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．     

半参数回归模型中误差方差估计之分布的非一致性收敛速度

Engle等人将气候条件对电力需求关系归结成半参数回归模型其中{e_j,1≤j≤n}是iid.的随机误差,均值为0,方差σ~2>0,{(X_j;T_j),1≤j≤n}是R~p×[0,1]上的随机设计点列且与{e_j,1≤j≤n}相互独立,{T_j,1≤j≤n}iid.,β是p维未知回归参数,g(t)是定义在[0,1]上的未知回归函数。     

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。     

鞅差误差下线性EV模型最小二乘估计的中偏差

研究了线性EV模型:η_i=θ+βx_i+ε_i,ξ_i=x_i+δ_i,1≤i≤n.当误差(ε_i,δ_i)为鞅差序列情形时,讨论了未知参数β和θ的最小二乘估计的中偏差问题.     

PA误差下半参数回归模型小波估计的r-阶矩相合性

对于半参数回归模型y_i=x_iβ+g(t_i)十e_i,(1≤i≤n),其中{e_i,1≤i≤n}为PA相依误差.在适当的条件下,利用极大部分和的矩不等式方法得到未知回归函数g(x)和未知参数β估计量的r-阶矩相合性.     

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     

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.     

(~ρ)-混合误差下回归函数加权核估计的强相合性

设{yi}是固定在点{xi}的观察值,适合模型yi=g(xi) εi.其中g(x)是[0,1]上的未知函数,{εi}是均值为0的随机误差序列.文献中,在{εi}为独立同分布的条件下,通过构造新的函数gn(x),对g(x)进行了估计.论文将{εi}推广至(~ρ)-混合误差序列的情形,通过附加适当的条件和精细的计算,获得了用gn(x)估计g(x)的同样结论.     

混合回归模型误差方差M估计的弱收敛性

考虑混合回归模型 y_i=x_i~Tβ+σε_i,(1)其中x_i~T=(y_(i-1),…,y_(i-p),z_(i1),…,z_(ik)),{ε_i}为i.i.d.残差序列,Eε1=0,Eε_1~2=1,而β=(β_1,…,β_p,β_(p+1),…,β_(p+k))~T与σ>0为未知参数,并且φ(B)=1-β_1B-…-β_pB~p=0的根全在单位圆外. 本文拟在文[1]的基础上定义模型(1)误差方差σ的M估计,并证明其弱收敛性. 设X(x)为某个可测函数,β为(1)中回归参数β的某个相容估计,称方程     

一类混合回归模型中估计的收敛速度

考虑回归模型 y_i=x_iβ+g(t_i)+e_i,i=1,2,…n,其中g(·)是未知光滑函数,β是未知待估参数,e_i是随机误差。 设{(x_i,t_i,y_i,),1≤i≤n}是i.i.d.子样。本文首先给出了g(·)的一类近邻估计■_n(·),然后基于模型y_i=x_iβ+■_n(t_i),+e_i得到了β的最小二乘估计■_n。在适当条件下,证得了■_n及g(·)的最终估计■_n~■(·)的强弱收敛速度。     

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.     

方差分量模型中回归系数的线性Minimax估计

考虑方差分量(混合线性)模型y=Xβ+U1ξ1+U2ξ2+…+Ukξk,这里Xn×p,Ui,n×ti为已知设计矩阵,βp×1是固定效应,iξ是ti×1随机效应向量,满足E(iξ)=0,cov(iξ)=σ2iIti,iξ都不相关.往往Uk=In,ξk=ek,即最后一项为随机误差,热β∈RP和i2σ>0(i=1,2,…,k)为未知参数.我们考虑β的可估函数Sβ,选取二次损失函数L(d,Sβ)=(d-Sβ)′(d-Sβ)∑ki=1ciσi2+β′X′Vk-1Xβ,然后在线性估计类中给出Sβ的惟一的mini max估计.     

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 (...     

