具有外生变量部分线性自回归模型的样条估计

考虑自回归模型Y_t=θ~TX_t g(Zt) ε_t,t=1,…,n,其中X_t=(Y_(t-1),…,Y_(t-d))~T,Z_t为实值外生随机变量,θ=(θ_1,…,θ_d)~T为待估参数向量,g为未知非参数光滑函数．基于多项式样条方法,在一定的条件下,给出了θ的估计的渐近正态性,得到了g的估计的收敛速度．模拟例子验证了所得的理论结果．     

双边截断型分布族参数函数的渐近最优经验Bayes估计

本文考虑一维双边截断型分布族参数函数在平方损失下的经验 Bayes估计问题 .给定θ,X的条件分布为f (x|θ) =ω(θ1,θ2 ) h(x) I[θ1,θ2 ] (x) dx其中θ =(θ1,θ2 )T(x) =(t1(x) ,t2 (x) ) =(min(x1,… ,xm) ,max(x1,… ,xm) )是充分统计量 ,其边缘密度为 f (t) ,本文通过 f (t)的核估计构造出θ的函数的经验 Bayes估计 ,并证明在一定的条件下是渐近最优的 (a.0 .)     

Y=θ1＋g（T）＋ε的二阶渐近有效性

对半参数线性模型Y=θ_1 g(T) ε根据PMLE作者构造了θ_1的二阶渐近有效估计,这里T和ε独立,g(·)和θ_1未知,ε的分布密度已知且均值为0方差是δ~2。     

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     

方差分量的非负定无偏MINQE估计

§1 引言对于线性模型Y=Xβ+ε(1.1)其中 Eε=0,Eεε′=θ_1V_1+…+θ_pV_pV_θ≥0,V_1,…,V_p 皆为已知对称矩阵,θ=(θ_1,…,θ_p)′为未知参数称为方差分量;此外,X 是已知矩阵,β为未知参数,在很多场合如随机效应模型,各个方差分量都是非负的,因此很自然地要求相应的估计量也是非负的,为此,C.R.Rao 提出用非负定无偏的 MINQE 估计(记为 MINQE(U,NND)来作为方差分量的估计,并两次指     

刀切 U-统计量和 Von-Mises 统计量函数的强逼近

设 Y_i=(Y_(1i),…,Y_(ki)),i=1,…,n 为 k 维 i.i.d.随机样本,θ=(θ_1,…,θ_k)'为总体的未知参数,设存在 k 个正整数 m_t(≤n—1),t=1,…,k,及 k 个分别为 m_1,m_2,…,m_k 元对称的 Borel 可测函数     

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.     

离散参数空间平方损失下的可容许估计

50年代以来,许多统计工作者对单参数指数分布族中参数的可容许性(平方损失下)作了较多讨论,给出了一些线性和非线性(主要的是有理函数)的可容许估计.这些内容可参看文献[1—8].文献[9—11]分别在前面的基础上给出了在平方损失下关于 L 测度几乎可容许估计的一般性定理.这些文献所讨论的参数空间是实数空间上有限或无限的连续区间.本文将讨论离散参数空间(?)={θ_k:θ_k∈R~1,k=1,2,…}.第二节对离散参数空间在平方损失函数 L(g(θ),d)=λ(θ)(d-g(θ))~2下,给出参数函数 g(θ)的估计是可容许的充分条件,第三节以二项分布与爱尔兰分布为例说明了该定理的应用.     

线性约束下部分线性模型中估计的渐近性质

考虑回归模型yi=x′iβ+ g(ti) + ei, 0 ≤i ≤nr=Rβ其中(xi,ti)是固定非随机设计点列,xi=(xi1,…,xip)′,β=(β1,…,βp)′(p 1) ,g是定义在[0 ,1]上的未知函数,β是未知待估参数,0≤ ti≤1i,ei 是i.i.d随机误差,且Eei=0 ,Ee2i=σ2 <∞.r是一个J维向量,R是一个J* p列满秩矩阵,基于g的估计取一个非参数权估计,本文讨论了在线性约束下β的最小二乘估计的相合性及渐近正态性.     

平方损失下的可容许估计

设(x)为样本空间,P_θ为其上的分布族,θ∈Θ为参数.欲估计g(θ),损失函数为L(g(θ),d).称R(g(θ),d(X))=EL(g(θ),d(X))为估计d(X)的风险函数.称d_0(X)是g(θ)的可容许估计,如果不存在其它估计d_1(X),使得R(g(θ),d_1(X))≤R(g(θ),d_0(X)),对一切θ∈Θ,且不等号至少对某θ_0∈Θ成立.设在参数空间Θ上建立了σ~-域θ,ξ为(Θ,θ)上σ~-有限测度.称g(θ)的估计δ_0(X)关于ξ是几乎可容