Von-Mises统计量的Edgeworth展开和随机加权逼近

[1]讨论了Von-Mises统计量的一种能达到O（1/n的平方根）的精确性的随机加权逼近，本则给出了这种统计量的一阶Edgeworrh展开和一种能达到o（1/n的平方根）的精确性的新的随机加权逼近。     

L-统计量的Edgeworth展开和随机加权逼近

文［１］讨论了Ｌ－统计量的一种能达到Ｏ１√ｎ精确度的随机加权逼近,本文则给出了Ｌ－统计量的Ｅｄｇｅｗｏｒｔｈ展开和一种能达到ｏ１√ｎ精确性的新的随机加权逼近     

有Edgeworth展式的分布的随机加权逼近的重对数律

本文研究了未知分布的逼近问题，利用随机加权法，给出了有Edgeworth展式的一类（未知）分布的模拟分布，证明了在一定条件下，模拟分布与未知分布的逼近精度达到O(n^-1√lnlnn），称之为随机加权逼近的重对数律。     

Von-Mises统计量的Edgeworth展开和随机加权逼近

文［１］讨论了Ｖｏｎ－Ｍｉｓｅｓ统计量的一种能达到Ｏ１ｎ的精确性的随机加权逼近，本文则给出了这种统计量的一阶Ｅｄｇｅｗｏｒｔｈ展开和一种能达到ｏ１ｎ的精确性的新的随机加权逼近．     

L-统计量的Edgeworth展开和Bootstrap逼近

文「１」讨论了Ｌ－统计量的一种能达到０（１／√ｎ）精确性的Ｂｏｏｔｓｔｒａｐ逼近,本文则在适当条件下,证明了上述Ｂｏｏｔｓｔｒａｐ逼近能达到精确性０（１／√ｎ）,并给出了Ｌ－统计量的一阶Ｅｄｇｅｗｏｒｔｈ展开的估计。     

AR(1)序列的样本均值分布的随机加权逼近

随机加权方法是郑忠国近期提出的逼近统计量分布的新方法.目前,已有许多文章讨论了此方法对一些统计量分布的逼近问题.但这些结果仅限于对独立随机样本的研究.本文将此方法应用于相依随机序列——AR(1)序列的样本均值,并得到了和独立情形同样好的结果.     

L—统计量的随机加权逼近

本文用随机加权法构造了L—统计量的未知分布的逼近,我们讨论了这种随机加权逼近的相合性及逼近精确度。     

具独立误差分布的线性模型的随机加权逼近

本文讨论了误差分布为相互独立但不同分布的线性模型。主要考察模型参数的线性组合的最小二乘估计的估计误差的统计特性并且找到了该误差的相应的随机加权统计量。还证明了在某些条件之下,随机加权分布逼近误差分布的阶数为n~(-1/2)。     

均值误差的随机加权逼近的重对数律──非独立同分布情况

讨论了独立不同分布情况下均值误差的分布估计问题,用随机加权法给出了精度为O(√lnlnn/n)的逼近分布.     

标准化样本均值分布的随机加权逼近—多维情形

本文考虑多维标准化样本均值分布的随机加权逼近,得到了O((?)~(-1/2))的最优精度,从而拓广了随机加权法的应用范围.     

在于刀片虚拟值的广义L统计量的自动和随机加权逼近

本文基于广义Ｌ统计量的Ｊａｃｋｋｎｉｆｅ虚拟值，建立了广义Ｌ统计量的自动和随机加权逼近，证明了其相合性。     

半参数回归模型中随机加权M估计的强逼近

用随机加权法给出了半参数回归模型中参数的随机加权M估计，在一般的条件下证明了用随机加权统计量的分布逼近原估计量误差的分布的强有效性，并给出了M估计的最优强收敛速度。     