部分线性模型中估计的收敛速度

考虑回归模型（Ⅰ）：其中（ｘ＿ｉ，ｔ＿ｉ）是固定非随机设计点列，ｘ＿ｉ＝（ｘ＿（ｉｌ），…，ｘ＿（ｉｐ））＇β＝（β＿１，…，β＿ｐ）＇（ｐ＞１），ｇ是定义在［０，１］上的未知函数，β是未知待估参数，０＜ｔ＿ｉ＜１，ｅ＿ｉ是ｉ．ｉ．ｄ．随机误差，且Ｅｅ＿ｉ＝０，Ｅｅ＝σ￣２＜∞。基于ｇ的估计取一类非参数权估计（包括常见的核估计和近邻估计），我们讨论了β的最小二乘估计及ｇ的估计的最优强弱收敛速度。     

半参数回归模型中二阶段估计的渐近性质

给定半参数回归模型Y＝X′β g(T) e,其中β∈R^p是未知参数向量,g(t)是定义在[0,1]上的未知函数,e是随机误差,本文研究了β,,g(t)和σ2的估计量βn,gn(t)和σn^2,在适当的条件下证明了它们的渐近正态性,并给出了gn(t)的最优收敛速度。     

����MA($\infty$)����°����ģ��С�����Ƶ������ٶ�

考虑半参数回归模型$y_i=x_i\beta+g(t_i)+V_i$ $(1\le i\len)$, 其中$(x_i,t_i)$是已知的设计点, 斜率参数$\beta$是未知的,$g(\cdot)$是未知函数, 误差$V_i=\tsm^\infty_{j=-\infty}c_je_{i-j}$,$\tsm^\infty_{j=-\infty}|c_j|<\infty$并且$e_i$是负相关的随机变量.在适当的条件下, 我们研究了$\beta$与$g(\cdot)$小波估计量的强收敛速度.结果显示$g(\cdot)$的小波估计量达到最优收敛速度. 同时,对$\beta$小波估计量也作了模拟研究.     

二阶超线性常微分方程组无穷多点边值问题的正解

运用锥上不动点定理研究了非线性二阶常微分方程组无穷多点边值问题■正解的存在性,其中ξ_i,η_i∈(0,1),α_i,β_i∈[0,∞),∑α_iξ_i<1,∑β_iη_i<1,α_i(t)∈C([0,1],[0,+∞)),f_i(x,y)∈C([0,+∞]×[0,+∞),[0,+∞))i=1,2.     

依赖于一阶导数的二阶脉冲微分方程边值问题的正解(英)

本文研究一类二阶脉冲微分方程：■的正解存在性．其中,0＜η＜1,0＜α＜1,f：[0,1]×[0,∞)×R→[0,∞),I_i：[0,∞)×R→R,J_i：[0,∞)×R→R,(i=1,2,…,k)均为连续函数．本文所用方法是文献[5]推广的Krasnoselskii不动点定理,此定理为解决依赖于一阶导数的边值问题提供了理论依据．基于此定理,获得了问题正解存在性定理．特别地,我们获得此类问题的Green函数,使问题的解决更直观和简单．     

ω,q-Bernstein多项式的Voronovskaya-型公式

讨论了ω,q-Bernstein多项式的Voronovskaya-型公式及其收敛的饱和性.给出了当01[0,1]时ω,q-Bernstein多项式的Voronovskaya-型公式.如果0<ω,q<1,f∈C1[0,1]时ω,q-Bernstein多项式的Voronovskaya-型公式.如果0<ω,q<1,f∈C¹[0,1],则ω,q-Bernstein多项式的收敛阶为o(q1[0,1],则ω,q-Bernstein多项式的收敛阶为o(qⁿ)当且仅当((f(1-qn)当且仅当((f(1-q^(k-1)-f(1-q)(k-1)-f(1-q)^k))/((1-qk))/((1-q^(k-1)-(1-q(k-1)-(1-q^k)))=f'(1-qk)))=f'(1-q^k),k=1,2,…还证明f如果f在[0,1]是凸的或者在(-ε,1+ε)(ε>0)解析,则ω,q-Bernstein多项式的收敛阶为o(qk),k=1,2,…还证明f如果f在[0,1]是凸的或者在(-ε,1+ε)(ε>0)解析,则ω,q-Bernstein多项式的收敛阶为o(qⁿ)当且仅当f是线性函数.