纵向数据下半参数回归模型估计的渐近性质

本文考虑纵向数据下半参数回归模型: $y_{ij}=x_{ij}'\beta+g(t_{ij})+e_ij},\;i=1,\cdots,m,\;j=1,\cdots,n_i$. 基于最小二乘法和一般的非参数权函数方法给出了模型中参数$\beta$和回归函数$g(\cdot)$的估计, 并在适当条件下证明了$\beta$估计量的渐近正态性和$g(\cdot)$估计量的最优收敛速度\bd 模拟结果表明我们的估计方法在有限样本情形有良好的效果     

纵向数据下半参数回归模型估计的收敛速度

考虑纵向数据下半参数回归模型:yij=x′ijβ+g(tij)+eij,i=1,…,n,j=1,…,mi.基于最小二乘法和一般的非参数权函数方法给出了模型中参数β和回归函数g(·)的估计,并在适当条件下证明了参数分量β的估计量的强收敛速度和未知函数g(·)的估计量的一致强收敛速度.     

半参数回归模型L-估计的渐近展开

对妆参数回归模型Ｙ＝x^Tβ＋g（ｔ）＋ε,构造了参数向量β的Ｌ－估计量－／λn,获得了－／λn的渐近正态性及分布的Ｅdgeworth展开,其速度可达到Ｏ(n^-1)。     

半参数回归模型中二阶段估计的渐近性质

给定半参数回归模型Y＝X′β g(T) e,其中β∈R^p是未知参数向量,g(t)是定义在[0,1]上的未知函数,e是随机误差,本文研究了β,,g(t)和σ2的估计量βn,gn(t)和σn^2,在适当的条件下证明了它们的渐近正态性,并给出了gn(t)的最优收敛速度。     

Ψ-混合异方差误差下半参数回归模型的加权小波估计

考虑半参数回归模型yi=xiβ+g(ti)+σiei, i=1,2,…,n,其中(zi,ti,ui)是固定设计点列,ei为Ψ-混合随机误差.用小波估计方法得到了参数,非参数及误差方差的加权小波估计量.在相当一般的条件下,得到了这些小波估计量的渐近正态性及弱收敛速度.     

一类半参数回归模型的估计理论

考虑半参数回归模型Y=X’β+g(T)+e,其中(X,T)为取值于R^p×[0,1]上的随机向量,β为p×1未知参数向量,g为定义于[0,1]上的未知函数,e为随机误差,Ee=0,Ee²=σ²>0,且(X,T)与e独立。本文综合最近邻和最小二乘的方法定义了β,g和σ²的估计量,g_n^*和。在适当条件下证明了和的渐近正态性,并得到了g_n^*的最优收敛速度。     

随机删失下半参数回归模型的估计理论

本文研究了随机右删失情形下半参数回归模型中未知参数的估计问题,证明了它们的渐近正态性．文中结果是完全数据情形下相应结果的推广和改进     

一个半参数回归模型的渐近正态性

考虑半多数回归模型yi＝xiβ＋g（xi）＋εi，lin，这里xi是具有已知方差σ的独立同分布随机样本，εi是具有零均值和有限方基σ2的独立同分布随机误差．β，g和εi的分布密度是未知的．本文作者构造了一个具有更小渐近方差的β的一个渐近正态估计．     

纵向数据半参数回归模型的估计方法

本文考虑纵向数据半参数回归模型,通过考虑纵向数据的协方差结构,基于Profile最小二乘法和局部线性拟合的方法建立了模型中参数分量、回归函数和误差方差的估计量,来提高估计的有效性,在适当条件下给出了这些估计量的相合性.并通过模拟研究将该方法与最小二乘局部线性拟合估计方法进行了比较,表明了Profile最小二乘局部线性拟合方法在有限样本情况下具有良好的性质.     

污染数据半参数回归模型估计的渐近正态性

考虑半参数回归模型：ｙｉ＝ ｘｉβ＋ ｇ（ｔｉ）＋ ｅｉ,ｉ＝ １,２,…,ｎ．其中 Ｅｅｉ＝ ０, Ｅｅ２ｉ＝ σ２１ ＞ ０．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,｛μｉ｝与｛ｙｉ｝独立,且仅能观察到污染数据．文［１］对由污染数据作出的参数 β的估计 βｎ,证明了它的强相合性,而本文则证明了它的渐近正态性     

纵向数据半参数回归模型的最小二乘局部线性估计

本文考虑纵向数据半参数回归模型:Yij=XiTjβ+g(Tij)+iεj,基于最小二乘法和局部线性拟合的方法建立了模型中参数分量β,回归函数g(.)和误差方差σ2的估计,在适当条件下给出了估计量的相合性,通过模拟研究说明了该方法在有限样本情况下具有良好的性质。     

半参数回归模型研究综述

本文总结了国内外学者对半参数回归模型研究的贡献,理清了对该模型理论研究演进的方向和脉络.     

缺失数据下半参数单调回归模型的估计

研究了响应变量缺失情况下半参数单调回归模型的估计问题。利用嵌入核估计的方法得到了参数部分的估计,在此基础上构造了非参数部分的单调约束最小二乘估计。证明了参数估计的渐近分布为正态分布,得到了非参数部分估计的收敛速度。通过随机模拟研究了有限样本量下估计的表现。     

半参数空间变系数回归模型的Back-Fitting估计

针对半参数空间变系数回归模型给出了一种估计方法-后向拟合估计,该方法可得到模型中常值系数估计量的精确解析表达式,广泛的数值模拟表明所提出的估计方法对估计常值系数具有满意的精度和稳定性,最后,利用该方法分析了一个实际的例子.     

基于强混合数据的半参数平滑转换回归模型

本文基于严平稳强混合数据和带确定性趋势的强混合数据序列,推广了文献[20]中提出的半参数平滑转换回归模型。对含于平滑转换函数中的未知光滑有界函数应用级数估计方法,并基于非线性最小二乘估计和级数估计理论证明了模型参数估计量的相合性和渐近正态性等大样本性质,简要讨论了其协方差矩阵的估计以及假设检验问题。最后,应用该模型重新研究了我国年度通货膨胀率的平滑转换结构。     

随机删失半参数回归模型小波估计的渐近性质

考虑半参数回归模型Y_i=X_iβ g(T_i) e_i,i=1,2,…,n,β∈R为未知回归参数,g(·)为[0,1]上的未知Borel函数。在完全和右删失数据下,本文利用小波光滑方法并综合最小二乘法,就删失分布已知和未知的情形分别定义了β,g(T)的小波估计(?),(?)(T),在一定条件下,证明了(?)的渐近正态性,同时得到了(?)(T)的最优收敛速度。