固定设计的时间序列半参数回归

考虑如下的半参数回归模型：Ｙｉ＝ｘＴｉ十ｇ（ｔｉ）＋εｉ（０≤ｉ≤ｎ）其中｛εｉ,０≤ｉ≤ｎ｝和｛εｔ,０≤ｔ≤ｎ｝有相同的联合分布,｛εｔ,－∞＜ｔ＜∞｝是具有零均值和有限方差δ２的严平稳α－混合时间序列．本文构造了上述模型中β,ｇ（ｔ）和ρ２的局部多项式估计,在适当的条件下,得到了估计的渐近正态性和收敛速度．在一定的假设下,β的估计是自适应的,而且ｇ（ｖ）（ｔ）（ｇ（ｔ）的第ｖ阶导数）的估计的收敛速度是最优的．     

部分线性模型参数分量的L_1模估计的渐近正态性

考虑ｉ．ｉ．ｄ．观测数据（Ｔ１，Ｘ１，Ｙ１），…，（Ｔｎ，Ｘｎ，Ｙｎ），其中Ｔｉ∈［０，１］，ｕｉ为观测误差，β０为未知参数向量，ｇ０为未知函数．本文用分段多项式ｇｎ（ｔ）来逼近ｇ０（ｔ），求解得到β０的估计β和ｇ０的估计ｇｎ，其中ｎ是一个ｍ阶分段多项式类．在一定条件下，本文证明了渐近正态．     

向量自激门限自回归（VSETAR）序列的遍历性

本文主要考虑二维自激门限自回归模型：Ｘ（ｔ）＝Ｉ［Ｘ（ｔ－１）∈Ｒｉ］ＡｉＸ（ｔ－１）＋ε（ｔ），其中Ａｉ（ｉ＝１，２，３，４）为２×２系数矩阵，｛ε（ｔ）｝为二维ｉ．ｉ．ｄ序列。我们得到｛Ｘ（ｔ）｝为遍历的四个充分条件。     

反射扩散过程的某些极限定理

设（Ｘｉ）是由如下随机微分方程所决定的反射扩散过程： Ｘｔ＝Ｘ０＋∫＾ｔ０σ（Ｘｓ）ｄＷｓ＋∫＾ｔ０ｂ（Ｘｓ）ｄｓ＋Ｌｔ－Ｕｔ， Ｌｔ＝∫＾ｔ０Ｉ｛０｝（Ｘｓ）ｄＬｓ，Ｕｔ＝∫＾ｔ０Ｉ｛１｝（Ｘｓ）ｄＵｓ。 本文证明了当ｔ→∞时，Ｐｘ｛Ｘｔ∈Ａ｝→π（Ａ），１／ｔＥｘ（Ｌｒ）→ａ，１／ｔ     

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。     

红血球补充模型的全局吸引性

研究动物体内红血球补充模型 Ｎ（ｔ） ＝ ｒ（ｔ）（－ μ Ｎ（ｔ） ＋ ∑ｍｉ＝ ０ Ｐｉｅ－ ｒｉ Ｎ （ｔ－ τｉ） ）， ｔ ≥０其中 ｒ（ｔ） ∈ Ｃ（［０， ＋ ∞），（０， ＋ ∞））， Ｐｉ，ｒｉ，τｉ（ｉ＝ ０，１，…，ｍ － １） ∈［０， ＋ ∞）， Ｐｍ＞ ０，ｒｍ ＞ ０，τｍ ＞ ０，μ＞ ０，证明了如果 　　　　∫ｔｔ－ τｒ（ｓ）ｄｓ ≤ Ｂ，∫∞０ ｒ（ｓ）ｄｓ ＝ ＋ ∞．则方程的正平衡点是全局吸引子．     

相依回归系统一种协方差改进估计之协方差阵的无偏估计

考虑相依回归方程系统ｙｉ＝Ｘｉβｉ＋εｉ（ｉ＝１，２），Ｅ（εｉ）＝０，Ｃｏｖ（εｉ，εｊ）＝σｉｊＩｎ。记βｉ为βｉ的协方差改进估计＾［１］。σｉｊ未知时，记βｉ为用非限定估计σｉｊ代替βｉ中的σｉｊ得到的两步估计，并记βｉ为用限定估计σｉｊ代替βｉ中的σｉｊ得到的两步估计，这两种两步估计的协方差中含有未知参数σｉｊ代替βｉ中的σｉｊ得到的两步估计，这两种两步估计的协方差中含有未知参数σｉｊ。本     

