B—值鞅大数定律的收敛速度

本文首先将条件Levy不等式做了推广，在此基础上得当了可分巴氏空间中与Gerold Alsmeyer（[1]）相类似的结果。     

空间数据变系数回归中的B-spline估计法

本文借助B—spline函数逼近开发了一种整体估计程序,用以估计变系数回归中的未知系数函数．在较弱假设条件下,建立了未知函数B—spline估计量的整体收敛速度,渐近性结果显示B-spline估计量达到了最优收敛速度,并推导了未知函数B—spline估计量的渐近分布．本文还给出了一种光滑参数选择方法,通过Monte Carlo模拟研究了估计量的有限样本性质,并用文中提出的方法分析了1980年美国总统选举投票数据．     

变系数模型中的一步估计法

提出一步估计方法用以估计变系数模型中具有不同光滑度的未知函数. 在这一方法中, 不同阶的多项式用来逼近不同光滑度的未知函数. 由于只使用一次极小化, 所需计算量要比现有的两步方法少得多. 一步估计量被证明达到了最优收敛速度, 而且, 这一性质是在比两步估计法更弱的条件下得到的. 更重要的是, 由于只执行一次极小化, 估计量的所有渐近性质, 不仅是渐近偏差、方差, 而且渐近分布都能推出. 渐近分布将在统计推断中起着重要作用.     

变系数模型中的逐元估计法

提出了一种叫做逐元估计法的方法用来估计变系数模型中的未知函数和它们的导数,构造了一种快速选择估计量窗宽和快速计算大量估计点的方法,推导了估计量的渐近正态性.通过Monte Carlo模拟研究了估计量的有限样本性质.     

空间半参数变系数部分线性回归中的分位数估计

本文研究了空间数据变系数部分线性回归中的分位数估计. 模型中的参数估计量通过未知系数函数的分段多项式逼近得到, 而未知系数函数的估计量通过将参数估计量代入模型中并通过局部线性逼近得到. 文中推导了未知参数向量估计量的渐近分布, 并建立了未知系数函数估计量在内点及边界点的渐近分布. 通过Monte Carlo 模拟研究了估计量的有限样本性质.     

变系数模型中的逐元B-Spline估计法

给出了一种用于估计变系数模型中未知函数的逐元B-Spline方法,建立了估计量的局部渐近偏差,方差和渐近正态分布,开发了一种快速选择估计量窗宽的方法,通过Monte Carlo模拟研究了估计量的有限样本性质.     

纵向数据变系数模型中的减元估计法

纵向数据变系数模型常应用于传染病学、生物医学和环境科学等领域. 本文提出了一种称为减元估计法的方法来估计模型中的未知函数和它们的导数. 减元估计法既适用于系数函数具有相同光滑度的情形, 也适用于系数函数具有不同光滑度的情形; 既适用于变量不依赖于时间的情形, 也适用于变量依赖于时间的情形. 给出了一般条件下估计量的局部渐近偏差、方差和渐近正态性, 并且渐近性结果显示: 当系数函数具有不同的光滑度时, 减元估计量的渐近方差比现有方法得到的估计量的渐近方差要少. 本文还通过 Monte Carlo 模拟研究了估计量的有限样本性质.     

系数函数光滑度互不相同的变系数模型的一步估计法

该文提出了一种一步估计方法用以估计变系数模型中具有互不相同光滑度的未知函数, 所有未知函数和它们的导数的估计量由 一次极小化得到. 给出了估计量的渐近性质, 包括渐近偏差、方差和渐近分布, 一步估计量被证明达到了最优收敛速度.