误差为NA序列的半参数回归模型估计的r阶矩相合性

对于半参数回归模型y1=xiβ＋g(ti) ei,i=1,2,…,n,本综合最小二乘法和一般加权方法,定义了β,g(t)的估计量βn,gn(t),在误差为NA序列进,得到了βn,gn(t)的r(r≥2)阶矩相合性。     

误差为鞅差序列的部分线性模型中估计的渐近正态性

考虑回归模型yi=xiβ g(ti) ei,i=1,2,…,n,其中(xi,ti)是固定非随机设计点列,g(.)是未知函数,β是待估参数,ei是随机误差且关于非降σ-代数列{Fi,i≥1}为鞅差序列,且满足E(e2n|Fn-1)-σ2=op(1),n→∞,其中0<2σ<∞为未知常数,本文基于g(.)的一类非参数估计的β的最小二乘估计■和2σ的估计量■,在适当条件下证明了其具有渐近正态性,从而推广了[1]在ei为iid情形下的结果.     

误差为鞅差序列的半参数回归模型估计的相合性

设半参数回归摸型Y^(n)=β·χi(1) g(l1^(n)) 1 ^(n),i=1,2,…．n,本由最小二乘法和一般加权方法定义的β、g(t)的怙计量βn,gn(t)．在误差为鞅差序列下获得了βn gn(f)的r(≥2)阶平均相合性。     

半参数回归模型的误差方差的小波估计

考虑半参数回归模型y i=x i' β +g(t i)+e i,1 i n,其中β∈R d为未知参数,g(t)为[0,1]上的未知Borel函数,x i为R d上的随机设计, {e i}为i.i.d.随机误差. 本文构造了误差方差σi 2=var (e i)的小波估计 n 2,得到了 n 2的渐近正态性, 同时构造了var(e i 2)的小波估计 n 2,并且证明了 n 2的弱相合性, 由此可知 依分布收敛于N(0,1), 这一结果可用于构造σ 2的大样本区间估计或对σ 2进行大样本检验.     

偏线性模型的核—最小二乘估计法的渐近性质

设有偏线性模型Y=X′β+g(T)+e,其中(X,T)为取值于R~p×[0,1]上的随机向量,β为p×1未知参数向量,g是定义于[0,1]上的未知函数,e为随机误差,均值是0,方差σ~2>0未知,且e与(X,T)独立。本文综合核和最小二乘的方法定义了β,g和σ~2的估计量(?)~2,g_n和(?)_n~2,在十分自然合理的条件下证明了(?)_n和(?)_n~2的渐近正态性,并得到了g_n的最优收敛速度。     

偏线性模型的核——最小二乘估计法的渐近性质

设有偏线性模型 Y=X′β+g(T)+e,其中(X,T)为取值于 R~p×[0,1]上的随机向量,β为 p×1未知参数向量,g是定义于[0,1]上的未知函数,e 为随机误差,均值是0,方差σ~2>0未知,且 e 与(X,T)独立.本文综合核和最小二乘的方法定义了β,g和σ~2的估计量和,在十分自然合理的条件下证明了和的渐近正态性,并得到了g_n~*的最优收敛速度.     

$NA$ 相依样本部分线性模型估计理论

考虑部分线性模型 ,其中误差为NA相依样本,具有公共未知分布函数G(·),卢为未知参数, g(·)为未知函数.本文首先建立β和g(·)的相合性估计βn和gn(·),然后基于βn和gn(·)构造出G(·)的非参数估计Gn(·),最后在适当条件下,建立了Gn(·)一致强相合于G(·).     

一类半参数回归模型中估计的相合性(Ⅰ)

考虑半参数回归模型(Ⅰ):y_i=x_iβ+g(t_i)+e_i,1≤i≤n,(1)其中,X=(x_1,…,x_n)′,T=(t_1,…,t_n)′是随机向量,e=(e_1,…,e_n)′是随机误差;且(X,T)与 e 相互独立,Ee_i=0,Ee_i~2=σ~2<∞;β是未知参数,g(t)是定义在[0,1]上的未知光滑函数.关于模型(Ⅰ)的研究,目前在文献上能见到的结果已有一些了,主要集中在讨论未知参数β的自适应估计(?)_n 的构造上;Schick 在文[7]中提出并讨论了模型(Ⅰ)的一类特殊情形,Heckman 在文[5]及 Chen 在文[2]中均讨论了当 g 的估计取一类光滑样条时,参数     

半参数回归模型的误差方差的小波估计

考虑半参数回归模型yi=Xi'β＋g（ti）＋ei,1≤i≤n,其中β∈Rd为未知参数,g（t）为[0,1]上的未知Borel函数,xi为Rd上的随机设计,{ei}为i.i.d．随机误差本文构造了误差方差σi2=var（ei）的小波估计■,得到了■的渐近正态性,同时构造了var(ei2)的小波估计■,并且证明了■的弱相合性,由此可知■依分布收敛于N（0,1）,这一结果可用于构造σ2的大样本区间估计或对σ~2进行大样本检验。     

带有异方差的部分线性回归模型的B样条估计

考虑一带有异方差的固定设计部分线性回归模型yij=X'ijβ+g(tij)+εij,i=1,2…,k:j=1,2,…,ni,和sum from i=1 to kni=n,其中yij为响应变量,β=(β1,…,βp)’是未知的参数向量,g(·)是未知的函数,Xij=(Xij1,…,Xijp)’和tij∈[0,1]为已知的非随机设计点,εij为均值0,方差是σi2的随机误差,其中σi2可能不同.通过B样条级数近似非参数分量,构造了参数分量β的一个半参数广义最小二乘估计.在一些矩条件下,导出了此半参数广义最小二乘估计的渐近分布,大多数在实际中遇到的误差分布都满足这些矩条件.另外,也构造了半参数广义最小二乘估计的渐近协方差矩阵的一个相合估计,还讨论了非参数分量的B样条估计.所有这些大样本性质都是在k趋于无穷大,ni有限时导出的.这些结果能被用来做渐近有效的统计推导.     

