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.     

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。     

随机加权法在线性模型中的应用

设 Y_n=X_nβ+e(n) (1.1)是一个回归模型,其中β是一个 p×1 未知参数向量;Y_n 是 n×1数据向量;X_n 是 n×p 矩阵,rank X_n=p,X_n 之元素是常数,X'_n=(x_1,…,x_n)表示 X_n 的转置;e(n)是 n×1 误差向量.设 (?)_n=(X′_nX_n)~(-1)X′_nY 为β的最小二乘估计.在[1]中讨论了随机变量 c′((?)_n—     

一类半参数回归模型的估计理论

考虑半参数回归模型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为定义于[0,1]上的未知函数,e为随机误差,Ee=0,Ee²=σ²>0,且(X,T)与e独立。本文综合最近邻和最小二乘的方法定义了β,g和σ²的估计量,g_n^*和。在适当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。     

再论线性模型中误差方差的二次型估计的可容许性

设有线性模型Y=(y_1,…,y_n)′=Xβ ε=X(β_1,…,β_p)′ (ε_1,…,ε_n)′,(1.1)这里 X 为已知的,n×p 矩阵,n≥p,ε_1,…,ε_n 相互独立,E(ε_i)=0,E(ε_i~2)=σ~2,E(ε_i~3)=0,E(ε_i~4)=3σ~4,i=1,…,n.β∈R~p,0<σ~2<∞均为未知参数.欲估计σ~2,     

大数定律的推广

引理1.設α≥0,則 引理2.若 1) y_n+1>y_n(n=1,2,…,); 2) (?)y_n=+∞; 3) (?)(x_n+1-x-n)/(y-n+1-y_n)存在,則 这两个引理的証明可参看[1]及[2];引理2又称为施篤茲定理。下面我們用σ_n~2表示随机变量ξ_n的方差,用ρ_(ij)表示随机变量ξ_i与ξ_j的相关系数。定理.設{ξ_n}是一随机变量序列,如果存在0≤λ<1,使得 1) (σ_1~2+…+σ_n~2)>A,对任何n成立; 2) 当|i-j|→∞时,|i-j|~λρ_(ij)一致趋向于0,則这随机变量列滿足弱大数定理。     

线性回归系数两种可估性的关系

<正> 设有满足Gauss-Markov(GM)条件的线性模型Y=Xβ+e,E_e=0,COV(e)=б~2l,此处X为已知的n×p矩阵,β=(β_1,…,β_p)′为p维未知向量,I为n阶单位阵,0<σ~2<∞,σ~2也未知.设c为一已知的p维向量,则当x的秩为P时,c′β必为线性可估.反过来,若X的秩小于p,则对某些c,c′β不是线性可估,甚至也可以不是可估的.     

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.     

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。     

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．     

半参数回归模型的二阶段局部推断

本文在随机设计情形下考虑一类半参数回归模型：Y=X~Tβ g(T) e,其中Y为响应变量,X为s×n设计矩阵,β为一s×1未知向量,g(?)是未知函数．本文在迭代机制上利用了一类局部核权对数似然估计法及二阶段法分别给出了参数部分β和非参数部分g(?)的估计量(?)和(?)(?),讨论了其相关属性．就n~(1/2)(?)的渐近正态性及(?)的收敛性而言,我们已经证明：只要参数部分β的初始估计(?)较好,本文所用的二阶段法能达到其它方法的效果,如逐点多项式逼近法,核与最小二乘法和最近邻与最小二乘法,等等．     

多项式损失下二次型估计的可容许性

设有线性模型Y=Xβ+δ,其中X为已知的n×p阶矩阵,n≥2,δ～N_n(O,σ~2(Ln),β∈R~n和σ~2>O皆未知,估计σ~2,取损失函数L(β,σ~2;d)=W[σ~(-4(d-σ~2)~2],其中设对称) 本文给出了X=1_n和X=I_n时,Y'AY∈(?)在估计类现中是σ~2的可容许估计的充要条件。     

方差未知的统计控制问题中的可容许估计

§1.引言设有线性模型Y=Xβ+ε,(1.1)此处 X 为已知的 n×k 矩阵,rankX=k,ε～N(0,σ~2I_n);β∈R~k 和σ>0都是未知参数.考虑如下的统计控制问题:选择一个 k 维向量 z(Y),使得     

随机删失半参数回归模型小波估计的渐近性质

考虑半参数回归模型Y_i=X_iβ g(T_i) e_i,i=1,2,…,n,β∈R为未知回归参数,g(·)为[0,1]上的未知Borel函数。在完全和右删失数据下,本文利用小波光滑方法并综合最小二乘法,就删失分布已知和未知的情形分别定义了β,g(T)的小波估计(?),(?)(T),在一定条件下,证明了(?)的渐近正态性,同时得到了(?)(T)的最优收敛速度。     

矩阵损失下回归系数和误差方差的联合估计的可容许性的几个结果

设有线性模型:Y=(Y_1,…,Y_n)＇=Xβ+ε=Xβ+(ε_1,…,ε_n)＇,其中X:n×p已知,β=(β_1,…,β_p)＇未知,ε_1,…,ε_n独立,E_(ε_i)=E_(ε_i~3)=0,E_(ε_4~2)=σ~2,F_(ε_i~4)=3σ~4,i=1,2,…,n,0<σ~2<∞,σ~2未知。在矩阵损失下,我们考虑(Sβ,σ~2)的联合估计(AY,Y＇BY)在估计类×={(CY,Y＇DY):C为m×n的常数阵,D≥0为n×n的常数阵中的可容许性,得到了(AY,Y＇BY)为(Sβ,σ~2)的可容许估计的一些充分条件和必要条件。     

一个部份自回归模型的渐近有效性<英>

本文考虑部分自回归模型 X_t=X_(t-1)β g(U_t) ε_t,t≥1.这里g是一未知函数,β是一待估参数,ε_j是具有0均值和方差σ~2的i.i.d.误差,U_t i.i.d.服从[0,1]上均匀分布.本文首先给出了相合估计的收敛阶和Takeuchi意义下渐近有效界.同时给出了β最小二乘估计是有效的充要条件.最后证明了MLE是渐近有效的.     

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。     

方差未知的多总体均值检验的一种有效方法

本文对n 个相互独立、服从正态分布总体的均值统计假设H_0:μ_1=μ_2…=μ_n 的检验,进行了探讨。在方差σ_j~2(j=1,2,…,n)未知,且σ_1~2=σ_2~2=…=σ_n~2的条件下,利用正态分布及X~2分布的再生性,构造了T_n,T_n~′统计量,给假设H_0的检验提供了切实可行的有效方法。