非参数回归函数之改良基于分割的估计的强相合性（英）

设(X,Y),(X1,Y1),…,(XnYn)为取值于 Rd× R的 i．i．d．随机变量,E(|Y|) ＜∞．设mn(x)为回归函数m(x)=E(|Y|X=x)基于分割的估计,本文在对mn(x)进行改良的条件下得到改良的基于分割的强相合估计．     

两密度函数线性小波估计平方差的渐进分布及其应用

设X1…，Xn1和Y1，…，Yn2是分别取自密度fh和f2的i.i.d样本.设fn1和fn2分别是f1和f2基于样本X1，…，Xn1和Y1，…，Yn2的线性小波估计.本文证明了的渐进正态性．作为此结果的应用，构造了假设Ho：f1=f2的拟合优度检验，并且得到了对于“相近”备择下的渐进功效     

Gauss—Markoff估计的协方差改进形式及其在SUR模型中的应用

本文采用并推广Rao[1]的协方差改进原理，证明了线性模型（1．1）的Gauaa－Markoff估计（1．2）具有协方差改进形式＝（X′X）－1X′Y－（X′X）－1X′VN［NVN］＋NY，其中N＝I－X（X′X）－1X′．这一结果用于SUR系统yi＝Xiβi＋εi（i＝1，2，…，m），容易得到Zellner两步估计的有限样本性质．本文得到了一类系统的有限样本方差结果，从而完善了一些已有结果．     

非均衡经济计量模型专题讲座——第二讲 样本分割未知的非均衡模型

样本分割未知,是指没有任何信息能把非均衡模型的样本分割成需求和供给两部分,这样就不能直接估计需求方程和供给方程,需要采用间接的方法,用可观察的市场成交量Qt代替不可观察的需求量Dt和供给量St,再估计参数,这时,最大似然法是估计样本分割未知模型的一种合适方法. 一、样本分割未知模型的最大似然估计 考虑下列最简单的样本分割未知的非均衡模型:这里,α0、β0是未知参数的向量,X1t、X2t是外生变量向量,μ1t、μ2t分别服从均值为零、方差为σ1 2、σ2 2的正态分布,并同期相互独立,无序列相关. 由于样本分割未知,我们不能把观测值Qt的…     

关于回归函数核估计的正态逼近速度

§1.引言和主要结果 设{(X_i,Y_i);1≤i≤n}为来自二元总体的iid样本。对于回归函数r(x)=E(Y|X=x)的估计问题,早在1964年,Nadaraya首先在文献[1]中提出了如下的核估计     

φ-混合下回归函数改良核估计的渐近正态性

设{(Xi,Yi),i≥1}是从取值于Rd×R的总体(X,Y)中抽取的严平稳、φ-混合样本.回归函数m(x)=E(Y|X=x)改良的递归核估计定义为本文在适当的条件下,讨论了mn(2)(x)的渐近正态性.     

非参数回归函数的基于截尾数据的估计

本文考虑截尾数据情况下非参数回归函数m(x)=E(Y|x)的估计。具体地讲,我们面对的是这样的数学模型:T是与(X,Y)独立的随机变量,我们观测到的不是Y本身,而是Z=min(Y,T)及δ=[Y≤T]。今有训练样本{(X_i,Z_i,δ_i)}_(i-1)及当前样本(X,z,δ),记ξ_i(·)=[z_i≥·], N~ (·)=sum from i=1 to n ξ_i(·), V_n(·)=multiply from i=1 to n{1 N~ (z_i)/2 N~ (z_i)}~[δ_i=_i<0], U_n(·)=sum from i=1 to n Wnt(x)ξ_i(·), 令 m_n(x)=integral from 0 to u_n U_n(y)|V_n(y)dy, 其中u_n=F_2~(-1)(n~(-a)),0<α<1/2为一实常数,F_2(·)=P(Y≥·)为Y的(右侧)分布函数。在权函数{W_(ni)(x)}_(i=1)~n及(X,Y,T)的分布函数满足一组条件下,我们证明了m_n(x)为m(x)的强相合估计,即:m_n(x)→m(x),a.s.(n→ ∞).     

截尾样本下回归函数改良核估计的强相合性

设(Xi,Yi),i=1,,n是从取值于\Rd×R1的随机向量(X,Y)中抽取的i.i.d.样本,E(|Y|)<∞,而以m(x)=E(Y|X=x)表示回归函数。在截尾情况下,观察到的不是诸Yi本身,而是Zi=min(Yi,Ti)及δi=I(YiTi),其中Ti是与(Xi,Yi)独立的随机变量,i=1,2,…,n.当T的分布未知时,在一定条件下,得到了回归函数改良估计的强合性.     

基于伴随次序统计量的回归函数核估计的矩相合性

回归函数的核估计的大样本性质,多年来一直受到众多学者的关注,且早期的回归函数的核估计均是基于原样本{(Xi, Yi), i≥1},本文基于二维随机样本{(Xi, Yi), i≥1}的伴随次序统计量Y[r,n],定义了回归函数的核估计,在一定条件下,获得了回归函数核估计的r阶矩相合性,推广了已有文献中的部分结果.     

