非参数回归函数最近邻估计的强收敛速度

<正> §1.引言 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)为iid d×1维随机向量,E|Y|<∞.对x=(x~(1)),…,x~(d))∈R~d,取‖x‖为欧氏模或对固定的x∈R~d,将(X_1,Y_1),…,(X_n,Y_n)按照     

两阶段抽样的序贯密度估计

§1 引言 设X_1,…,X_n为自一维总体中取出的iid样本,F(x)及f(x)分别为总体的分布函数及密度函数。为估计f(x),Wolverton和Wagner,以及Yamato独立地进行了递归密度估计 f_n(x)=1/n sum from j=1 to n(1/h_j k(x-x_j/h_j)) (1) 此处,K(x)为核密度,{h_j}为一串趋于0的正数。 设x固定,且f(x)>0。1976年,Carroll在[3]中利用Bickel和Wichura关于多参数过程弱收敛的准则,构造了f(x)的Chow-Robbins意义下的序贯区间估计(参看[5])。     

广义线性模型极大似然估计的强相合性与渐近正态性

本文研究了若干重要类型的离散响应变量广义线性模型,在sum from i=1 to n ZiZi'的最小特征根大于cnα(对某个c>0,α>0)等条件下证明了回归参数向量的极大似然估计的强相合性与渐近正态性,其中设计阵序列{||Zn||}可以为无界序列.     

非参数回归核估计的强相合性

一、引言 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)为取值R~d×R的i.i.d变量,以F记X的分布,Y对X的回归函数为m(x)=E(Y|X=x)。(1)最近,一些作者讨论了回归函数的估计问题。一类非参数核估计定义为     

非参数回归函数之改良基于分割的估计的强相合性（英）

设(X,Y),(X1,Y1),…,(XnYn)为取值于 Rd× R的 i．i．d．随机变量,E(|Y|) ＜∞．设mn(x)为回归函数m(x)=E(|Y|X=x)基于分割的估计,本文在对mn(x)进行改良的条件下得到改良的基于分割的强相合估计．     

WEAK INVARIANCE PRINCIPLE FOR FINITE-POPULATION U-STATISTICS

Under the weakest possible conditions,we establish the weak invariance principle for finite-population U-statistics in this paper.It is worth while to point out that,for the sampling withoutreplacement,the sequence of random elements in C[0,1],associated with the sample partial sums orthe U-statistics,converges in law to the standard Brown bridge,but not to the Brown motion as inthe usual case of replacement sampling.     

方向数据密度函数核估计的重对数律

本文讨论方向数据密度函数核估计的逐点收敛速度问题,在较为温和的条件下建立了该核估计的重对数律并给出了它的逐点最优收敛速度.     

ɾʧ�ع�ģ����һ��LASSO�ͱ���ѡ��͹��Ʒ���

删失回归模型是一种很重要的模型,它在计量经济学中有着广泛的应用. 然而,它的变量选择问题在现今的参考文献中研究的比较少.本文提出了一个LASSO型变量选择和估计方法,称之为多样化惩罚$L_1$限制方法, 简称为DPLC. 另外,我们给出了非0回归系数估计的大样本渐近性质. 最后,大量的模拟研究表明了DPLC方法和一般的最优子集选择方法在变量选择和估计方面有着相同的能力.     

球面密度估计的积分平方误差的中心极限定理

设X ₁ , X₂,…, X_n是在R^Q+1的q-维单位球面Ω_Q取值的随机变量X的iid观测值(q≥1), 其球面概率密度函数为f(X).设f_n ( X)=n^-1(h)K((1- X^ＴXⁱ)／h²)是f(X)的核估计. 在较弱的条件下建立了f_n的积分平方误差的中心极限定理.     

一类离散分布参数的经验Bayes估计的收敛速度

In this paper we consider a family of discrete distributions f_θ(x)dμ(x), and suppose that the Bayes estimate of φ(θ) with respect to the priori distribution H∈H has a form dH(x) =(?)a_k(x)f(x+k)/f(x). where f(x)=∫f_θdH(θ) . we construct asequence of empirical Bayes estimates and establish its rate of convergence, and prove that under suitable conditions this rate of convergence can arbitrarily close to 1. we also give a counter-example to the main Theorem 2.1 of [5], and then declare that the "Theorem" does not hold.