基于M—估计的误差密度估计

对于线性模型 Yi=x＇_iβ十e_i,i=1,2,...,{e_i}_(i= 1)~∞i.i.d.,e_1有未知密度函数f（x）,本文基于β的M-估计的残差:e_i=Yi—x＇_iβ,i=1,2,…,n,其中β为β的M-估计,用 f_n(x)=1/2na_n sum from i=1 to n I(x-a_ne_i^≤x a_n)估计f(x）,得到了这种估计的强收敛速度,一致强收敛速度,L_1-模相合性,渐近正态性,重对数律。     

PA误差下半参数回归模型小波估计的r-阶矩相合性

对于半参数回归模型y_i=x_iβ+g(t_i)十e_i,(1≤i≤n),其中{e_i,1≤i≤n}为PA相依误差.在适当的条件下,利用极大部分和的矩不等式方法得到未知回归函数g(x)和未知参数β估计量的r-阶矩相合性.     

线性模型中\varphi-混合误差下误差方差估计的强收敛速度

考虑线性回归模型一、引言和引理y_i=x_i′β+e_i,i=1,2,…,(1)这里{x_i}为已知的 d-维向量序列,β为未知的回归系数向量,{e_i}为随机误差序列,满足Ee_i=0,0相似文献   

误差为AANA序列线性回归模型M估计的强相合性

考虑线性回归模型y_i=x_i~Tβ_0+e_i,i=1,2,…,n,其中误差{e_i,i=1,2,...,n}为渐近几乎负相关的随机序列.研究了该模型中参数的M估计的强相合性,也得到了AANA序列的Bernstein型不等式,推广了NA样本的相应结论.     

线性模型中φ-混合误差下误差方差估计的强收敛速度

考虑线性回归模型一、引言和引理y_i=x_i′β e_i,i=1,2,…,(1)这里{x_i}为已知的 d-维向量序列,β为未知的回归系数向量,{e_i}为随机误差序列,满足Ee_i=0,0相似文献   

相依线性回归模型M-估计的线性表示（英文）

本文考虑如下线性回归模型y_i=x_i~Tβ+e_i,i=1,2…,n,其中e_i=G(…,ε_(i-1),ε_i)是平稳相依误差,ε_i,i∈Z是独立同分布的随机变量.在非凸函数的情形下,得到了参数β的M-估计的线性表示,并由此得到两个应用:强收敛速度和正态分布.最后,用一模拟算例来说明本文方法的有效性.     

线程回归系数L_1估计弱相合性的一个必要条件

设 Y_i=x′_iβ_0+e_i,i=1,…,n,为线性回归模型。此处 x_1,x_2,…为已知 p 维向量。以β_n 记β_0的 L_1估计,即设随机误差 e_1,e_2,…独立,med(e_i)=0,且存在正数 l_1,l_2,使 P(-h≤e_i≤0)≤l_1h≥P(0≤e_i≤h),0≤h≤l_2,i=1,2,…则当时,β_n 不是β_0的弱相合估计。     

AANA误差下半参数回归模型中估计量的相合性

考虑如下半参数回归模型y_i=x_iβ+g(t_i)+σ_ie_i,i=1,2,…,n,n≥1,其中σ_i~2=f(u_i),(x_i,t_i,u_i)为已知设计点列.在适当的条件下,当误差为AANA变量时,本文研究了未知参数β和未知函数g的最小二乘估计与加权最小二乘估计的相合性,特别是p(p1)阶矩相合性和完全相合性,所得结果推广了误差为NA变量的相应结论.     

线性模型中相依误差下回归系数最小二乘估计的相合性

文献[1]考虑了线性模型中误差序列{e_i}独立时,最小二乘估计(?)_n 的 r-阶矩的平均相合性.对{e_i}为鞅差序列,线性过程序列的情况,最近一些文献中得出了(?)_n 强相合的一些结果.在[1]的工作基础上,本文对{e_i}为 m-相依、*-混合、广义高斯等相依序列得出相应结果,给出了(?)_n 为 r-阶矩相合及强相合的一些充分条件.本文中相依序列的定义引自[2],[2]中给出了一些相依序列的实例,因而考虑相依误差下(?)_n 的相合性有一定的实用意义.考虑线性回归模型:     

线性模型中误差方差估计的Lp（1≤p≤∞）—度量性质

§1.引言及主要结果 考虑线性回归模型 Y_i=x′_iβ+e_i,i=1,2,…,(1)其中{e_i}为独立的试验误差序列,满足条件 Ee_i=0,0相似文献   

负相协误差下非线性模型$M$估计的强相合性

对于非线性模型$y_i=f(x_i,\theta)+e_i,\;i=1,2,\cdots,n$, 当$\{e_i,\,i=1,2,\cdots,n\}$为NA序列时, 本文在适当的条件下证明了$\theta$的$M$估计量的强相合性.     

