非参数回归核估计的条件平均绝对误差的指数收敛速度

设(X,Y)、(X,Y_1),…,(X_n,Y_n)是取值于 R~d×R~1的 iid。随机向量,E|Y|<∞,在本文中将一直采用下面的记号:Z_n={(X_i,Y_i),i=1,…,n}—(X,Y)的已知样本。X~n={X_1,…,X_n}。Q——X 的概率分布测度。m(x)=E(Y|X=x)——Y 对 X 的回归函数。现设有了 Z_(?)并指定了 R~d 中的一个点 x,要依据它们对 m(x)作出估计。这就是一般的非参数回归问题。核估计法就是先选定 R~d 上定义的非负函数 K(x)作为核函数,那么可给出 m(x)的一个核估计     

k-U统计量的指数收敛速度

研究了k-U统计量的收敛速度,在一组适当的正则条件下,获得了k-U统计量的指数收敛速度,推广了U-统计量的指数收敛速度的相应结果.     

关于最近邻回归估计的收敛速度

设(X,Y),(X_1,Y_1),(X_2,Y_2),…为取位于 R~d×R~1上的 iid.随机向量序列,E|y|<∞.本文研究了回归函数 m(x)的最近邻估计 m_n(x)的强收敛速度问题,在一定条件下证明了它满足重对数律,即■(|m_n(x)-m(x))/(2∑_i~k1v_(ni)~2log logn)~(1/2)≤(2var(Y|X=x))~(1/2)a.s.     

广义U—统计量的指数收敛速度

文「１」研究了一样本Ｕ－统计量的指数收敛速度,本文则研究了广义Ｕ－统计量的指数收敛速度。     

U-统计量的指数收敛速度的进一步讨论

在独立未必同分布的情形下，对U－统计量的指数收敛速度进行了讨论，减弱文[2]中的部分条件，给出了类似的结果，同时对Von-Mises统计量也给出了指数收敛速度。     

关于U-统计量的非一致性收敛速度

研究了高阶矩条件下,U-统计量的非一致性收敛速度,给出了一系列平行于独立和的理想结果.     

半参数回归估计的相合条件

设有半参数回归模型ｙｉ＝ｘ’，β＋ｆ（ｔｉ）＋ｅｉ，ｉ＝１，．．．ｎ，其中｛ｔｉ｝为常数列，本文对｛ｘｉ｝为设计点列的情形，给出了β、ｆ（ｔ）有相合估计的条件；在｛ｘｉ｝为随机的情形，建立了ｆ（ｔ）估计的相合性。     

非参数回归函数核估计的收敛速度

<正> §1.引言及记号设(Y,X),(Y_1,X_1),…,(Y_n,X_n)为 iid.(1+d)维随机向量,E(|Y|)<∞,m(x)=E(Y|X=x)为回归函数.Watson,Nadaraya 首先提出的基于样本(Y_1,X_1),…,(Y_n,X_n)的 m(x)的核估计为     

失效率的非参数核估计及其收敛速度

本文讨论失效率的一类非参数核估计并在一定条件下给出了估计的一致强收敛速度。一批产品的寿命服从假定: 在年龄t时存活(未失效)的一个个体将死于(失效在)区间(t,t+△t)(△t≥0)的概率为λ(t)·△t+o(△t),把λ(t)称为失效率。并且假定个体在时刻t=0时未失效。把个体在时刻t或t以前失效的概率记为F(t)=P{T≤t},记f(t)=F＇(t),则由文知     

U-统计量的分布的非一致性收敛速度

Callaert和Janssen在只假定核的三阶矩有限的条件下,得到了U-统计量的分布的最佳一致性收敛速度O(n^-1/2)。本文在同样条件下,得到了理想的非一致性收敛速度O(n^-1/2(1+|x|)^-3)。     

U-统计量的分布的非一致性收敛速度

设{X_n}为一串iid.随机变量,h(x,y)为两个变元x,y的对称函数,则称 U_n=(?)~(-1) sum from (i≤i相似文献   

连续型多参数指数族参数的经验Bayes估计的收敛速度

本文用一般的最近邻型估计的方法研究了连续型多参数指数族参数的经验Ｂａｙｅｓ估计，在通常的条件下，给出了估计的较理想的收敛速度．     

连续型单参数指数族参数的经验Bayes检验函数的收敛速度

对独立同分布样本情形的连续型单参数指数族的单边假设检验问题,在线性损失下 导出了单调的Bayes检验函数,构造了相应的经验Bayes(EB)检验函数. 在一定条件下, 获得的经验Bayes检验函数的收敛速度可任意接近$O(n^{-1})$.最后给出了满足定理条件的两个例子.     

刻度指数族参数的经验Bayes估计的收敛速度

本文对刻度指数族在加权平方损失下获得了参数的Bayes估计,并构造了相应的经验Bayes(EB)估计,证明了所提出的EB估计是渐近最优的且有收敛速度(),其中1/2＜λ＜1,s≥3是一给定的整数.最后,给出了刻度指数族EB估计的两个应用.     

连续型多参数指数族参数的经验Bayes估计的收敛速度

<正> §1.引言 关于单参数经验Bayes(EB)估计问题在文献中已讨论比较多了,但多参数的EB估计问题涉及较少.最近陶波在[1]中讨论了正态分布N(μ,σ~2)之参数θ=(μ,σ~2)的EB估计的渐近最优(a.o.)性.关于单参数指数族的EB估计问题,R.S.Singh,P.E.Lin及陈希孺在[2]、[3]和[4]中分别作了研究.本人最近在[5]中讨论了连续型多参数     

刻度指数族参数的经验Bayes估计的收敛速度

本文对刻度指数族在加权平方损失下获得了参数的Bayes估计,并构造了相应的经验Bayes（EB）估计,证明了所提出的EB估计是渐近最优的且有收敛速度,其中1/2≤λ<1,s≥3是一给定的整数.最后,给出了刻度指数族EB估计的两个应用.     

刻度指数族参数的经验Bayes估计及收敛速度

本文在刻度平方误差损失函数下导出了刻度指数族分布中参数的Bayes 估计. 利用核估计的方法构造了参数的经验Bayes 估计, 在适当条件下得到了经验Bayes 估计的收敛速度, 推广了文献中的相关结果.     

刻度指数族参数的经验Bayes估计及收敛速度

本文在刻度平方误差损失函数下导出了刻度指数族分布中参数的Bayes估计.利用核估计的方法构造了参数的经验Bayes估计,在适当条件下得到了经验Bayes估计的收敛速度,推广了文献中的相关结果.     

非参数回归函数核估计的强收敛速度

本文给出回归函数m(x)=E(Y|X=x)满足λ(0<λ≤1)阶Lipschitz条件,且E|Y|~r<∞,r>1时,对m(x)的核估计有同时本文也改善了赵林城、方兆本(1985年)和孙东初(1985年)关于m_n(x)强相合于m(x)的结果。