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：Ｙ_i＝Ｍ（Ｘ_i）＋ｅ_i，其中Ｍ（ｘ）为Ｂ（?Ｒ）上的未知实函数，（Ｘ_i，Ｙ_i）为来自（Ｘ，Ｙ）的ｍ（ｎ）相依样本，残差（ｅ_i）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．     

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。     

混合误差下回归权函数估计的强相合性

对非参数模型Ｙｉ＾（ｎ）＝ｇ（ｘｉ＾（ｎ））＋ξｉ＾（ｎ）,用权函数ｇｎ（ｘ）＝Σ↑ｎ↓ｉ＝１Ｗｎｉ（ｘ）Ｙｉ＾（ｎ）;估计ｇ（ｘ）,在误差为某些相依随机变量列下,我们获得了ｇｎ（ｘ）,的强相合性及一致强相合性。     

相依样本下条件密度双重核估计的强相合性

设（Ｘ１，Ｙ１），…，（Ｘｎ，Ｙｎ）是从取值于Ｒ＾ｐ×Ｒ＾ｑ的随机向量（Ｘ，Ｙ）中抽取的随机样本，在给定Ｘ＝ｘ的条件下Ｙ具有条件密度ｆ（ｙ│ｘ）。在本文中，我们考虑ｆ（ｙ│ｘ）的通常的和递归形式的双重核估计ｆｎ（ｙ│ｘ）＝ｎ∑ｉ＝１Ｋ１（Ｘｉ－ｘ／ａｎ）Ｋ２（Ｙｉ－６／ｂｎ）／〔ｂｎ＾ｑｎ∑ｊ＝１Ｋ１（Ｘｊ－ｘ／ａｎ）〕ｆｎ（ｙ│ｘ）＝ｎ∑ｉ－１Ｋ１（Ｘｉ－ｘ／ａｉ）Ｋ２（Ｙｉ－ｙ／ｂｉ）／ｎ∑ｊ     

半参数回归的线性小波光滑

考虑半参数回归模型上未知函数,ｙｉ＝ｘ_ｉβ＋ｇ（ｔｉ）＋ｅｉ,１≤ｉ≤ｎ,ｇ（·）为Ｒ~１上未知参数,β∈Ｒ~ｐ为待估参数, Ａｎｔｏｎｉａｄｓ［３］中给出了非参数回归模型的小波估计,借鉴［３］我们利用偏残差法给出了β、ｇ（·）的小波估计β、ｇ（·）．本文研究了β、ｇ（·）的弱相合性及它们偏差和方差的渐近性质,并且得到了β的渐近正态性．     

NA样本下部分线性模型中估计的强相合性

考虑回归模型：ｙｉ＝ｘｉβ＋ｇ（ｔｉ）＋σｉｅｉ，１＜ｉ＜ｎ，其中σ_ｉ～２＝ｆ（ｕｉ），（ｘｉ，ｔｉ，ｕｉ）是固定非随机设计点列，ｆ（·）和ｇ（·）是未知函数，β是待估参数，误差｛ｅｉ｝为ＮＡ变量．我们对β的最小二乘估计βｎ和加权最小二乘估计Ｂｎ，在适当的条件下得到了它们的强相合性．     

非参数回归估计中CV和GCV准则的渐近最优性

设非参数回归模型ｙｉ＝ｆ（ｘｉ）＋εｉ，ｉ＝１，．．．，ｎ，ｆ（ｘ）是〔０，１〕上的未知的非参数回归函数，ｆ（ｘ）的核估计具有一个光滑参数ｈ分别利用ＣＶ和ＧＣＶ准则来选择参数ｈ，得到ｆ（ｘ）的核估计及相应的Ｓｔｅｉｎ估计，本文证明了这类估计在强收敛意义下是渐近最优的。     