稳定分量过程的图集的Packing测度

本文考虑Ｒ~ｄ中具有如下形式的过程：Ｘ（ｔ）＝（Ｘ_１（ｔ），Ｘ_２（ｔ），…，Ｘ_Ｎ（ｔ）），其中Ｘ_ｉ（ｔ）为Ｒ~ｄｉ中指标为α_ｉ的稳定过程（１≤ｉ≤Ｎ），Ｘ_１（ｔ），…，Ｘ_Ｎ（ｔ）相互独立，ｄ＝ｄ１＋…＋ｄ_Ｎ．通过讨论过程Ｇ（ｔ）＝（ｔ，Ｘ（ｔ））的逗留时分布的渐近性质，研究图集Ｇ［０，１］的Ｐａｃｋｉｎｇ测度函数问题。获得了ψ－ｐ（Ｇ［０，１］）＝０或＋∞的积分判别法，或者其确切测度函数．     

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．     

一类线性errors－in－variables模型的参数强相合估计及其a．s．收敛速度

本文讨论了如下一类线性ｅｒｒｏｒｓ－ｉｎ－ｖａｒｉａｂｌｅｓ模型——多元线性结构关系模型β′ｘｋ＋α＝０，ξｋ＝ｘｋ＋εｋ．｛ｋ＝１，２，…，ｎ．其中，｛ｘｋ：ｋ＝１，２，…，ｎ｝为一组ｉ．ｉ．ｄ．的ｍ维随机向量，｛εｋ：ｋ＝１，２，…，ｎ｝是ｉ．ｉ．ｄ．的随机误差，Ｅ（ε１）＝０，Ｖａｒ（ε１）＝σ２Ｉｍ．且｛ｘｋ：ｋ＝１，２，…，ｎ｝与｛εｋ：ｋ＝１，２，…，ｎ｝相互独立．在一些条件下，我们证明了估计量β，α，σ２的强相合性、唯一性，并给出了估计量的收敛速度为ｏ（ｎ－１－１ｑ），这里ｑ∈［１，２）．对于Ｅ（ｘ１）ｕ１和Ｖａｒ（ｘ１）Ｖｘ的估计也得出了同样的结果     

具有独立贡献的相依回归模型

考虑相依回归（ＳＵＲ）模型ｙｉ＝Ｘｉβｉ＿ｅｉ，ｉ＝１，２，…，ｍ，Ｅｅｉ＝０，ｉ，ｊ＝１；２，…ｍ，其中ｙｉ和ｅｉ是ｎ×１维随机向量，Ｘｉ是ｎ×ｐｉ已知矩阵，βｉ是ｐｉ×１维参数向量，∑＝（σｉｊ）ｍ×ｍ＞０．文中给出了两个概念：独立贡献和简洁估计．主要结果是如下五种叙述等价：（１）ＳＵＲ模型具有独立贡献；（２）βｉ的ＢＬＵＥ是简洁估计；（３）协方差改进估计是ＢＬＵＥＺ（４）βｉ的ＢＬＵＥ具有形式其中，ｊ＝１，２，…，ｍ；（５）ＰｋＮｉＮｊ＝０，ｉ≠ｊ，ｋ，Ｉ，ｊ＝１，２，…，ｍ     

一类半参数回归模型的估计问题

该文对半参数回归模型ｙｉ~（Ｔ）＝βｘｉ~（Ｔ）＋ｇ（ｔｉ~（Ｔ））＋ε_ｉ~（Ｔ）,定义了β,ｇ的估计量β_Ｔ,ｇ_Ｔ（ｔ）,获得了它们的强相合、强一致相合、ｓ阶矩相合,ｓ阶一致矩相合性．     

Notes on Oscillation of Solution for aCertain Second Order Neutral Equation

Ｉｎｔｈｉｓｐａｐｅｒ，ｗｅｃｏｎｓｉｄｅｒｏｓｃｉｌｌａｔｏｒｙｏｆｅｑｕａｔｉｏｎ（１）［ｘ（ｔ）＋ｃｘ（ｔ－τ）］″＋∫ｂａｐ（ｔ，ξ）ｘ［ｇ（ｔ，ξ）］ｄσ（ξ）＝０，（１）ｗｈｅｒｅτ０；ｐ（ｔ，ξ），ｇ（ｔ，ξ）∈Ｃ（［ｔ０，＋∞）×［ａ，ｂ］，Ｒ）；ｇ（ｔ，ξ）ｔ，ξ∈［ａ，ｂ］；ｇ（ｔ，ξ）ａｒｅｎｏｎ－ｄｅｃｒｅａｓｉｎｇｗｉｔｈｔｏｔ，ξ，ｒｅｓｐｅｃｔｉｖｅｌｙａｎｄｌｉｍｔ→＋∞ｍｉｎξ∈［ａ，ｂ］｛ｇ（ｔ，ξ）｝＝＋∞，σ（ξ）∈（［ａ，ｂ］，Ｒ）ｉｓｎｏｎｄｅｃｒ…     

