截尾寿命试验中参数的 MLE 的收敛速度

本文所考虑的截尾寿命试验是一种包含定时和定数截尾的混合型寿命试验。它的做法是从总体中随机抽取 n 个个体,同时进行寿命试验。如果在时刻 T 之前观察到 r_n 个个体“寿终”,则试验就在第 r_n 个寿终的时刻停止,否则就进行到时刻 T 为止。确切地,设 n个样品的寿命为 X_1(ω),X_2(ω),…,X_n(ω),它们均取值于(0,∞),为样本空间((?),(?),P_θ∶θ∈Θ)上相互独立同分布的随机变量。P_θ{X_i(ω)x}=F(x,(?)θ)(1≤i≤n),且F(x,θ)具有密度函数 f(x,θ)。这里θ∈Θ,Θ是 m 维欧氏空间中非空开集。设 X_1~(n)(ω)≤X_2~(n)(ω)≤…≤X_n~(n)(ω)是 X_1(ω),X_2(ω),…,X_n(ω)的从小到大的变叙。令     

m相依样本均值的Bootstrap及其随机加权逼近的收敛速度

本文研究了ｍ相依样本均值的Ｂｏｏｔｓｔｒａｐ及随机加权逼近问题，讨论了有关收敛速度。     

混合截尾似然比的局部渐近正态性及应用

本文对于一类包含定数和定时截尾寿命试验的混合型寿命试验,建立了基于截尾数据的似然比的局部渐近正态性。由此我们得到了基于截尾数据的MLE和Bayes估计的渐近性质。     

条件L泛函的核估计及其Bootstrap逼近

设(X,y)为取值于 R~d×R~1的随机变量,X 具有边缘分布 F(x),Y 关于 X 的条件分布为 F(y|x).对于条件 L 泛函θ_1(x)=integral from n=0 to 1 J(y)F~(-1)(y|x)dy(1)θ(x)=integral from n=0 to 1 J(y)F~(-1)(y|x)dy+sum from j=1 to k a_jF~(-1)(p_j|x)(2)在[1]中曾给出了它们的近邻估计,并讨论了估计的渐近性质(其中 F~(-1)(x)=inf{t:F(t)≥x}).在本文中,我们将用核函数方法构造它们的另一类估计,并讨论估计的一些渐近性质.设(X_1,Y_1),(X_2,Y_2),…是(X,Y)的一个样本列,取 w_n_i(x)=K((x-X_i)/h_n)/sum from i=1 to n K((x-X_i)/h_n),其中 K 为 R~d 上的概率密度函数,并有0相似文献   

均匀次序统计量的线性组合的渐近展开的非一致界限

Van Zwet 在1979年研究了均匀次序统计量的线性组合的渐近展开,他给出了展开余项的一致估计.本文改进了这一结果,得到了余项的非一致估计.     

条件L泛函的最近邻估计及其Bootstrap逼近

本文用最近邻方法构造了条件L泛函θ(x_0)=integral from 0 to -1(F~(-1)(y|x_0)J(y)dy)+sum from j=1 to m(a_jF~(-1)(p_j|x_0))的估计,并证明了估计序列的渐近正态性。还构造了估计序列的Bootstrap统计量,并讨论了它们的渐近性质。     

随机加权法的渐近展开

本文讨论了样本均值规范化误差(X-μ)/σ之分布函数F_n(x)的模拟问题。在本文中采用了一种与Bootstrap方法不同的方法——随机加权法。记F_n~*为∑(X_i-X)V_i/σ~*(∑(X_i-X)V_i)之分布,其中(V_1,…,V_n)遵从Dirichlet分布,σ~(*2)表示X_1,…,X_n固定之下∑(X_i-X)V_i之方差。本文的主要结论是当 E|X_i|~3<∞时,n~(1/2)sup|F_n~*(x)-F_n(x)|→0,a.e.。     

非截尾型 L 统计量的 Bootstrap 逼近

For the L-statistic T■=intergral from 0 to 1 F_n~(-1)(t)J(t)dt sum from j=1 to n a_jF_n~(-1)(P_j),under the assump-tion that J(u) is continuous on [0,1] (that is,T(F_n) is a nontrimmed L-statisticand other conditions on F(x),we use the bootstr 这里 J 为[0,1]上的可积函数,F~(-1)(t)(?)inf{x:F(x)≥t},0相似文献   

广义线性模型——理论和方法

广义线性模型是经典线性模型的一种直接推广.本文介绍广义线性模型的一些基本理论和方法,内容包括:模型的提出;模型的参数估计及估计的大样本性质;模型的检验及一些检验统计量的渐近结果.最后,对二值回归、对数线性模型、具有常变异系数的回归等特例,介绍一些具体结果.     

线性模型中的随机加权逼近

本文利用随机加权的思想,给出了线性模型中回归系数的可估函数LS估计的误差分布的一种估计方法。这种方法比通常的正态逼近方法更精确,并且由它给出的方差估计具有模型稳健性。