相依样本下密度函数及其导函数的相合随机窗宽核估计

设（Ｘｎ）是Ｒ＾１中的平稳，强混合序列，具有公共的密度ｆ（ｘ），则可定义ｆ（ｘ）及其导函数ｆ＾（ｒ）（ｘ）的核估计与最近邻估计ｆ＾（ｒ）ｎ（ｘ）＝（ｎｈ＾ｒ＋１ｎ（ｘ））＾－１ｎ∑ｉ＝１Ｋ＾（ｒ）（Ｘｉ－Ｘ／ｈｎ（ｘ）），ｆｎ（ｘ）＝（ｎａｎ（ｘ））＾－１ｎ∑ｉ＝１Ｋ（Ｘｉ－ｘ／ａｎ（ｘ））其中核函数Ｋ（Ｘ）为取定的概率密度函数，且具有ｒ（ｒ≥０）阶导数，窗宽ｈｎ（ｘ）＝ｈｎ（ｘ；Ｘ１，．．．，Ｘ     

部分线性模型中估计的强相合性

考虑回归模型：ｙｉ＝ｘｉβ＋ｇ（ｔｉ）＋σｉｅｉ，１ｉｎ，其中σ２ｉ＝ｆ（ｕｉ），（ｘｉ，ｔｉ，ｕｉ）是固定非随机设计点列，ｆ（·）和ｇ（·）是未知函数，β是待估参数，ｅｉ是随机误差．对文［１］给出的基于ｇ（·）及ｆ（·）的一类非参数估计的β的最小二乘估计＾βｎ和加权最小二乘估计βｎ，我们在适当条件下证明了它们的强相合性．     

删失场合半参数回归模型的二阶段估计

对于半参数回归模型ｙｉ＝ｘ′ｉβ＋ｇ（ｔｉ）＋ｅｉ，１≤ｉ≤ｎ，ｇ为Ｒ１上未知函数，β为ｐ×１维待估参数向量．本文考虑当ｙｉ被随机删失时β和ｇ的估计．基于模型的可加性，利用综合数据法得到β的二阶段估计β～＊ｎ和ｇ的估计ｇ＊ｎ，并证明了它们的强相合性．     

截尾数据的非参数回归函数的核估计

基于｛（Ｘｉ，Ｚｉ，δｉ），１≤ｉ≤ｎ｝，我们建立了Ｅ（Ｙ│Ｘ＝ｘ）的估计ｍｎ（ｘ）和ｍ＾ｎ（ｘ），并证明了估计量的强弱相合，积分绝对误差的强相合与平均相合性。     

非线性回归M-估计的信赖域算法

１引言 考虑具有随机载荷的非线性回归模型其中（Ｘｉ,ｙｉ）　　是ｉ．ｉ．ｄ．随机序列,具有公共分布　　　　　　是已知的回归函数,β　Ｒｍ是未知参数向量,误差ｉ与兄独立　　　．为简单计,本文假设　　　＝１且ｆ（ｘ,·）是连续可微函数． 如何根据观察值（Ｘ１,ｙ１）,…,（Ｘｎ,ｙｎ）对回归参数向量β进行有效地估计,这是一个重要的统计问题．由于传统的最小二乘法关于残差异常值不具有稳健性,因此,迫使人们考虑新的估计方法．Ｈｕｂｅｒ最早提出了线性回归的稳健Ｈｕｂｅｒ估计,后又推广成一般形式的Ｍ－估计、ＧＭ…     

相依样本下非参数回归函数递推型核估计的渐近分布

设（Ｘｉ，Ｙｉ）１≤ｉ≤ｎ为来自二元总体（Ｘ，Ｙ）的平稳，φ－混合样本，记ｍ（ｘ）△Ｅ（Ｙ│Ｘ＝ｘ），ｍ（ｘ）的一种递推型核估计为ｍｎ（ｘ）＝ｎ∑ｉ＝１ｈｉ＾－１Ｙｉｋ（（ｘ－Ｘｉ）／ｈｉ）／ｎ∑ｊ＝１ｈ＾－１ｊｋ（ｘ－Ｘｊ）／ｈｊ）。本文在一定的条件下证明了（ｎ／（ｎ∑ｊ＝１ｈ＾－１ｊ）＾１／２）（ｍｎ（ｘ１）－ｍ（ｘ１），ｍｎ（ｘ２）－ｍ（ｘ２），．．．ｍｎ（ｘｒ０）－ｍ（ｘｒ０））′依分布收     

