￠－混合误差下非参数回归函数加权核估计的相合性

本文在－混合误差下讨论Ｐｒｉｅｓｔｌｅｙ，Ｍ．Ｂ．和Ｃｈａｏ，Ｍ．Ｔ［１］提出的一类非参数回归函数加权核估计的相合性。在较弱的条件下证明了它的完全收敛性和强相合性。这些结论改进了现有的独立情形和相依情形的相应结论。     

PP聚类的M—估计

本文从稳健性的角度出发考虑了ＰＰ聚类的Ｍ－估计，将最小二乘估计和最小一乘估计的结论推广到更一般的情形，证明了估计的相合性。     

矩阵的多行拟相合分类及其应用

本文把方阵的拟相合概念推广为长方阵的多行拟相合概念，并对最简情形即Ｍ２，４（Ｆｐ）给出分类结果．此概念之一应用出现在有限环的同构分类之中．     

固定设计情形下回归函数小波估计的泛相合性

本文引入固定设计情形下回归函数小波估计的泛相合性概念，证明了此小波估计的泛相合性。     

半参数回归估计的相合条件

设有半参数回归模型ｙｉ＝ｘ’，β＋ｆ（ｔｉ）＋ｅｉ，ｉ＝１，．．．ｎ，其中｛ｔｉ｝为常数列，本文对｛ｘｉ｝为设计点列的情形，给出了β、ｆ（ｔ）有相合估计的条件；在｛ｘｉ｝为随机的情形，建立了ｆ（ｔ）估计的相合性。     

随机删失下位置-刻度模型中的强相合与渐近正态估计

在删失分布未知的情形下,证明了所定义的位置─刻度模型中参数估计的强相合性与渐近正态性．在证明估计的渐近正态性时,使用了点过程鞅方法．     

Pickands型估计的推广

本文把Ｐｉｃｋａｎｄｓ型估计推广到更一般情形，证明了它的相合性，强收敛速度．     

线性模型参数M估计的强相合性

本文研究线性模型中回归参数　Ｍ　估计的强相合性，　给出一些较弱的充分条件．　与陈希孺和赵林城的专著［１］中相应的结论比较，　这里给出的条件对矩的要求有较大的实质性改进．     

m（n）－相依样本非参数回归残差密度的相合估计

考虑非参数回归模型：Ｙｉ＝Ｍ（Ｘｉ）＋ｅｉ，其中Ｍ（ｘ）为Ｂ（Ｒ）上的未知实函数，（Ｘｉ，Ｙｉ）为来自（Ｘ，Ｙ）的ｍ（ｎ）相依样本，残差（ｅｉ）具有公共的未知密度ｆ（ｘ）．本文基于残差估计给出了ｆ（ｘ）的一种非参估计，并证明该估计具有逐点相合性，一致相合性及Ｌ１相合性．     

NA相依样本下固定设计非参数回归权函数估计

在NA相依样本下,研究固定设计非参数回归权函数估计的强相合性和完全收敛性,获得了一些较合理的充分条件,较好地推广和改进了Georgiev在独立情形下所得到的相应结论。     

分组数据情形下对数正态分布参数的最大似然估计

我们研究了分组数据情形下对数正态分布所含参数的最大似然估计存在且唯一的充要条件，进而得到了最大似然估计具有强相合性及收敛速度服从重对数律的结论。     

NA样本最近邻密度估计的相合性

在NA样本下研究最近邻密度估计的相合性，给出弱相合性、强相合性、一致强相合性以及它们的收敛速度的充分条件．同时研究了失效率函数估计的一致强相合性     

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     

相协样本半参数回归模型估计的强相合性

考虑半参数回归模型Y^(j)(xin,lin)=tinβ g(xin) e^(j)(xin)，1≤j≤m，1≤i≤n,利用最小二乘法和权函数估计方法，定义β，g的估计量βm,n和gm,n(x)，在负相依样本及较弱的条件下证明了这些估计的强相合性，得到了与独立情形一致的结论．     

相依样本下条件中位数L1模核估计的相合性

本文在样本序列为同分布的φ－混合的情形下，研究了条件中位数Ｌ１－模核估计的逐点强、弱相合性。     

ARMA序列MA参数G—M估计的强相合性

文献［１］给出了ＡＲＭＡ序列ＭＡ参数的Ｇ－Ｍ估计,并证明了估计的渐近正态性．本文证明了这种估计的强相合性．     

线性模型中回归参数的最佳逼近M－估计

本文首先提出了选取回归参数Ｍ－估计中函数ρ的一种新原则，然后利用ρ的最佳逼近函数定义了一种新估计－ＢＡＭＥ．并证明了其强相合性；讨论了其稳健性，较比通常的Ｍ－估计，ＢＡＭＥ有以下优点：（１）ρ的选取充分利用了误差的分布信息；（２）具有显式表达，其算法方便；（３）相合性的证明相当于ＬＳ－估计的复杂程度，比Ｍ－估计简单得多．     

截尾数据非参数回归函数加权核估计

在截尾数据下研究非参数回归函数加权核估计的相合性,对强相合性给出一些较弱的充分条件,这些结论较大程度地改进了现有的结论．     

Ⅰ型区间删失情形下部分线性模型Sieve极大似然估计渐近性质

本文在响应变量的观测值为Ⅰ型区间删失数据的情形下,讨论部分线性模型Ｓｉｅｖｅ极大似然估计的渐近性质．在一定条件下证明了该估计具有强相合性;参数分量的估计具有渐近正态性,并且是渐近有效的;非参数分量估计达到了最优弱收敛速度．     

ρ混合序列下CVaR估计的渐近性质

讨论了在样本为ρ混合序列的情形下,CVaR估计的强相合性和渐近正态性,并且给出了它们各自的收敛速度.