方向数据密度函数核估计的重对数律

本文讨论方向数据密度函数核估计的逐点收敛速度问题,在较为温和的条件下建立了该核估计的重对数律并给出了它的逐点最优收敛速度.     

关于回归函数核估计的叠对数律

讨论了非参数回归函数的核估计，用核估计误差分解方法，较弱条件下，到了回归函数核估计的叠对数值。     

回归函数最近邻估计的重对数律

本文回答了孙东初在[7]中提出的问题,证明了回归函数最近邻估计m_n(x)的重对数律.     

Hill估计的重对数律

设{x_n,n≥1}是i.i.d.序列,分布函数具有形式F(x)=1-(L(x))/(x~(1/O)),x>0,其中L(x)是缓慢变化函数,0相似文献   

Hill估计的重对数律

设{X_n,n≥1}是 i.i.d.序列,分布函数具有形式 F(x)=1-,x>0,其中 L(x)是缓慢变化函数,0相似文献   

随机截尾数据回归函数估计的重对数律

本文通过和W.Hardle处理完全数据情形时截然不同的方法,建立了随机截尾数据情形的回归函数估计的重对数律,作为本文特例(见定理3),大大地减少了文献[1]中主要结果的条件.     

乘积极限估计的重对数律

利用右删失数据估计寿命分布时,常用乘积极限估计.本文给出乘积极限估计是均匀强相合估计的充要条件.证明乘积极限估计的均匀收敛的重对数律.     

密度泛函估计的重对数律，中心极限定理和不变原理

设X_1,…,X_n是从分布密度为f(单变量实值函数)的总体中抽出的iid.样本.μ=EX_1。本文研究了密度泛函θ=f(μ)的核型估计为通常的Rosenblatt-Parzen核估计)的大样本性质。     

近邻型密度估计的重对数律

我们建立了近邻型密度估计的重对数律,并获得了它们的逐点最优收敛速度。     

左截断右删失数据下分位密度估计的重对数律

在左截断右删失数据下，我们基于乘积限估计给出了分位密度估计， 获得了分位密度估计及其导数的重对数律。     

基于方向数据的核密度估计的对称检验的大偏差

设$f_n$是基于核函数$K$和取值于$d$-维单位球面${\mathbb{S}}^{d-1}$的独立同分布随机变量列的非参数核密度估计. 我们证明了若核函数是有界变差函数, 随机变量的密度函数$f$是连续的和对称的, $\{\sup_{x\in {\mathbb{SS}}^{d-1}}|f_n(x)-f_n(-x)|,n\ge 1\}$的大偏差原理成立.     

球面数据核近邻估计的强相合性

该文绘出了球面数据密度函数的核近邻估计,通过对核估计与近邻估计相互关系的讨论,建立了核近邻估计的逐点强相合性及一致强相合性．     

相协样本下密度核估计的联合渐近分布

证明了相协样本下密度函数的核估计在有限个不同点上的联合渐近分布为多维正态分布.     

NA、PA样本下密度核估计的相合性

设{Xn,n≥1}为同分布的NA或PA随机变量序列，f(x)为X1概率密度函数，基于样本X1，X2，…，Xn，本对密度函数（f(x)的核估计进行了讨论，在适当条件下证明了其强相合和r阶矩相合。     

条件t-分位数核估计的逼近速度

该文研究了条件狋 分位数核估计的逼近速度问题．在适当的条件下,给出了核估计的强收敛速度、正态逼近速度和Ｂｏｏｔｓｔｒａｐ逼近速度．     

截断样本下的强率函数和密度函数核估计的渐进正态性

本文用[1]发展的计数过程去研究截断样本下强率函数核估计的渐进正态性．在弱于[7]和[10]的条件下，得到了更一般的结果．接着我们将这种方法运用到密度函数核估计，在较弱的条件下，得到了截断样本下密度函数核估计的渐进正态性．     

带有不完全信息随机截尾试验下最大似然估计的重对数律

本文在条件($\Phi$)下,证明了带有不完全信息随机截尾试验下最大似然估计的收敛速度符合重对数律,并验证了Weibull分布、对数正态分布满足条件($\Phi$).     

A Kernel Estimator of a Conditional Quantile

Let (X₁, Y₁), (X₂, Y₂), …, be two-dimensional random vectors which are independent and distributed as (X, Y). For 0<p<1, letξ(px) be the conditionalpth quantile ofYgivenX=x; that is,ξ(px)=inf{y : P(YyX=x)p}. We consider the problem of estimatingξ(px) from the data (X₁, Y₁), (X₂, Y₂), …, (X_n, Y_n). In this paper, a new kernel estimator ofξ(px) is proposed. The asymptotic normality and a law of the iterated logarithm are obtained.     

The Compact Law of the Iterated Logarithm for Multivariate Stochastic Approximation Algorithms

Abstract

We consider a sequence (Z _n ) _n≥1 defined by a general multivariate stochastic approximation algorithm and assume that (Z _n ) converges to a solution z* almost surely. We establish the compact law of the iterated logarithm for Z _n by proving that, with probability one, the limit set of the sequence (Z _n  ? z*) suitably normalized is an ellipsoid. We also give the law of the iterated logarithm for the l ^p norms, p ∈ [1, ∞], of (Z _n  ? z*).