回归函数非线性小波估计的一致强相合性

设（Ｘ_１,Ｘ_１）,…,（Ｘ_ｎ,Ｙ_ｎ）是从总体（Ｘ,Ｙ）中抽取的ｉ．ｉ．ｄ样本且服从［０,１］上的均匀分布．本文在平方积分损失下得到了回归函数ｇ（ｘ）＝Ｅ（Ｙ｜Ｘ＝ｘ）的非线性小波估计的一致相合性．     

部分线性模型中估计的渐近正态性

考虑回归模型其中是未知函数，（ｘ＿ｉ，ｔ＿ｉ，ｕ＿ｉ）是固定非随机设计点列，β是待估参数，ｅ＿ｉ是随机误差。基于ｇ（·）及ｆ（·）的一类非参数估计（包括常见的核估计和近邻估计），我们构造了β的加权最小二乘估计，并证得了最小二乘估计和加权最小二乘估计的渐近正态性。     

基于若干个样本分位点的参数估计方法

本文提出了一种基于若干个样本分位点的参数估计方法。首先，对于来自具有连续分布函数Ｆ（ｘ，θ）的随机样本Ｘ１、Ｘ２，．．．Ｘｎ定义度量函数Ｍｎ（θ），利用度量函数亚估计未知参数θ０，并证明了此种估计在一定的条件下具有：存在性，相合性和渐近正态性；对于各种寿命分布的具体应用进行了探讨；最后，对本文所提出的方法进行了模拟计算，并把结果同Ｂａｉｎ－Ａｎｔｌｅ估计方法和回归方法进行了比较，得到了此种估计具有     

条件中位数L_1－模核估计的逐点相合性

设（Ｘ，Ｙ）．（Ｘ１，Ｙ１），（Ｘ２，Ｙ２），…为Ｒｄ×Ｒ１上ｉ．ｉ．ｄ．随机向量序列。Ｙ对Ｘ的条件中位数θ（ｘ）定义为在Ｘ＝ｘ时Ｙ的条件分布函数的中位数．校函数Ｋ（·）是Ｒｄ上正实值函数，对ｘ∈Ｒｄ，θ（ｘ）的Ｌ１－模核估计θｎ（ｘ）定义由（１）给出．本文中，我们将文献［４］的均匀核法推广至一般核的情况，并在定义了θ的Ｌ１－模核估计基础之上，研究了其逐点相合性质．     

污染数据回归分析中参数的最小一乘估计

考虑简单回归模型：ｙｉ＝ｘ′ｉβ＋ｅｉ,ｉ＝１,…,ｎ。其中Ｅｅｉ＝０,Ｅｅ＾２ｉ＝σ＾２１。假设ｙ１,ｙ２,…,ｙｎ受到另一独立同分布随机变量序列μ１,μ,…,μｎ的污染,我们仅能观察到污染数据ｙ＾＊ｉ＝（１－ν）ｙｉ,ν为未知的污染参数。本文用污染数据给出了β的最小一乘估计,并证明了它的渐近正态性和相合性。     

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。     

The Coset Group and Com ove Group

§１．　ＢａｓｉｃＤｅｆｉｎｉｔｉｏｎｓＬｅｔＸａｎｄＹｂｅｓｅｔｓ，ｆｏｒａｇｉｖｉｎｇｍａｐｐｉｎｇｆ：Ｘ→Ｙ，ｘ｜→ｙ＝ｆ（ｘ），ａｍａｐｐｉｎｇｆｏｎｐｏｗｅｒｓｅｔｃａｎｂｅｃｏｎｄｕｃｔｅｄｂｙｆ：ｆ：Ｐ（Ｘ）→Ｐ（Ｙ），Ａ｜→Ｂ＝ｆ（Ａ）＝｛ｙ｜ｘ∈Ａ，ｙ＝ｆ（ｘ）｝．　　Ｎｏｔｅｔｈａｔａｂｉｎａｒｙｏｐｅｒａｔｉｏｎｉｓａｓｐｅｃｉａｌｍａｐｐｉｎｇｏｎｓｅｔｓ．ＧｉｖｅｎａｂｉｎａｒｙｏｐｅｒａｔｉｏｎｏｎｓｅｔＸｓｕｃｈｔｈａｔ：：Ｘ×Ｘ→Ｘ，　（ｘ，ｙ）｜→ｘ…