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．     

半参数回归估计的相合条件

设有半参数回归模型ｙｉ＝ｘ’，β＋ｆ（ｔｉ）＋ｅｉ，ｉ＝１，．．．ｎ，其中｛ｔｉ｝为常数列，本文对｛ｘｉ｝为设计点列的情形，给出了β、ｆ（ｔ）有相合估计的条件；在｛ｘｉ｝为随机的情形，建立了ｆ（ｔ）估计的相合性。     

部分线性模型中估计的渐近正态性

考虑回归模型其中是未知函数，（ｘ＿ｉ，ｔ＿ｉ，ｕ＿ｉ）是固定非随机设计点列，β是待估参数，ｅ＿ｉ是随机误差。基于ｇ（·）及ｆ（·）的一类非参数估计（包括常见的核估计和近邻估计），我们构造了β的加权最小二乘估计，并证得了最小二乘估计和加权最小二乘估计的渐近正态性。     

删失场合半参数回归模型的二阶段估计

对于半参数回归模型ｙｉ＝ｘ′ｉβ＋ｇ（ｔｉ）＋ｅｉ，１≤ｉ≤ｎ，ｇ为Ｒ１上未知函数，β为ｐ×１维待估参数向量．本文考虑当ｙｉ被随机删失时β和ｇ的估计．基于模型的可加性，利用综合数据法得到β的二阶段估计β～＊ｎ和ｇ的估计ｇ＊ｎ，并证明了它们的强相合性．     

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。     

半参数回归模型的估计的渐近性质

考虑半参数回归模型ｙｉ＝ｘｉ＾１β＋ｇ（ｔｉ）＋ｅｉ,１≤ｉ≤ｎ;其中ｇ为Ｒ上未知函数,σ０＾２＝Ｄ（ｅ１）柴根象等在１９９５年给出了β的二阶段估计βｎ,本文基于β１建立了σ０＾２的估计量σｎ＾２,研究了误差方差估计σｎ＾２的渐近正态性和强相合性,并且得到了可直接用于统计推断的统计量及其分布。     

一般AR(p)过程参数LS估计的收敛速度

对一般的自回归过程（ＡＲ（ｐ））ｙｎ＝β１ｙｎ－１＋…＋βｐｙｎ－ｐ＋εｎ，记（ｚ）＝１－β１ｚ－…－βｐｚｐ为其特征多项式，当该特征多项式在单位圆上无重根时，讨论了参数β＝（β１，…，βｐ）Ｔ的最小二乘估计βｎ的收敛速度，并给出了其收敛的重对数律．     

固定设计下半参数回归模型估计的强相合性

对于半参数模型ｙｉ（Ｔ）＝βｘｉ（Ｔ）＋ｇ（ｔｉ（Ｔ））＋εｉ（Ｔ），本文综合最小二乘和一般的非参数估计方法，定义了β，ｇ的估计量βＴ，ｇＴ，在适当条件下证明了它们的强相合性，     

Asymptotic efficient estimation in semiparametric nonlinear regression models

§１ＩｎｔｒｏｄｕｃｔｉｏｎＣｏｎｓｉｄｅｒｔｈｅｆｉｘｅｄｄｅｓｉｇｎｓｅｍｉｐａｒａｍｅｔｒｉｃｎｏｎｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌｓｇｉｖｅｎｂｙｙｉ＝ｆ（ｘｉ,θ）＋λ（ｔｉ）＋εｉ,ｉ＝１,．．．,ｎ,（１）ｗｈｅｒｅｆ（,）ｉ...     

误差为鞅差序列的半参数回归模型估计的相合性

设半参数回归模型Ｙ（ｎ）ｉ＝β·ｘ（ｎ）ｉ＋ｇ（ｔ（ｎ）ｉ）＋Ｅ（ｎ）ｉ,ｉ＝１,２,…,ｎ,本文由最小二乘法和一般加权方法定义的β、ｇ（ｔ）的估计量βｎ,ｇｎ（ｔ）,在误差为鞅差序列下获得了βｎ,ｇｎ（ｔ）的ｒ（≥２）阶平均相合性．     

二阶多点边值问题多个正解存在性

利用Leggett-Williams不动点定理,并赋予f,g一定的增长条件,证明了二阶多点微分方程组边值问题u″+f(t,u,v)=0,v″+g(t,u,v)=0,0≤t≤1,u(0)=v(0)=0,u(1)-∑n-2i=1kiu(ξi)=0,v(1)-∑m-2i=1liv(ηi)=0,至少存在三对正解,其中f,g:[0,1]×[0,∞)×[0,∞)→[0,∞)是连续的.     

二阶多点边值问题多个正解存在性

利用Leggett-Williams不动点定理,并赋予f,g一定的增长条件,证明了二阶多点微分方程组边值问题u″+f(t,u,v)=0,v″+g(t,u,v)=0,0 t 1,u(0)=v(0)=0,u(1)-∑n-2i=1kiu(ξi)=0,v(1)-∑m-2i=1liv(ηi)=0,至少存在三对正解,其中f,g:[0,1]×[0,∞)×[0,∞)→[0,∞)是连续的.     

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.     

错误指定多元线性回归模型的Bayes估计

本文在错误指定下给出了多元线性模型的最优线性 Bayes估计 ,在矩阵损失下讨论了其相对于最小二乘法估计的优良性 ,且获得 Bayes估计的容许性和极小极大性     

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.     

奇异半线性发展方程的局部Cauchy问题

本文在Ｂａｎａｃｈ空间Ｅ中讨论如下问题ｄｕｄｔ＋１ｔσＡｕ＝Ｊ（ｕ），０＜ｔＴ，ｌｉｍｔ→０＋ｕ（ｔ）＝０，其中ｕ：（０，Ｔ］Ｅ，Ａ是与ｔ无关的线性算子．（－Ａ）是Ｅ上Ｃ０半群｛Ｔ（ｔ）｝ｔ０的无穷小生成元，常数σ１，Ｊ是一个非线性映射ＥＪ→Ｅ．它满足局部Ｌｉｐｓｃｈｉｔｚ条件．我们证明了当其Ｌｉｐｓｃｈｉｔｚ常数ｌ（ｒ）满足一定条件时．问题（Ｓ）有局部解，且在某函类中解唯一．设Ｊ（ｕ）＝｜ｕ｜γ－１ｕ＋ｆ（ｘ）（γ＞１），Ｅ＝Ｌｐ，ＥＪ＝Ｌｐγ时得到了与Ｗｅｉｓｌｅｒ［２］在非奇异情形类似的结果．     

关于图是(g,f,n)-临界图的充分条件

设G是一个图. 设g和f是两个定义在V(G)上的整值函数使得对V(G)所有的顶点x有g(x)f(x). 图G被称为(g,f,n)-临界图,如果删去G的任意n个顶点后的子图都含有G的(g,f)-因子. 本文给出了图是(a,b,n)-临界图几个充分条件. 进一步指出这些条件是最佳的. 例如,如果对V(G)所有的顶点x和y都有g(x)＜f(x), n+g(x)dG(x)和g(x)/(dG(x)-n)f(y)/dG(y),则G是(g,f,n)-临界图.     

关于一个数论函数的导数及应用

Kanemitsu教授给出了欧拉求和函数的推广公式Lu(x,a)=0n相似文献