混合序列矩不等式和非参数估计

对p-混合、(?)-混合序列给出两个矩不等式,它们在加权和序列研究中比邵启满在[6]、[7]中给出的矩不等式更实用.作为应用,这里讨论非参数递归密度核估计的强收敛速度和非参数回归函数加权核估计的强相合性,获得较好结论.     

ρ*-混合序列加权和的完全收敛性

讨论了ρ*-混合序列加权和的完全收敛性,将文[8]中的定理3推广至ρ*-混合序列的情形且加强了文[8]中的定理3的结论.将文[9]中的定理推广至ρ*-混合序列的情形.     

部分线性变系数模型改进的加权混合Profile-Liu估计

研究半参数部分线性变系数模型的有偏估计,当回归模型参数部分自变量存在多重共线性时,在随机线性约束条件下,融合Profile最小二乘估计、加权混合估计和Liu估计构造回归模型参数分量改进的加权混合Profile-Liu估计,并在一定正则条件下证明估计量的渐近性质,最后利用蒙特卡洛数值模拟验证所提出估计量的有限样本表现性.     

强混合序列的一类中心极限定理及其在回归模型中的应用[英文]

本文研究了强混合序列加权和的中心极限定理, 同时也给出了强混合序列线性过程部分和的中心极限定理. 作为应用,我们利用所得结果, 证明了固定设计回归模型中一类加权函数估计的渐近正态性.     

ρ—混合序列加权和的完全收敛性

对混合速度不作限制下，讨论了ρ－混合序列加权和Ｔｎ＝Σ（ｎ，ｋ＝１）αｎｋＸｋ的完全收敛性，推广了Ｗ．Ｆ．Ｓｔｏｕｒｔ的结果。将此新结果应用于线性模型参数β的估计中，得出β的最小二乘估计βｎ的强相合性     

强混合序列的一类中心极限定理及其在回归模型中的应用(英文)

本文研究强混合序列加权和的中心极限定理,同时也给出强混合序列线性过程部分和的中心极限定理.作为应用,利用所得结果,证明固定设计回归模型中一类加权函数估计的渐近正态性.     

NA样本半参数回归模型估计的矩相合性

考虑了误差为NA序列的半参数回归模型,利用非参数估计方法给出了模型参数的最小二乘估计和加权最小二乘估计,并在适当条件下得到了它们的矩相合性.     

变系数部分线性模型的加权随机约束s-K估计

研究随机约束条件下半参数变系数部分线性模型的参数估计问题,当回归模型线性部分变量存在多重共线性时,基于Profile最小二乘方法、s-K估计和加权混合估计构造参数向量的加权随机约束s-K估计,并在均方误差矩阵准则下给出新估计量优于s-K估计和加权混合估计的充要条件,最后通过蒙特卡洛数值模拟验证所提出估计量的有限样本性质.     

左截断相依数据下非参数回归的局部M 估计

本文对左截断模型, 利用局部多项式的方法构造了非参数回归函数的局部M 估计. 在观察样本为平稳α-混合序列下, 建立了该估计量的强弱相合性以及渐近正态性. 模拟研究显示回归函数的局部M 估计比Nadaraya-Watson 型估计和局部多项式估计更稳健.     

强混合相依变量加权和的收敛性及其应用

本文提供一条处理相依样本的新途径.建立了强混合相依变量加权和的收敛性.作为它的应用,考虑回归模型,给出回归函数非参数的强相合估计.