完全与截尾样本时半参数回归模型估计的强相合性

对于固定设计下的半参数回归模型：ｙ_ｉ=ｘｉβ＋ｇ（ｔｉ）＋ｅｉ,ｉ＝１,…,ｎ．其中｛ｅｉ｝为独立随机误差序列（不必同分布）,且Ｅｅｉ＝０,Ｅｅｉ２＝σ_ｉ~２＞０．对完全和截尾样本,仿文献［２］给出了β、ｇ（·）的估计量,并证明了他们的强相合性．     

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．     

关于两类污染数据回归分析的参数估计

研究简单回归模型：ｙｊ＝ａ＋βｘｊ＋εｊ，ｊ＝１，２，…，ｎ，其中Ｅεｊ＝０，Ｅε＾２ｊ＝σ＾２ｊ；但ｙ１，ｙ２，…，ｙｎ受到另一独立同分布随机变量序列ｔ，ｔ２，…，ｔｎ两种不同方式的污染，ｔｊ与ｙｊ独立。本文给出了两种污染方式下的ａ、β和污染参数的估计。     

一类n阶拟线性奇异摄动边值问题的一致有效渐近展开

本文研究一类ｎ阶拟线性奇异摄动边值问题：εｙ（ｎ）＝ｆ（ｔ，ε，ｙ，…，ｙ（ｎ－２）ｙ（ｎ－１）＋ｇ（ｔ，ε，ｙ，…，ｙ（ｎ－２），ｐｊ（ε）ｙ（ｊ）（０，ε）－ｑｊ（ε）ｙ（ｊ＋１）（０，ε）＝αｊ（ε）（０≤ｊ≤ｎ－２），ｂ１（ε）ｙ（ｎ－２）（１，ε）＋ｂ２（ε）ｙ（ｎ－１）（１，ε）＝β（ε），其中ε＞０为小参数．在较一般的条件之下，应用Ｂａｎａｃｈ／Ｐｉｃａｒｄ不动点定理证明了摄动解的存在性及局部唯一性，并给出了摄动解直到ｎ阶导函数的一致有效渐近展开式，推广和改进了已有的结果［１－５］．     

变系数高阶中立型泛函数分方程的振动性与渐近性

考虑变系数高阶中立型泛函微分方程ｄ＾ｎ／ｄｔ＾ｎ（ｘ（ｔ）＋ｐ（ｔ）ｘ（ｔ－τ（ｔ））＋ｍ∑ｉ＝１Ｐｉ（ｔ）ｘ（ｔ－τｉ（ｔ）＝０，在－１＜ｐ（ｔ）≤０情形下解的振动性与渐近性，取消了Ｐｉ（ｔ）≥ｑｉ＞０的限制，改进以往的相应结果，本文结果时高阶泛函方程Ｘ＾（ｎ）（ｔ）＋ｍ∑ｉ＝１ｐｉ（ｔ）ｘ（ｔ－τｉ（ｔ））＝０也是适用的。     

变量满足多个线性关系且部分变量带误差的回归分析

考虑独立变量ａ１ｔ，ａｐｔ，它们满足ｍ（≥１）个线性回归关系，ｐΣｊ＝１ｂｉｊａｊｔ＝ｃｉ，ｉ＝１，ｍ，这些变量中的一些，比如ａｉｔ（ｉ＝ｒ＋１，ｐ）可以被确切观测到，而另一些变量的观测值带有误差。即ａｉｔ的观测值为ｘｉｔ＝ａｉｔ＋∈ｉｔ（ｉ＝１，ｒ，ｔ＝１，ｎ），而ｘｉｔ＝ａｉｔ（ｉ＝ｒ＋１，ｐ，ｔ＋１，ｎ），在?ｔ＝（∈１ｔ，∈ｒｔ）ｔ，ｔ＝１，ｎ为ｉｉｄ。且Ｅ∈ｔ＝０，Ｅ∈ｔ∈ｔｒ＝σ＾２Ｉ     

跟踪雷达测量误差的统计模型（I）：模型的建立

本文提出以如下具有慢时变方差的线性回归－自回归混合模型∫ｙｔ＝β＾Ｔｕｔ＋σｔεｔ，εｔ＝ψ１εｔ－１＋…＋ψｐεｔ－ｐ＋ｅｔ。用于描述跟踪雷达测量误差的变化规律，并提出了模型个数的估计方法。数值例子表明，本文提出的模型能较好地拟合跟踪雷达误差数据。