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．  

污染数据回归分析中估计的强相合性

考虑简单回归模型（Ⅰ）yi＝α＋xiβ＋εi，i＝1，2，…，n，与半参数回归模型（Ⅱ）yi＝xiβ＋g（ti）－εi，i＝1，2，…，n，其中Eεi＝0，Eεi2＝σ12．假定y1，y2，…，yn受到另一独立同分布随机变量序列μ1，μ2，…，μn的污染，且仅能观察到污染数据，｛μi｝与｛yi｝独立．对文[1]，[2]中给出的α，β，g（·）及污染参数v的估计，本文在适当的条件下，证明了它们的强相合性．  

固定设计下半参数回归模型估计的相合性

对于固定设计下的半参数模型yi=x1β g(ti)┬ei=1，2……，n本文综合最小二乘法和一般的非参数权估计方法，定义了β，g的估计量-βn，-gn及误差方差口α^2=Ee^21的估计量-α^2n，并在适当条件下，证明了它们的强相合性与P(≥2)阶平均相合性．  

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。  

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．  

固定设计下半参数回归模型的参数估计的Bootstrap逼近

考虑固定设计下的半参数回归模型： ｙ_ｉ＝ｘ_ｉβ＋ｇ（ｔ_ｉ）＋ ｅ _ｉ，ｉ ＝１， ２，…； ｎ． 对利用一般非参数估计法结合最小二乘法得到的参数分量β和误差方差σ~２的估计量β_ｎ和σ_ｎ~２，通 过重抽样的方法构造了β_ｎ和σ_ｎ~２的 Ｂｏｏｔｓｔｒａｐ统计量β_ｎ~＊和 σ_ｎ~（＊２），并证明了在给定原样本的条件下，ｎ~（１／２） （β_ｎ－β_ｎ）和（σ_ｎ~（＊２）－σ_ｎ~２）分别与ｎ~（１／２）（β_ｎ－β）和ｎ~（１／２）（σ_ｎ~２－σ~２）有相同的渐近分布．  

固定设计下半参数回归模型参数估计的收敛速度

考虑固定设计下的半参数回归模型：yi=xiβ＋g（ti）＋ei，i=1，…，n．其中{ei}为随机误差，且Ee1=0，Ee12=σ2＞0，对利用通常采用的非参数权函数法结合最小二乘法得到的参数β和σ2的估计量和，本文在适当条件下得到了和的精确的收敛速度-重对数律．  

NA样本下半参数回归模型估计的强相合性

考虑固定设计下的半参数回归模型；yi=xiβ g(ti) ei,i=1,2……，n，在{ei}为Eei=0,Ee^2i=σ^2i的NA序列时，得到了一类估计的强相合性。  

L-统计量的Edgeworth展开和Bootstrap逼近

文「１」讨论了Ｌ－统计量的一种能达到０（１／√ｎ）精确性的Ｂｏｏｔｓｔｒａｐ逼近，本文则在适当条件下，证明了上述Ｂｏｏｔｓｔｒａｐ逼近能达到精确性０（１／√ｎ），并给出了Ｌ－统计量的一阶Ｅｄｇｅｗｏｒｔｈ展开的估计。  

NA样本下一般形式的密度估计

Campos和Dorea(2001)在独立同分布样本下讨论了一般形式的核密度估计,得到了与连续型密度和离散型密度类似的结果,并将他们作为特例.本文则在NA样本下给出了类似的结果.