n维区域上的混合函数插值

本文给出一种在n维方域上插值到N阶微商值的边界插值公式,带有多项式权,具有n(N+1)-1次代数精确度,进而逼近阶可达O(h~(n(N+1)))。     

基于随机加权的空间聚集性检验及其在基础教育师资均衡性评价中的应用

使用空间统计检验方法研究北京基础教育资源分配的均衡性问题.对于空间分布均匀性的检验,常用的统计量是Moran's I统计量.但基于Moran's I统计量做推断的时候,人们往往用渐进正态分布或者用Bootstrap反复抽样得到经验分布来进行.提出使用随机加权法进行统计量的经验检验.Jin和Lee(2014)文中得出基于Bootstrap的Moran's I统计量满足一致逼近和渐进正态等性质.采用类似的统计工具证明了基于随机加权得到的统计量的渐进分布也满足这些良好性质.填补了用随机加权法在空间统计量的推断中理论保证的空白.通过模拟研究,证明了所提算法的有效性.方法应用于北京基础教育的师资-适龄儿童数比例,师资-在校生数比例的空间聚集性检验中得到了良好的应用,并与其它检验方法所得结论进行比较.结论显示在不同相邻概念(地理相邻、政策空间相邻)下,方法得到的结论符合常理.     

非参数回归函数估计的随机加权逼近

本文应用随机加权法的思想构造了回归函数的最近邻估计和核估计的随机加权统计量,并证明了用随机加权统计量的分布逼近两类估计量的分布之精度可达到ｏ（ｎ~（－１／２Ｐ）,其中１＜ｐ ≤ ２．     

关于广义Baskakov算子的逼近

陈文忠在文[1]中引进如下广义 Baskakov 算子V(f,x)=f(k/n)b_(n,k,a)(x)其中 a>0,f∈C([0,∞)),b_(n,k)(n(n+α)…(n+(k-1)a))/(k!)·(x~k/)((1+az)~n/+k)·本文研究了这类算子的收敛定理。Voronovskaja 型渐近表示及点态饱和定理,得到了一些加权逼近的正逆定理和一致逼近中的正逆定理.     

线性模型中M检验原假设分布的随机加权逼近

在线性模型中M-方法可以用于线性假设检验, 其中M检验、Wald检验和Rao的计分型检验是最常用的检验准则. 但是在计算这些检验的临界值时都涉及到未知参数的估计. 在本文中我们利用随机加权的方法来逼近这些检验的原假设分布. 结果表明在原假设和局部对立假设之下随机加权统计量的渐近分布与原检验统计量在原假设之下的渐近分布相同. 因此我们不需要对冗余参数进行估计,利用随机加权的方法就可以得到这些检验的临界值. 而且在局部对立假设之下可以实现对功效的计算. 当取不同的误差分布和不同的随机权时, 我们对本文的方法进行了蒙特卡洛模拟. 结果表明用随机加权方法来逼近原假设分布是非常精确的.     

L-统计量的Bootstrap逼近速度

在较为理想的条件下,本文获得了L-统计量的Bootstrap逼近速度.同时作为补充命题,我们给出了一个L-统计量方差估计的几乎处处收敛性。     

双截尾Tobit模型中的随机加权逼近方法

本文研究双截尾删失回归模型中参数的随机加权估计(RWE),获得了RWE的统计渐近性质,如相合性和渐近分布.本文证明了RWE在给定样本下的条件渐近分布与参数的最小绝对偏差(LAD)估计的渐近分布是一样的,则可以利用RWE的条件分布去逼近回归参数的LAD估计的分布,从而避免冗余参数的估计,如误差项的密度函数.另外,本文也提出了一个M检验统计量和随机加权M检验统计量(RWM)来检验参数的线性假设问题,建立了该检验的统计性质.数值模拟和实际数据分析结果表明所提方法是可行的.     

谈根式(√m±√n)的化简

在运算中经常会遇到形如(√m±√n)的根式(其中m、n∈Q+,且√n是无理数),有的能化简为两个二次根式的和或差,即(√m±√n)=√A±√B(A、B∈Q+),那么m、n满足什么条件才能化简为上述形式?结果与m、n又有何关系?本文就此问题作一粗浅探讨.