再论线性模型中回归系数的最小二乘估计的相合性

<正> (一) 引言 考虑线性模型Y_i=x′_iβ+e_i,i=1,…,n,….这里x_1,x_2,…为已知的试验点列β=(β_1,…,β_p)′为未知参数,e_1,e_2,…为随机误差序列.假定E(e_i)=0对一切i.由前n次试验结果算出β的最小二乘估计     

固定设计下一类半参数回归模型的渐近性质

对固定设计下的一类半参数回归模型yi=xiβ+g(xi)+ei,i=1,2,…,n,综合最小二乘和非参数权函数估计方法,定义了,βg的估计量β∧n,gn∧及误差方差σ2的估计量σ2n∧.在适当条件下,证明它们具有强相合性和p(2)阶平均相合性.模拟的结果表明所得结果具有优良的性质.     

误差为NA序列的半参数回归模型估计的r阶矩相合性

对于半参数回归模型y1=xiβ＋g(ti) ei,i=1,2,…,n,本综合最小二乘法和一般加权方法,定义了β,g(t)的估计量βn,gn(t),在误差为NA序列进,得到了βn,gn(t)的r(r≥2)阶矩相合性。     

关于正定厄米特矩阵的一个不等式的推广

本文推广了正定厄米特矩阵的一个不等式 ,得到以下结果 :设 A( i) ,B( i) ,… ,C( i) ( i=1 ,2 ,… ,m)都是 n阶正定厄米特矩阵 ,A( i)11,B( i)11,… ,C( i)11为其相应矩阵的 k阶顺序主子阵 ,1≤ k≤ n-1 ,α,β,… ,γ都是正实数 ,且 α+β+… +γ=p≥ 1 ,则有∑mi=1|A( i) |α|A( i)11|α,|B( i) |β|B( i)11|β… |C( i) |γ|C( i)11|γ) <∑mi=1A( i) α∑mi=1A( i)11α.∑mi=1B( i) β∑mi=1B( i)11β…∑mi=1C( i) γ∑mi=1C( i)11γ     

与回归系数LS估计相合性有关的几个问题

<正> 当误差序列为序列时,(?)(n)的相合性已得到了较好的研究.当误差仅具有r(r∈[1,2))阶矩时,首先由陈希孺教授研究并取得一些较好的结果(见[1]).即在一定条件下,证明了其 r 阶平均相合性及弱相合性.虽然在一定程度上证明了其结果的不可改进性,但是赋以了误差被某个随机变量以分布控制的较强条件.为此,陈桂景在[2]中给出了一种改进,即把以分布控制降为|e_i|~r 一致可积,但同时又赋以了一个不易验证的条件.     

线性模型中误差方差估计的完全收敛性

在通常的线性模型y_i=x~_i′β_i+e_i(i=1,2,…)中,设σ~2=V_ar(e_i)。由前n次观测值y_1,y_2,…y_n可得基于残差平方和的σ~2估计(?)_n~2。本文中,当{e_n}为iid时,我们给出了许多(?)_n~2-σ~2完全收敛的充分必要条件,当{e_n)为独立但不同分布时,我们给出了(?)_n~2-σ~2完全收敛的充分条件,同时指出这些条件不能再减弱了。     

线性模型中回归系数的最小二乘估计的强相合性

本文研究了线性模型:Y_i=x′_iβ+e_i,i=1,2,…中回归系数β=(β_1,…,β_p)′的最小二乘估计的强相合性,这里x′_i=(x_(il),…,x_(ip))为已给的p维向量,记x_n=(x_1,…,x_n)′,S_n~(-1)=(x′_nx_n)~(-1)=(h_(nij)),G(n)=diag(G_1(n),…,G_p(n))=diag(h_(n11)~(-1),…,h_(npp)~(-1)),那末在把文献[1]定理3中的条件1°换以:存在常数0相似文献   

一类混合回归模型中估计的收敛速度

考虑回归模型 y_i=x_iβ+g(t_i)+e_i,i=1,2,…n,其中g(·)是未知光滑函数,β是未知待估参数,e_i是随机误差。 设{(x_i,t_i,y_i,),1≤i≤n}是i.i.d.子样。本文首先给出了g(·)的一类近邻估计■_n(·),然后基于模型y_i=x_iβ+■_n(t_i),+e_i得到了β的最小二乘估计■_n。在适当条件下,证得了■_n及g(·)的最终估计■_n~■(·)的强弱收敛速度。     

NA序列半参数回归模型小波估计的强相合性

对于半参数回归模型yi=xiβ+g(ti)+ei,i=1,2,…,n,对误差{ei,1≤i≤n}为NA序列,在适当的条件下研究了未知参数β的小波估计的强相合,同时也得到了未知函数g(t)的小波估计的一致强相合.