删失数据下回归函数的最近邻估计

设（X，Y）是一随机向量且变量Y的均值存在．假定Y被另一分布G的随机变量t删失，仅能观察到不完全数据（xi，Yi^ti,δi），i＝1，2，…n，其中Yi^ti＝min（Yi，Ti）,δi=I（Yi≤ti）。为了给出回归函数m（x）＝E（Y|X）的估计。文中使用了Stute提出的最近邻型回归估计，并给出了该估计的强相合性结果．     

线性回归模型Liu估计的新研究

考虑线性回归模型Y=Xβ+ε,E()ε=0,Cov()ε=2σI(1),当设计矩阵X的列存在共线性时,最小二乘估计^β=(X′X)-1X′Y的性质变坏,为此给出了有偏估计^(βK,d)=(X′X+K)-1(X′Y+d^β),其中K为对角矩阵,K=diag(k1,…kp),ki≥0,d>0为参数,讨论了这种有偏估计与广义岭估计、Liu估计的比较,并证明了其可容许性估计.     

复共线性与广义岭型估计

针对线性回归模型Y=Xβ+l的典则形式Y=a01+Z+l,l~(0,σ2I)在设计阵X呈病态时,提出了一类新估计■(k;q)=〔Λ1OOkIq+Λ2〕-1Z′Y,称之为广义岭型估计.优点是结合主成分估计和岭估计的思想和方法,将X′X的特征值分为不同大小属性的两部分Λ1与Λ2,并分别添加不同的常数,致使新估计类的均方误差大幅降低的同时计算量大大减少,而且便于对原变量做出解释.文中进一步讨论了该估计优于岭估计的k的存在性以及充分条件.     

回归函数改良核估计的渐近分布

设(X1,Y1),…,(Xn,Yn)是来自二元总体(X,Y)的样本,若EY＜∞,则回归函数m(x)＝E(Y｜X＝x)存在。在本文中,考虑m(x)的改良核估计     

非参数回归函数的随机窗宽核估计的重对数律

设(X,Y),(X_1,Y_1),(X_2,Y_2),…为 i.i.d.二维随机变量序列,具有联合分布F(x,y)及密度 f(x,y).X 的边际分布和密度分别记为 F_X(x)和 f_X(x).记 m(x)=E{Y|X=x)}为 Y 对 X 的回归函数.为估计 m(x),Nadaraya 和 watson 独立地引进了如下形式的核估计     

非参数回归核估计的强相合性

一、引言 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)为取值R~d×R的i.i.d变量,以F记X的分布,Y对X的回归函数为m(x)=E(Y|X=x)。(1)最近,一些作者讨论了回归函数的估计问题。一类非参数核估计定义为     

$\alpha$混合下非参数回归函数改良分割估计的强相合性及收敛速度

本文研究了在样本$(X_1,Y_1),(X_2,Y_2),\ldots,(X_n,Y_n)$ 为取值于$R^{d}\times R^{1}$的同分布的$\alpha$混合序列时,回归函数改良分割估计的强相合性和收敛速度.     

可加模型低维分量估计平均偏差的指数界

设(X,Z,y),(X1,Z1,Y1),…,(Xn,Zn,Yn)为取值于Rp×Rq×R中的I.I.d.随机向量,E|Y|<∞,Y关于(X,Z)的回归函数m(x,z)△E(Y|(X,Z)＝(x,z))具有可加结构:m(x,z)＝m1(x)+m2(z).为估计可加分量,采用Linton&Nielsen(1995)提出的直接估计法,给出了可加分量的最近邻估计和核估计.在较弱的条件下,建立了可加分量最近邻估计和核估计的平均偏差的指数界.     

回归函数改良核估计的强相合性及收敛速度

令(X,Y),(X_1,Y_1),…,(x_n,Y_n)为R~p×R~1上一串i.i.d。随机向量,且E(|Y|)<∞。研究如何利用(X_1,Y_1),…,(X_n,Y_n)观察的结果估计回归函数 m(x)=E(Y|X=x),称为非参数回归函数估计问题。Watson和Nadaraya首先建议用核估计     

逐次二型截尾样本下BS分布可靠度R=P(Y＜X)分析

基于逐次二型截尾样本,用Bayes方法估计可靠度R=P(Y＜X),并对未观测样本进行预测,其中随机变量X 和Y均服从参数未知的BS分布(Birnaum-Saunders distribution).首先,在不同损失函数下分析BS分布参数和可靠度的Bayes估计.由于Bayes估计不能得到显式表达式,因此采用基于 Met...     

回归函数核估计的强相合性

设(X_i,Y_i),i=1,…,n是从取值于R~d×R~1的随机向量(X,Y)中抽取的iid.样本。设E|Y|<∞,而以m(x)=E(|Y|X=x)表示回归函数。在本文中,我们考虑m(x)的通常的和递推形式的核估计:其中K(x)假定是R~d上的概率密度,而h_n>0。我们在K(x)很弱的条件下建立了m_n~((i))(x)的a.s.收敛性,i=1,2,3,但是要求X的边际分布具有密度,这种情况曾在Schuster和Yakowitz中讨论过,那里,更要求(X,Y)的联合分布有概率密度。