ASYMPTOTIC NORMALITY OF WAVELET ESTIMATOR IN HETEROSCEDASTIC REGRESSION MODEL

The following heteroscedastic regression model Y_i=g(x_i) σ_ie_i(1≤i≤n)is considered,where it is assumed thatσ_i~2=f(u_i),the design points(x_i,u_i)are known and nonrandom,g and f are unknown functions.Under the unobservable disturbance e_i form martingale differences,the asymptotic normality of wavelet estimators of g with f being known or unknown function is studied.     

Convergence Rates of Wavelet Estimators in Semiparametric Regression Models Under NA Samples

Consider the following heteroscedastic semiparametric regression model:yi =XTiβ + g(ti) + σiei, 1 ＜ i ≤ n,where {Xi,1 ＜ i ＜ n} are random design points,errors {ei,1 ＜ i ＜ n} are negatively associated (...     

NA序列半参数回归模型小波估计的强相合性

对于半参数回归模型yi=xiβ+g(ti)+ei,i=1,2,…,n,对误差{ei,1≤i≤n}为NA序列,在适当的条件下研究了未知参数β的小波估计的强相合,同时也得到了未知函数g(t)的小波估计的一致强相合.     

半参数回归模型小波估计的强相合性

考虑半参数回归模型y_i~(n)=X_i~((n)T)β+g(t_i~(n))+ε_i~(n)(1■i■n),其中β∈R~d为未知参数,g(t)为[0,1】上的未知Borel函数,X_i~(n)为R~d上的随机设计,随机误差序列{ε_i~(n)}为鞅差序列,{t_i~(n))为[0,1]上的常数序列．本文用小波的方法得到β、g(t)的估计量分别为■_n、■_n(t),并证明了它们的强相合性．     

半参数回归模型小波估计的矩相合性

用小波方法,考虑半参数回归模型y_i=X_i~Tβ+g(t_i)+ε_i(1≤i≤n),其中β∈R~d为未知参数,g(t)为[0,1]上未知的Borel可测函数,X_i为R~d上的随机设计,随机误差{ε_i}为鞅差序列,{t_i}为[0,1]上的常数序列.得到参数及非参数的小波估计量的q-阶矩相合性.     

部分线性模型中估计的强相合性

考虑回归模型：ｙｉ＝ｘｉβ＋ｇ（ｔｉ）＋σｉｅｉ，１ｉｎ，其中σ２ｉ＝ｆ（ｕｉ），（ｘｉ，ｔｉ，ｕｉ）是固定非随机设计点列，ｆ（·）和ｇ（·）是未知函数，β是待估参数，ｅｉ是随机误差．对文［１］给出的基于ｇ（·）及ｆ（·）的一类非参数估计的β的最小二乘估计＾βｎ和加权最小二乘估计βｎ，我们在适当条件下证明了它们的强相合性．     

半参数回归模型估计的平均相合性

在误差序列为Lqmixingale情形下，给出了半参数回归模型中β和g(t)估计，研究了估计量的q阶平均相合性在较一般的条件下，得到了理想的结果     

相依MA(∞)误差下半参数模型小波估计的收敛速度(英文)

考虑半参数回归模型yi=xiβ+g(ti)+Vi(1≤i≤n), 其中(xi,ti)是已知的设计点, 斜率参数β是未知的, g(·)是未知函数, 误差Vi=sum from j=-∞ to ∞(cjei-j),sum from j=-∞ to ∞(|cj|∞)并且ei是负相关的随机变量. 在适当的条件下, 我们研究了β与g(·)小波估计量的强收敛速度. 结果显示g(·)的小波估计量达到最优收敛速度. 同时, 对β小波估计量也作了模拟研究.     

A PROBLEM OF WEAKLY CONSISTENT LINEAR ESTIMATE

Suppose we have a linear regression model \[{Y_i} = x_i^'\beta + {e_i}\](i = 1,..., n, ...), \[{e_1},{e_2},...\] independent,\[E({e_i}) = 0,Var({e_i}) = {\sigma ^2},(i = 1,2,...)\], and there is no such subse?quence of {ei} which converges in probability to some constant, then when the Gauss- Markov estimate \[c'\beta (n)\] of a linear estimable function\[c'\beta \] is not a weakly consistent estimate, there exists no weakly consistent linear estimate of \[c'\beta \]. The final condition imposed on {ei} is necessary in some meaning. This greatly improved the related result in [1].     

Perfect powers from the sums of terms of linear recurrences

Let Gi= {Gi n1 n=0 (i = 1;2 ;m; m 2) be linear recursive se- quences of order ki 2 andGn 2 Z. Further let K >1 be a fixed real number and S = s 2 Z : s = p e 11p ev v ; ei 2 N , wherepi"s are fixed primes. In this paper, under some restrictions, we prove that, if m P i=1 G (i) n i = sw q holds for positive in- tegers w 2; q; n1; n2; nm with n1 > K max (n2; nm), then q tegers w 2; q; n1; n2; nm with n1 > K max (n2; nm), then q...