拟似然非线性模型中最大拟似然估计的强相合性

This paper proposes some regularity conditions. On the basis of the proposed regularity conditions, we show the strong consistency of maximum quasi-likelihood estimation （MQLE） in quasi-likelihood nonlinear models （QLNM）. Our results may be regarded as a further generalization of the relevant results in Ref. [4].     

Sufficient And Necessary Condition For Convergence of Conditional Error Probability in NN-Pattern Discrimination

Let (θ_1,X_1),…, (θ_n,X_n), (θ, X) be iid random vectors ,where θ∈{0,1},X∈R~d Denote by θ′_n the nearest neighbour discriminator of θ based on the training samples (θ_1,X_1),…, (θ_n,X_n) and the observed X; put and This paper gives a sufficient and necessary condition for as n→∞, namely (P(θ=0, X=x)-P(θ=1, X=x))~2·P(θ=0, X=x)·P(θ=1, X=x)=0 for every x∈R~d.This generalizes a previous result of the authors [5] and improves a result of Wagner, T.J. [2].     

无界混合序列强律的收敛速度

本文进一步研究无界相依随机变量序列部分和的Marcinkiewicz-Zygmund强律的收敛速度,在对随机变量的矩给出一定的限制时,关于无界ψ-混合序列(未必平稳)得到了与[2]中主要结果相类似的结论。     

风险模型中重尾随机变量和的若干大偏差结果

进一步研究随机变量部分和与随机和的大偏差,其中S(n)=∑ni=1Xi,S(t)=∑N(t)i=1Xi(t>0).{Xn,n≥1}是一个独立同分布的随机变量(未必是非负的)序列具有共同的分布F(定义于R上)和有限期望μ=EX1.{N(t),t≥0}是一个非负的整数值的随机变量的更新计数过程且与{Xn,n≥1}相互独立.本文在假定F∈C条件下,进一步推广并改进了由Klüppelberg等和Kaiw等人给出的一些大偏差结果.这些结果可应用到某些金融保险方面的一些特定的问题中去.     

T分布族对数似然方程根的大样本性质

对一类具体的分布族——T分布族中的参数θ,证明了存在θ的一个强相合且最优渐近正态估计θn*,它以概率1当n充分大时是对数似然方程的根.     

多元线性模型中回归系数的线性可容许估计

基于Zellner的平衡损失的思想,本文提出了矩阵形式的平衡损失函数,并在该损失函数下讨论了多元回归系数线性估计的可容许性.给出了六种不同形式的可容许定义,证明了这六种容许性在齐次和非齐次线性估计类中是一致的,且得到了其共同的可容许估计的充要条件.     

两参数Wiener过程增量的若干结果

芍1.引言 设{『(气功,O喊气岁T丁记入,一{Za:(bTaFI+In(1十InbTa芬万))}一丁。:一{sa:(1二黝护+…     

对于大额索赔的平衡更新模型的破产概率

本文研究平衡更新风险模型的破产概率ψ(x),这里x为保险公司初始的资本金.在假定索赔额服从重尾分布的条件下,给出了当x→∞时,ψ(x)的尾等价关系,所得结果与经典的Cramer-Lundberg模型下的结论完全一致.     

关于秩统计量的Cramér型大偏差

本文讨论线性秩统计量、符号线性秩统计量、次序统计量函数的线性组合和秩组合统计量的Cram(?)r型大偏差问题,在减弱[5]中主要定理的假定的条件下,得到了同样的结论.在独立同分布情形,当φ′(x)在(0,1)上满足Lipdchitz条件时,在减弱[3]中主要定理的条件下,也得到了同样的结果。     

NN-模式识别中条件误差概率收敛性的充要条件

Let (θ₁,X₁),…, (θ_n,X_n), (θ, X) be iid random vectors ,where θ∈{0,1},X∈R^d Denote by θ′_n the nearest neighbour discriminator of θ based on the training samples (θ₁,X₁),…, (θ_n,X_n) and the observed X; put(?). This paper gives a sufficient and necessary condition for (?) as n→∞, namely (P(θ=0, X=x)-P(θ=1, X=x))²·P(θ=0, X=x)·P(θ=1, X=x)=0 for every x∈R^d.This generalizes a previous result of the authors [5] and improves a result of Wagner, T.J. [2].