基于右删失宽相依数据的Kaplan-Meier估计和风险率估计的渐近性质

本文在生存时间和删失时间均为宽相依数据下,建立了生存函数的Kaplan-Meier估计和风险率估计的强逼近和强表示,获得的强逼近和强表示误差项的收敛速度达到O(n~(-1/2)log~(1/2)n).所得结果推广了负相协和负超可加相依数据情形下的相关结果.     

NSD样本最近邻密度估计的强相合性

本文研究负超可加相依样本的最近邻密度估计强相合性.利用负超可加相依序列的不等式与性质,获得最近邻密度估计的弱相合性、强相合性和一致强相合性.     

NSD序列加权和的中心极限定理及其在EV回归模型中的应用

基于负超可加相依(简称为NSD)随机序列的性质及其一些不等式,利用随机变量的截断方法建立了NSD随机序列加权和的中心极限定理,从而推广了负相协NA随机序列的相应结论.并将其应用到变系数EV回归模型,得到了未知参数LS估计的渐近正态性.     

右删失混合相依模型下几种危险率函数估计的渐近性质

本文在右删失混合相依模型下,证明了密度函数和危险率函数的核类型估计具有与i.i.d.情形一样的渐近行为.并在极小平均平方误差准则下,得到了核危险率估计的最优窗宽为O(n-1/5).     

相依样本的经验过程振动模的收敛性

文中研究了两类重要相依样本(即φ-混合和α-混合样本)的经验过程振动模强一致收敛速度,证明了该速度与独立样本下的经验过程振动模的最优收敛速度相同.利用这些结果建立了密度函数核估计和直方图核估计的强相合性,并证明了这些强相合收敛速度达到最好速度O(n~(-1/3) log~(1/3)n)以及建立分位估计Bahadur类型的表示定理.     

混合序列的VaR分布核估计及其应用

本文首先在ρ-混合相依序列情形下,研究了VaR分布核估计v_(p,h)的均方误差和最优窗宽,得到的最优窗宽使得均方误差MSE(v_(p,h))达到最小.利用拉普拉斯分布密度函数代替窗宽表达式中的密度函数,采用插值的方法计算最优窗宽的具体值.借助所得到最优窗宽进行数值模拟,结果显示,VaR分布核估计值与次序统计量估计值相比,分布核估计的效果更好.实证结果表明深证B股指数的风险明显大于上证A股指数.     

概率密度函数核估计的Bootstrap逼近

主要研究了密度函数核估计逼近的速度,用Bootstrap方法对核密度进行估计,在适当的条件下,进一步提高了密度核估计Bootstrap逼近的速度,所得到的结果使得密度核估计Bootstrap逼近的速度与密度函数及其导数之间的关系更加的明确.     

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．     

AANA序列的半参数模型的强相合性

讨论渐近几乎负相依序列的半参数模型,利用最小二乘法和非参数加权的估计方法,得到参数、非参数和误差方差的估计,并在合适的条件下得到这些估计量的强相合性,推广了负相依序列的半参数模型的相应结论.     

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．     

左截断相依数据下条件分位数的双核局部线性估计

本文在左截断相依数据下,利用局部线性估计的方法,先提出了条件分布函数的双核估计;然后利用该估计导出了条件分位数的双核局部线性估计,并建立了这些估计的渐近正态性结果;最后,通过模拟显示该估计在偏移和边界点调节上要比一般的核估计更好.     

负相伴样本情形下线性指数分布参数的经验Bayes估计

本文在同分布负相伴样本情形下利用密度函数的核估计构造了线性指数分布参数的经验Bayes(EB)估计,并在适当的条件下获得了它的收敛速度.最后,给出了一个有关本文主要结果的例子.     

NA序列下经验分布函数的渐近正态性及其应用

本文在NA负相协序列下利用熟知的相依情形的大小块分割的方法,建立了经验分布函数的渐近正态性．作为在可靠性中的应用,得到了生存函数■(x)=P(X＞x)估计的渐近正态性．     

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.     

m（n）—相依样本的经验分布函数及其在Hazard估计中的应用

设{X_n}为随机变量X的观察序列,{X_n}不必相互独立。本文在{X_n}为m(n)相依条件下得到了Glivenko-Cantelli定理的一种推广,并获得了密度函数核估计在紧集上的一致收敛速度,这两个结果合并导出Hazard核估计在紧集上的一致收敛速度。     

部分函数型线性可加分位数回归模型

文章结合可加分位数回归模型和函数型线性分位数回归模型,提出了部分函数型线性可加分位数回归模型.我们采用函数型主成分基函数逼近斜率函数,B-样条基函数逼近可加函数,提出了模型的估计方法;在一些基本的假设条件下,给出了斜率函数估计和可加函数估计的收敛速度;最后通过模拟计算和应用实例表明了所提方法的有效性.     

强相依数据的函数系数部分线性模型的估计

本文讨论在数据是强相依的情况下函数系数部分线性模型的估计．首先,采用局部线性方法,给出该模型函数项函数的估计;然后,使用两阶段方法给出系数函数的估计．并且讨论了函数项函数估计的渐近正态性,以及系数函数估计的弱相合性和渐近正态性.模拟研究显示,这些估计是较为理想的．     

基于核估计下概率密度函数的信度模型

结合核估计和信度理论的思想,建立了密度函数的Bayes模型,将条件密度函数的估计限定在核函数的线性组合中,通过最小化期望积分平方损失函数,得到了密度函数的信度估计,并研究了估计的统计性质,讨论了窗宽的最优选择方法;进而基于密度函数的信度估计,得到了各种保费原理中风险保费的信度估计,并与传统的信度估计进行了比较.     

相依数据下一般函数核估计的强一致收敛速度

在很多统计回归模型中,都涉及到对未知均值函数或者对某已知函数的未知条件数学期望的估计.本文针对这一问题,给出在数据是α-混合相依时一般函数的条件数学期望的核估计,并讨论它的强一致收敛速度.     

带相依终止事件的复发事件数据的可加可乘比率模型

本文对带相依终止事件的复发事件数据提出了一个联合建模分析方法,用一个带脆弱变量的可加可乘比率模型来刻画复发事件过程,还用带脆弱变量的Cox风险率模型来刻画终止事件过程,而且这两个过程的相依性由脆弱变量来刻画.我们利用估计方程的方法,对模型参数进行了估计,给出了所得估计的渐近性质.同时,通过数值模拟分析验证了估计的渐近性质.最后,利用该方法分析了弗吉尼亚大学慢性心脏病病人医疗诊费数据.