A LAW OF THE ITERATED LOGARITHM FOR NONPARAMETRIC CONDITIONAL DENSITY ESTIMATORS

We establish a law of the itearted logarithm for a triangular array of indepentent random variables, and apply it to obtain sharp pointwise rates of strong consistency for a large class of nonparametric estimators of bivariate density and conditional density. We consider the case of double kernel estimators anal trigonometric series estimators in detail.     

基于次序统计量之伴随量的非参数回归的强相合性

设(X,Y),(X_1,Y_1),(X_2,Y_2),…是 i.i.d.二维随机变量,m(x)=E(Y|X=x)是回归函数.Yang,S.S.构造了 m(x)的下述估计:记 X_(i=n) 是 X_1,…,X_n 的第 i 个次序统计量,Y_([i∶n]) 是 X_(i∶n)相应的伴随量,则m_n(x)=1/(nh_n) sum from i=1 to n K((i/n-F_n(x))/h_n)Y_([i∶n]) (1.1)是 m(x)的一个估计,其中 F_n(x)是 X_1,…,X_n 的经验分布函数,K(·)是 R 上的一个概率密度函数而{h_n}是一个正常数序列,易见 m_n(x)可应用在许多非标准情形,如 X 的观察值已自然地排好序或 X_(i∶n)比 X_i 更容易获得等.与古典强大数定律相比,一个在理论上很有兴趣的问题是假定 E|Y|<∞,能否找到 m(x)的强相合估计.成平及成平、赵林城分别用截尾的核估计和近邻估计的方法肯定地回答了这一问题.对于由(1.1)定义的 m_n(x),我们也可以讨论如下截尾形式的     

回归函数的相合随机窗宽核估计

令(X,Y)为取值于 R~d×R 的随机向量,(X_1,Y_1),……,(X_n,Y_n)为抽自(X,Y)的分布的 iid.样本,m(x)(?)E(Y|X=x)称为 Y 对 X 的回归函数.1964年,Watson和 Nadaraya 首先提出用     

条件密度的强相合的双重核估计

根据从总体抽取的一个样本去估计总体分布的密度函数,在实际应用中具有重要意义.然而在非参数回归、条件分布和条件分位数的估计时,经常要用到条件密度,为此,我们考虑条件密度如下形式的核估计.     

MEAN SQUARE ERROR FOR UNIFORMKERNEL ESTIMATE AND NEAREST NEIGHBOR ESTIMATE OF NONPARAMETRIC REGRESSION FUNCTIONS

Let (X_(?), Y_(?)), i=1, …, n be R~d×R~1-valued iid. samples taken from (X, Y). We denote the regression function by m(x)=E(Y|X=x). In this paper we consider the Mean Square Error (MSE) of two usual estimates of m(x_0) based on (X_(?), Y_(?)), i=1,…, n at a point x_0, the Uniform-Kernel Estimate m_n(x_0) and NN-Estimate (x_0). We prove that under some reasonable conditions the lowest asymptotic MSE attained for these two estimates have the same form: where C(x_0) is a constant depending on x_0. Hence from the point of view of MSE, one has no reason to claim superiority of m_m(x_0)to (x_0) or vice versa.     

NECESSARY CONDITIONS OF L_1-CONVERGENCE OF KERNEL REGRESSION ESTIMATORS~*

Let(X_1,Y_1),…,(X_n,Y_n,)be iid.and R~d×R-valued samples of(X,Y).The kernel estima-tor of the regression function m(x)(?)E(Y|X=x)(if it exists),with kernel K,is denoted byMany authors discussed the convergence of m_n(x)in various senses,under the conditionsh_n→0 and nh_u~d→∞ asn→∞.Are these conditions necessary?This paper gives an affirmativeanswer to this bprolemuithe case of L_1-conversence,when K satisfies(1.3)andE(|Y|log~ |Y|)<∞.     

单参数指数型分布族中的可容许估计

§1 引言1958年,Karlin 在平方损失下,对于单参数指数型分布族 p(x,θ)-β(θ)·e~,得到了ax 是 E_θx=-β′(θ)/β(θ)的可容许估计的充分条件,即众所周知的 Karlin 定理.并且[1]对于两种类型的截断型分布族 p(x,θ)=q(θ)·r(x),b>x>θ和 p(x,θ)=q(θ)·r(x),a<α<θ,证明了(2a+1)/(a+1)·q~(-a)(x)是 q~(-a)(θ)(0<α<∞,已知)的可容许估计.1961年,Katz 对单参数指数型分布族,讨论了限制参数空间的可容许估计问题.1964年,成平应用 Cramr-Rao 不等式,把 Karlin 定理推广到更为一般的情况.1977年,Ghosh 和 Meeden 及1981年,     

回归函数核估计的强相合性

设(X_i,Y_i),i=1,…,n是从取值于R~d×R~1的随机向量(X,Y)中抽取的iid.样本。设E|Y|<∞,而以m(x)=E(|Y|X=x)表示回归函数。在本文中,我们考虑m(x)的通常的和递推形式的核估计:其中K(x)假定是R~d上的概率密度,而h_n>0。我们在K(x)很弱的条件下建立了m_n~((i))(x)的a.s.收敛性,i=1,2,3,但是要求X的边际分布具有密度,这种情况曾在Schuster和Yakowitz中讨论过,那里,更要求(X,Y)的联合分布有概率密度。     

ASIS�㷨�Ƿ�Ӧ�ù㷺����?

本文将辅助--充分交织策略, 即Yu和Meng (2011)中提到的ASIS算法, 应用于Gibbs抽样算法中以提高两个方差参数的收敛性. 我们通过对潜在规模缩减因子(PSRF)、轨迹图及后验估计 比较了ASIS算法与普通Gibbs抽样算法的性能, 其中一个参数的收敛性有了很大的提高, 但另一个参数没有很明显的提高. 然而, 由于ASIS算法相与普通的Gibbs抽样算法相比极大地减少了为达到收敛所 需要的循环次数, 整体的抽样性能得到了极大的提高.     

概率密度的均匀核估计与近邻估计的均方误差

In this paper we consider the Mean Square Error (MSE) of two uaual estimates of density function f(x) at a point x: The uniform kernel estimate f_n(x) and the NN estimate fn(x). we- show that when f is differentiable for sufficiently high order at x. these MSE can be expanded in a form E(f_n(x)-f(x))²=A₁(x)n^-4/5 +A₂(x)n^-1+A₃(x)n^-6/5+…;E(f_n(x)-f(x))²=B₁(x)n^-4/5 +B₂(x)n^-1+B₃(x)n^-6/5+… And if we suitably choose the parameters in f_n and f_n to make A₁(x) and B₁(x)to assume its minimunm value, then we also, have A₂(x) =B₂(x) but A₃(X) differs form B₃(X). This result shows that while the two estimates are not identical with respect to MSE. each one can be superior to the other in various special cases.