非线性半参数EV模型的经验似然置信域

考虑非参数协变量带有测量误差的非线性半参数模型,构造了模型中未知参数的经验对数似然比统计量,在测量误差分布为普通光滑分布时,证明了所提出的统计量具有渐近χ2分布,由此结果可以用来构造未知参数的置信域.另外也构造了未知参数的最小二乘估计量,并证明了它的渐近性质.就置信域及其覆盖概率大小方面,通过模拟研究比较了经验似然方法与最小二乘法的优劣.     

核实数据下非线性半参数EV模型的经验似然推断

考虑带有协变量误差的非线性半参数模型,借助于核实数据,本文构造了未知参数的三种经验对数似然比统计量,证明了所提出的统计量具有渐近X2分布,此结果可以用来构造未知参数的置信域．另外,本文也构造了未知参数的最小二乘估计量,并证明了它的渐近性质．仅就置信域及其覆盖概率的大小方面,通过模拟研究比较了经验似然方法与最小二乘法的优劣．     

部分线性单指标模型中参数的经验似然置信域

考虑部分线性单指标模型, 提出了未知参数的3种对数经验似然比统计量. 在适当的条件下, 证明了所提出的统计量依分布收敛于χ²分布. 所得结果可以用来构造未知参数的置信域. 所提出的方法也适合于纯粹的单指标模型. 通过模拟研究说明了经验似然方法在置信域的精度及其覆盖概率大小方面优于最小二乘方法.     

缺失数据下半参数回归模型的经验似然推断

针对响应变量缺失下的半参数回归模型,构造模型中未知参数的经验对数似然比统计量,证明了所提出的统计量具有渐近χ2分布,由此构造未知参数的置信域,并就置信域的覆盖概率及区间长度方面,通过模拟研究与最小二乘法进行优劣比较.     

缺失数据下非线性EV模型参数的经验似然置信域

考虑解释变量带有测量误差且响应变量随机缺失情形下的非线性EV模型.通过利用核实数据, 构造了未知参数的两种经验对数似然比统计量. 证明了所构造统计量的分布渐近于χ²分布, 所得结果可以用来构造未知参数的渐近置信域.     

缺失数据下半参数变系数部分线性模型的统计推断

该文研究协变量随机缺失下半参数变系数部分线性模型的统计推断.利用逆概率加权最小二乘方法给出了模型中参数分量和非参数分量的估计,并证明了它们的渐近正态性.另外该文又提出了一个逆概率加权经验对数似然比统计量,并证明该统计量服从标准χ~2分布,从而构造了模型中参数分量的经验似然置信域.最后通过模拟研究和实例分析说明该文提出的方法具有较好的有限样本性质.     

删失数据下单指标模型的经验似然推断

考虑删失数据下单指标模型, 研究了模型中参数的经验似然推断, 证明了所提出的调整的经验对数似然比渐近于卡方分布, 由此构造相应兴趣参数的置信域. 进一步, 由于模型中参数向量的范数等于1,利用该约束条件来降低参数的维数, 从而增加置信域的精度.模拟研究比较了经验似然方法和正态逼近方法的有限样本性质,从置信域的面积和覆盖概率两方面进行了比较,模拟结果表明经验似然方法优于正态逼近方法.     

纵向数据下部分非线性模型的广义经验似然推断

本文研究了纵向数据下部分非线性模型中未知参数的置信域的构造.利用经验似然方法,构造了非线性函数中未知参数的广义对数经验似然比统计量,证明了其渐近于卡方分布.同时,得到了未知参数的最大经验似然估计,并证明了其渐近正态性.     

非参数部分带有测量误差的部分线性变系数模型的经验似然推断

研究非参数部分带有测量误差的部分线性变系数模型,构造了模型中未知参数的局部纠偏经验对数似然比统计量,在适当条件下,证明了所提出的统计量具有渐近x2分布,由此结果可以用来构造未知参数的置信域.并且还构造了未知参数的最大经验似然估计及系数函数的估计,证明了它们的渐近性质.最后通过数值模拟研究了所提估计方法在有限样本下的实际...     

右删失数据下非线性回归模型的经验似然推断

考虑随机右删失数据下非线性回归模型,提出了模型中未知参数的调整的经验对数似然比统计量.在一定的条件下,证明了.所提出的的统计量具有渐近χ~2分布,由此结果构造了兴趣参数的置信域.通过模拟研究,对经典的经验似然、调整的经验似然和非线性最小二乘方法在有限样本下进行了比较,并对氯离子浓度试验数据进行了分析.     

部分函数线性模型的经验似然推断

本文考虑部分函数线性回归模型,研究了回归系数的经验似然推断,证明了所提出的经验对数似然比渐近于χ~2分布,此结果可以用来构造了相应兴趣参数的置信域.另外,本文也给出了系数函数的极大经验似然估计,并在适当条件下给出了所提出估计量的收敛速度.仅就置信域精度及其覆盖概率大小方面,通过模拟研究和实例分析比较了经验似然方法与最小二乘方法的优劣.     

非线性EV回归模型中参数的经验似然置信域

本文考虑非线性EV回归模型，构造了未知参数的经验对数似然比统计量．此外，为了克服计算困难，提出了一个基于模拟的经验对数似然比统计量．在适当条件下，证明了所提出的这两种统计量都具有渐近X^2分布，所得结果可以用来构造未知参数的置信域。     

Confidence Intervals of Variance Functions in Generalized Linear Model

In this paper we introduce an appealing nonparametric method for estimating variance and conditional variance functions in generalized linear models （GLMs）, when designs are fixed points and random variables respectively, Bias-corrected confidence bands are proposed for the （conditional） variance by local linear smoothers. Nonparametric techniques are developed in deriving the bias-corrected confidence intervals of the （conditional） variance. The asymptotic distribution of the proposed estimator is established and show that the bias-corrected confidence bands asymptotically have the correct coverage properties. A small simulation is performed when unknown regression parameter is estimated by nonparametric quasi-likelihood. The results are also applicable to nonparamctric autoregressive times series model with heteroscedastic conditional variance.     

Exact confidence coefficients of simultaneous confidence intervals for multinomial proportions

Simultaneous confidence intervals for multinomial proportions are useful in many areas of science. Since 1964, approximate simultaneous 1-α confidence intervals have been proposed for multinomial proportions. Although at each point in the parameter space, these confidence sets have asymptotic 1-α coverage probability, the exact confidence coefficients of these simultaneous confidence intervals for a fixed sample size are unknown before.In this paper, we propose a procedure for calculating exact confidence coefficients for simultaneous confidence intervals of multinomial proportions for any fixed sample size. With this methodology, exact confidence coefficients can be clearly derived, and the point at which the infimum of the coverage probability occurs can be clearly identified.     

利用样本分位数的Logistic分布参数的渐近置信估计

基于Logistic分布的若干个样本分位数 ,利用线性回归模型建立Logistic分布位置参数及尺度参数的渐近正态且渐近无偏估计量 ,得到分布参数的渐近置信估计。     

部分线性回归模型的M-估计

本文讨论部分线性回归模型的M-估计．用局部线性方法给出未知函数的M-估计，用两步估计方法给出参数的M-估计．进一步证明了未知函数的M-估计的弱一致性和渐近正态性，参数的M-估计的弱一致性．