下，此估计优于最小二乘估计（LSE），并给出了实例．     

回归系数最小二乘估计的Bootstrap估计

本文对线性模型的回归系数β的线性函数α＾Ｔβ的最小二乘估计α＾Ｔβ建立了一种新的ｂｏｏｔｓｔｒａｐ逼近，给出了逼近的相合性定量，得到了ｏ（ｎ＾－１／２）的逼近速度。     

权回归模型中最小二乘估计的相对效率

对于线性加权回归模型，本文得到了未知参数的最小二乘估计相对于最佳线性无偏估计的四种相对效率的下界，并建立了相对效率与广义相关系数的联系。     

带有异方差的部分线性回归模型的B样条估计

考虑一带有异方差的固定设计部分线性回归模型yij=X'ijβ+g(tij)+εij,i=1,2…,k:j=1,2,…,ni,和sum from i=1 to kni=n,其中yij为响应变量,β=(β1,…,βp)’是未知的参数向量,g(·)是未知的函数,Xij=(Xij1,…,Xijp)’和tij∈[0,1]为已知的非随机设计点,εij为均值0,方差是σi2的随机误差,其中σi2可能不同.通过B样条级数近似非参数分量,构造了参数分量β的一个半参数广义最小二乘估计.在一些矩条件下,导出了此半参数广义最小二乘估计的渐近分布,大多数在实际中遇到的误差分布都满足这些矩条件.另外,也构造了半参数广义最小二乘估计的渐近协方差矩阵的一个相合估计,还讨论了非参数分量的B样条估计.所有这些大样本性质都是在k趋于无穷大,ni有限时导出的.这些结果能被用来做渐近有效的统计推导.     

误差为鞅差序列的部分线性模型中估计的强相合性

考虑回归模型:y_i=x_{i ^β} +g(ti)+σ_ie_i ,i=1,2,...,n,其中 σ_i=f(u_i), (x_i,t_i,u_i)是固定非随机设计点列,f(^.),\ g(^.)$\ 是未知函数,β是待估参数,e_i是随机误差且关于非降σ -代数列{F_i,i≥1} 为鞅差序列.对文献[1]给出的基于f^(.)及g(^.)的一类非参数估计的β的最小二乘估计β_n和加权最小二乘估计β_n,在适当条件下证明了它们的强相合性,推广了文献[6]在e_i为iid情形下的结果.     

BERRY-ESSEEN BOUNDS OF ERROR VARIANCE ESTIMATION IN PARTLY LINEAR MODELS

§1.ＩｎｔｒｏｄｕｃｔｉｏｎＣｏｎｓｉｄｅｒｔｈｅｍｏｄｅｌｇｉｖｅｎｂｙＹｉ=ｘｉτβ ｇ(ｔｉ) εｉ,ｉ=1,…,(1.1)ｗｈｅｒｅｘｉ=(ｘｉ1,…,ｘｉｐ)τ(ｐ1)ａｎｄｔｉ(ｔｉ∈[0,1])ａｒｅｋｎｏｗｎｄｅｓｉｇｎｐｏｉｎｔｓ,β=(β1,…,βｐ)τｉｓａｎｕｎｋｎｏｗｎｐａｒａｍｅｔｅｒｖｅｃｔｏｒａｎｄｇｉｓａｎｕｎｋｎｏｗｎｆｕｎｃｔｉｏｎ,ａｎｄεｉａｒｅｉ.ｉ.ｄ.ｒａｎｄｏｍｅｒｒｏｒｓｗｉｔｈｚｅｒｏ0ａｎｄｖａｒｉａｎｃｅσ2.Ｔｈｅｍｏｄｅｌｄｅｆｉｎｅｄｉｎ(1.1)ｂｅｌｏｎｇｓｔｏｔｈｅｃｌａｓｓ…     

相依MA(∞)误差下半参数模型小波估计的收敛速度(英文)

考虑半参数回归模型yi=xiβ+g(ti)+Vi(1≤i≤n), 其中(xi,ti)是已知的设计点, 斜率参数β是未知的, g(·)是未知函数, 误差Vi=sum from j=-∞ to ∞(cjei-j),sum from j=-∞ to ∞(|cj|∞)并且ei是负相关的随机变量. 在适当的条件下, 我们研究了β与g(·)小波估计量的强收敛速度. 结果显示g(·)的小波估计量达到最优收敛速度. 同时, 对β小波估计量也作了模拟研究.     

����MA($\infty$)����°����ģ��С�����Ƶ������ٶ�

考虑半参数回归模型$y_i=x_i\beta+g(t_i)+V_i$ $(1\le i\len)$, 其中$(x_i,t_i)$是已知的设计点, 斜率参数$\beta$是未知的,$g(\cdot)$是未知函数, 误差$V_i=\tsm^\infty_{j=-\infty}c_je_{i-j}$,$\tsm^\infty_{j=-\infty}|c_j|<\infty$并且$e_i$是负相关的随机变量.在适当的条件下, 我们研究了$\beta$与$g(\cdot)$小波估计量的强收敛速度.结果显示$g(\cdot)$的小波估计量达到最优收敛速度. 同时,对$\beta$小波估计量也作了模拟研究.     

一类函数估计在负相协下的强一致相合性

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 ,在适当的条件下证明了未知函数 g( t) 的估计 gn( t) 的强一致相合性 .     

依赖于一阶导数的二阶脉冲微分方程边值问题的正解(英)

本文研究一类二阶脉冲微分方程：■的正解存在性．其中,0＜η＜1,0＜α＜1,f：[0,1]×[0,∞)×R→[0,∞),I_i：[0,∞)×R→R,J_i：[0,∞)×R→R,(i=1,2,…,k)均为连续函数．本文所用方法是文献[5]推广的Krasnoselskii不动点定理,此定理为解决依赖于一阶导数的边值问题提供了理论依据．基于此定理,获得了问题正解存在性定理．特别地,我们获得此类问题的Green函数,使问题的解决更直观和简单．     

固定设计下一类半参数回归模型的渐近性质

对固定设计下的一类半参数回归模型yi=xiβ+g(xi)+ei,i=1,2,…,n,综合最小二乘和非参数权函数估计方法,定义了,βg的估计量β∧n,gn∧及误差方差σ2的估计量σ2n∧.在适当条件下,证明它们具有强相合性和p(2)阶平均相合性.模拟的结果表明所得结果具有优良的性质.     

Über quasilineare elliptische Differentialgleichungen in der Ebene

This paper deals with a-priori estimates for Dirichlet's problem for quasilinear elliptic equations $$a_{ij} (x,u, \triangledown u)u_{x_i x_j } = f(x,u, \triangledown u)$$ in the plane. We give an a-priori estimate for the C^2+α-norms of all solutions under the following assumptions only: The principal part is uniformly elliptic, f has quadratical growth with respect to ?u, a_ij and f are Hölder-continuous and an a-priori estimate for sup|u| is known.     

半参数变系数异方差部分线性模型下的经验似然

Consider the semiparametric varying-coefficient heteroscedastic partially linear model Y i = Xτiβ + Zτiα(Ti) + σiei,1 ≤ i ≤ n,where σ 2 i = f(Ui),β is a p × 1 column vector of unknown parameter,(Xi,Zi,Ti,Ui) are random design points,Y i are the response variables,α(·) is a q-dimensional vector of unknown functions,e i are random errors.For both cases that f(·) is known and unknown,we propose the empirical log-likelihood ratio statistics for the parameter β.For each case,a nonparametric version of Wilks’ theorem is derived.The results are then used to construct confidence regions of the parameter.Simulation studies are carried out to assess the performance of the empirical likelihood method.